Anexos Técnicos

ANEXO TÉCNICO 1 CÁLCULOS DE LOS DAÑOS Y LAS PÉRDIDAS DE LAS EVALUACIONES DE LAS NECESIDADES DESPUÉS DE DESASTRES

Las evaluaciones de las necesidades después de desastres están disponibles en línea y se descargaron de PreventionWeb^av, ReliefWeb^aw, el Servicio mundial para la reducción y recuperación de desastres^ax y el Banco Mundial^ay. Las evaluaciones que se utilizaron en el presente informe como fuentes de datos abarcan desde 2007 hasta 2022.

En particular, se recogieron datos de 88 evaluaciones posteriores a desastres realizadas en 60 países de siete regiones y subregiones: África, 30; América del Sur, 5; Asia, 24; Caribe, 10; Cercano Oriente, 1; Europa oriental, 8; y Oceanía, 10. Los datos abarcan ocho tipos de amenazas: ciclón, 4; sequía, 7; terremoto, 9; inundación, 32; múltiples amenazas, 6 (incluida La Niña, 1); tormenta, 23; tsunami, 1; y actividad volcánica, 3. En este conjunto de evaluaciones de las necesidades después de desastres se incluyeron distintos tipos de evaluaciones, en particular evaluaciones de daños, pérdidas y necesidades; evaluaciones de las necesidades después de desastres, y evaluaciones rápidas de los daños y las necesidades.

Las evaluaciones de las necesidades después de desastres generan estimaciones de los daños y las pérdidas por sector económico, lo que permite comparar las repercusiones en toda la economía. Todos los valores de daños y pérdidas notificados se convirtieron a USD de 2017 (de USD actuales o de la moneda local) utilizando datos del índice de precios al consumidor del Banco Mundial.

Se sumaron y agruparon los valores de los daños y las pérdidas notificados por categoría de amenaza para calcular las pérdidas agrícolas totales causadas por tipos de desastres. Los accidentes industriales notificados no incluyeron los valores de las repercusiones en el sector agrícola y, por lo tanto, no se muestran como una categoría en los resultados.

La proporción de las pérdidas agrícolas en las pérdidas de los sectores productivos corresponde a los daños y las pérdidas notificados en la agricultura correspondientes a todas las evaluaciones de las necesidades después de desastres divididos entre los daños y las pérdidas totales notificados en todos los sectores productivos de todas las evaluaciones de las necesidades después de desastres (incluidas la agricultura, la industria, el comercio y el turismo) por categoría de desastre.

De modo similar, la proporción de las pérdidas agrícolas respecto de las pérdidas totales se calcula dividiendo los daños y las pérdidas en la agricultura notificados en todas las evaluaciones de las necesidades después de desastres entre los daños y las pérdidas totales de todas las evaluaciones por categoría de desastre.

Se incluyó un desglose subsectorial de los daños y las pérdidas notificados en 50 evaluaciones de las necesidades después de desastres, que representa el 56 % de la muestra. En esta submuestra se agruparon los daños y las pérdidas por subsector agrícola en USD de 2017, a fin de calcular los respectivos porcentajes.

ANEXO TÉCNICO 2 ESTIMACIÓN DE LAS PÉRDIDAS MUNDIALES A PARTIR DE DATOS SECUNDARIOS

Se elaboraron estimaciones de las pérdidas ocasionadas por desastres en los cultivos y la ganadería de 1991 a 2021 a partir de una hipótesis de producción contrafactual específica de los años en los que se produjeron desastres. Esta hipótesis luego se comparó con la producción notificada a fin de evaluar las repercusiones de los desastres.

Fuente de los datos

Para calcular los diferentes parámetros de los modelos se pueden utilizar cuatro fuentes de datos.

Datos de desastres: La incidencia de desastres procede de la EM-DAT, que ofrece la cobertura más amplia de desastres históricos. Los desastres registrados en esta base de datos cumplen los criterios de 10 o más muertos, 100 o más heridos, la declaración del estado de emergencia o la solicitud de ayuda a la comunidad internacional. En el análisis se incluyen todas las escalas de desastres —pequeña, mediana y grande— comprendidos en las siguientes categorías de amenazas: tormentas, inundaciones, sequías, temperaturas extremas, infestaciones por insectos, incendios forestales, terremotos, desprendimientos, corrimientos de tierras y actividad volcánica. El recuento mundial de estos desastres fue de 10 190 fenómenos entre 1991 y 2021.
Datos sobre la producción y los precios: Los datos sobre la producción anual agregada a escala nacional, el rendimiento, la superficie cosechada y el número de cabezas de ganado, y los precios correspondientes a 197 países o zonas se obtuvieron de FAOSTAT. Se incluyeron en el análisis 186 productos, divididos en 11 grupos de productos: cereales, legumbres, café, té, cacao y especias, frutas y nueces, oleaginosas, raíces y tubérculos, cultivos azucareros, tabaco, caucho y cultivos de fibra, y hortalizas, así como los principales productos ganaderos de carne y productos cárnicos, leche y huevos.
Los datos sobre la productividad total de los factores agrícolas del período comprendido entre 1991 y 2020 se obtuvieron del Departamento de Agricultura de los Estados Unidos de América.

La producción en la hipótesis contrafactual correspondiente a los años de desastres genera valores de producción en el supuesto de que los desastres no se hubieran producido. Los valores del rendimiento se calculan a partir de la serie cronológica del rendimiento por país de más de 12 700 productos procedentes de FAOSTAT. Los valores del rendimiento en los años en los que se produjeron los desastres se sustituyen por valores contrafactuales basados en los sucesos registrados en la EMDAT.

En el análisis se utiliza principalmente una lista de matrices que contienen una serie cronológica del rendimiento con el valor registrado de los años en que no hubo desastres y se elimina el rendimiento de los años en que sí los hubo, Yield (rendimiento) (j, t, i,·d) donde j son los países o zonas, t son los años (1991-2021), i son los productos y d = 0, que son los años en que no se registraron desastres. Se utilizan tres técnicas de interpolación para calcular los rendimientos contrafactuales de los años en los que se produjeron desastres, en función del número de años sin desastres de cada serie cronológica.

Para las series cronológicas con más de cinco años sin desastres entre 1991 y 2021, esto se aplica al 58 % de la muestra, y los valores ausentes del rendimiento se calculan interpolando los rendimientos de los años sin desastres. Para este cálculo se utiliza un modelo estructural ajustado por máxima verosimilitud mediante filtro de Kalman con suavizado. El modelo estructural divide la serie cronológica en componentes del modelo estado-espacio, primero a través de una ecuación de medición de la variable de rendimiento que define el vector de estado α:

Con α como el vector de las variables de estado m de dimensión (m x 1), Ft y St son matrices de coeficientes fijos de las dimensiones N x m y N x r, siendo r las dimensiones del vector de perturbación, y un vector r x 1 con una media de 0 y una matriz de covarianza.

El vector de estado puede entonces describirse en una ecuación de estado:

Donde Gt es una matriz m x m y Rt es una matriz m x g de coeficientes fijos, siendo g las dimensiones del vector de perturbación, y ηt, un vector g x 1 de media igual a 0 y matriz de covarianza.

El filtro recursivo de Kalman permite estimar el modelo de manera iterativa con la siguiente ecuación:

La ganancia Kalman (K_t) equilibra la incertidumbre entre las observaciones anteriores y la nueva información. Si las observaciones anteriores son inciertas, K_t se aproxima más a 1 para dar más importancia a la información nueva. Si la diferencia entre las variables observadas y estimadas es inestable, K_t se aproxima a 0.

• Para las series cronológicas con menos de cinco años sin desastres entre 1991 y 2021:
- La estimación se basa en grupos de países; esto se aplica al 39 % de la muestra. Los países se agrupan en 20 grupos derivados del alineamiento temporal dinámico basado en el crecimiento de la productividad total de los factores (PTF) agrícolas y el análisis factorial basado en los niveles de rendimiento de todos los productos²⁴⁴. La tendencia de agrupación de los datos se evaluó utilizando la estadística de Hopkins. Se lleva a cabo la agrupación jerárquica sobre componentes principales en los 10 componentes principales resultantes del análisis factorial realizado en 196 variables para 197 países. Utilizando el criterio de Ward, los países se agrupan gradualmente, mientras que el crecimiento de la inercia interna correspondiente al último término de la siguiente ecuación se minimiza para formar grupos lo más homogéneos posibles:
  Aquí v es el valor de la variable k, de las variables de los 10 componentes principales, para el país j del grupo c.
  Para cada grupo c, cada producto i, y cada año t, se calcula una tasa anual media de variación en el rendimiento:
  Empezando por los rendimientos de 1990, esta tasa de variación se aplica posteriormente a cada país y artículo para crear una serie cronológica de 1991 a 2021. El rendimiento contrafactual estimado se calcula de la siguiente manera para el producto i, el país j y el año t:
- Cinco países fueron la única observación en su grupo (China, Guyana, México, el Perú y Uzbekistán). En estos casos el rendimiento se estima mediante un modelo de regresión de mínimos cuadrados ordinarios basado en la PTF y el rendimiento retrasado, siguiendo la ecuación:
  rendimiento_ijt es el rendimiento del producto i, país j, en el momento t agTFP_jt es la PTF del país j, en el momento t U_ijt es el término de error
  Se utilizan indicadores estimados para calcular la serie cronológica del rendimiento contrafactual:

Una vez que se ha estimado la situación contrafactual, se calcula una desviación de rendimiento por la diferencia entre el rendimiento contrafactual estimado y el valor del rendimiento indicado en FAOSTAT.

Para determinar la variabilidad de los efectos no relacionados con los desastres y eliminar el ruido de fondo en la variación del rendimiento, se calculan distribuciones nulas por país y por producto. Se realizaron simulaciones en 10 000 matrices de desastres simuladas para crear distribuciones de desviaciones de rendimiento estimadas. Se eliminaron de las pérdidas estimadas las desviaciones de rendimiento por debajo del percentil 5 de la distribución.

Desde las pérdidas de rendimiento hasta las pérdidas de producción, los rendimientos de un año determinado se multiplican por el número de hectáreas cosechadas, el número de animales sacrificados para la producción de productos cárnicos o el número de animales de puesta o de ordeño.

Las pérdidas de producción en valores se obtienen mediante la multiplicación de las toneladas por los precios al productor en FAOSTAT, expresados en términos de paridad del poder adquisitivo en USD al valor de 2017. Surgieron dificultades relacionadas con el primer período de la serie cronológica de la década de 1990 cuando la comunicación de los precios era menos fiable que en la actualidad. Al no disponerse de precios nacionales, se utilizaron medianas subregionales, regionales o mundiales (el 12 % de los precios no disponibles). Cuando los precios locales eran tres veces mayores que la mediana mundial, se utilizaba la mediana mundial.

ANEXO TÉCNICO 2A ATRIBUCIÓN DE LAS PÉRDIDAS A LOS DESASTRES

Las pérdidas se estiman por año y país y se desglosan por producto. Sin embargo, el 85 % de los años de desastres se consideran años de múltiples desastres. Para atribuir estas pérdidas a diferentes amenazas que se producen en el mismo año, se utiliza un modelo de regresión de repercusiones diversas, con las pérdidas de producción positivas de cada producto en cada país en cada año como la variable dependiente, el año y el número de cada tipo de desastre como efectos fijos y el producto y el país como efectos aleatorios:

Donde y_ijt es la pérdida de producción del producto i en el país j y el año t; β_i son los parámetros de los efectos fijos; x_t es el año t con t de 1991 a 2021; x_2jt es el número de sequías en el país j y el año t; x_3jt es el número de inundaciones en el país j y el año t; x_4jt es el número de tormentas en el país j y el año t; x_5jt es el número de terremotos en el país j en el año t; x_6jt es el número de temperaturas extremas en el país j y el año t; x_7jt es el número de corrimientos de tierras en el país j y el año t; x_8jt es el número de incendios forestales en el país j y el año t; y_i es el efecto aleatorio para el producto i; y_j es el efecto aleatorio para el país j; y e_ijt son los valores residuales, que son independientes y tienen una distribución normal. Los parámetros del modelo se estiman utilizando la máxima verosimilitud restringida.

Las infestaciones por insectos, los desprendimientos de tierras y las erupciones volcánicas se eliminaron del ejercicio de atribución porque había muy pocas observaciones (38, 19 y 151, respectivamente) en la EMDAT en comparación con los otros tipos de fenómenos. Sin embargo, estos tipos de desastres se incluyeron en la estimación de las pérdidas empleando los modelos contrafactuales que figuran en el Anexo técnico 2. Los parámetros de cada tipo de fenómeno se utilizaron como factores de ponderación para atribuir las pérdidas de producción de cada producto en cada país durante cada año a cada tipo de desastre que tuviera lugar en el país en ese año:

Donde w_dt es el factor de ponderación del tipo de desastre d en el país j y el año t; es el parámetro del modelo (1) para el tipo de desastre d, y X_djt es el número de desastres del tipo d en el país j y el año t. Posteriormente, las pérdidas del producto i en el país j en el año t provocadas por el tipo de desastre d se calcularon de la siguiente manera:

Donde L_ijt son las pérdidas totales del producto i en el país j y el año t.

Esas pérdidas se añadieron a los productos, países y años para obtener las pérdidas totales por tipo de desastre:

lo cual se dividió por el número total de desastres de ese tipo, para obtener la pérdida media por desastre de cada tipo:

Por último, esta pérdida media por desastre de cada tipo ad se calculó como porcentaje pd de las pérdidas totales medias de todos los tipos de desastres:

ANEXO TÉCNICO 3 DATOS Y MÉTODOS DE ATRIBUCIÓN CLIMÁTICA

Los detalles completos de los cuatro estudios de casos (los rendimientos de la soja en la Argentina, del trigo en Kazajstán y Marruecos y del maíz en Sudáfrica) se publican en un documento técnico complementario. En esta sección se presentan los datos y métodos utilizados para la Sección 3.1.

Los resultados de la atribución que se presentan están basados en la comparación de los registros de los rendimientos observados con las distribuciones estimadas contrafactuales y factuales de los rendimientos de los cultivos. Los rendimientos factuales son los rendimientos simulados con respecto al clima en su evolución real, mientras que los rendimientos contrafactuales son aquellos simulados en relación con cómo podría haber sido el clima si no se hubiesen producido aumentos de gases de efecto invernadero y otros factores antropogénicos de forzamiento climático. A tal efecto, creamos un modelo estadístico del rendimiento de los cultivos de múltiples variables y basado en los datos del rendimiento de los cultivos observados en la longitud total de su registro disponible²⁴⁵ y los datos climáticos derivados de la observación (20CRv3–W5E5)²⁴⁶^,²⁴⁷.

El enfoque de modelización se elabora para que pueda aplicarse de manera general a los países o cultivos de los distintos estudios de casos. Para ello, se determina un conjunto de índices climáticos que pueden ser pertinentes (CUADRO 8). Esta selección se fundamenta en las opiniones de expertos, que incluyen factores biofisiológicos y experiencia en modelos de cultivos estadísticos, y en aportes de la bibliografía²⁴⁸^,²⁴⁹^,²⁵⁰. Estos índices se calculan para temporadas de crecimiento específicas de la subregión y el cultivo con la producción más elevada siguiendo la escala de la cuadrícula de los datos climáticos disponibles (resolución de 1,4 × 1,4 grados). De todos los datos (índices climáticos basados en la observación y el rendimiento de cultivos), se registran las anomalías con respecto a una tendencia no lineal para explicar la influencia confusa de los cambios en la gestión agrícola, como la aplicación de fertilizantes. A continuación, las variables que deben utilizarse para el modelo de regresión lineal se seleccionan en un proceso de dos etapas similar al de Laudien et al.²⁵¹. En primer lugar, la interdependencia entre las variables de regresión se elimina descartando aquellas correlacionadas por +/–0,7 o más con otra variable que tenga una mayor correlación con los datos de rendimiento. El conjunto reducido de variables se transfiere a una regresión de Lasso en la que se seleccionan hasta cinco variables que explican mejor los datos de rendimiento. Un ajuste lineal aporta los parámetros del modelo, y se lleva a cabo una validación fuera de la muestra.

CUADRO 8 CONJUNTO DE ÍNDICES CLIMÁTICOS UTILIZADO PARA LA ELABORACIÓN DE MODELOS ESTADÍSTICOS DE CULTIVOS, QUE POSTERIORMENTE SE REDUCE EN FUNCIÓN DE LA INDEPENDENCIA Y EL PODER EXPLICATIVO

Fuente: Elaboración de los autores.

El modelo estadístico de rendimiento se aplica posteriormente a un conjunto de datos climáticos factuales y contrafactuales, extraídos del componente del Proyecto de Intercomparación de Modelos de Detección y Atribución (DAMIP)²⁵² de la fase 6 del Proyecto de Intercomparación de Modelos Acoplados (CMIP6). Un conjunto de simulaciones históricas abarca cambios históricos de factores de forzamiento climático tanto antropogénicos (los gases de efecto invernadero, el ozono, los aerosoles, el uso de la tierra, etc.) como naturales (la irradiación solar, el aerosol volcánico). Un conjunto de simulaciones históricas naturales (hist-nat) incluye solo cambios históricos de los factores naturales, mientras que los antropogénicos se mantienen en niveles preindustriales. Las 50 simulaciones históricas y las 50 simulaciones hist-nat del único conjunto grande del DAMIP con disponibilidad diaria de datos, la sexta versión del Modelo para la Investigación Interdisciplinaria sobre el Clima (MIROC6)²⁵³, se corrigen en función del sesgo con el método ISIMIP3 (v3.0.2)²⁵⁴. La evaluación del modelo²⁵⁵^, ²⁵⁶ no muestra sesgos evidentes más allá de lo comúnmente aceptado en los estudios de modelización sobre las repercusiones del clima. En las regiones de los estudios de casos en particular, se ha demostrado que el modelo representa adecuadamente las precipitaciones en el norte de Kazajstán²⁵⁷; lo mismo cabe decir en relación con las precipitaciones en Marruecos, al menos en la costa y en el norte²⁵⁸, que es la región de interés en este caso. Se han utilizado versiones anteriores del mismo modelo para proporcionar conjuntos de datos específicamente para estudios de atribución de las repercusiones con anterioridad²⁵⁹^,²⁶⁰ y para la atribución en la agricultura²⁶¹^,²⁶².

La sensibilidad climática en equilibrio de MIROC6 y la respuesta climática transitoria son con 2,60 °C y 1,58 °C en la parte inferior de la diferencia de CMIP6 de 3,78 °C +/–1,12 °C (ECS) y 1,98 °C +/–0,48 °C (TCR) (media +/– una desviación típica)²⁶³. Lo que es más importante, se encuentra en el rango probable de sensibilidad climática en equilibrio del IPCC de 2,5 °C a 5,1 °C (valor central: 3,4 °C; rango muy probable: 2,1 °C a 7,7 °C) que es la mejor estimación hasta la fecha, basada en múltiples líneas de pruebas. Se encuentra apenas por debajo del rango probable evaluado de 1,6 °C a 2,7 °C (valor central: 2,0 °C), pero dentro del rango muy probable de 1,3 °C a 3,1 °C. El forzamiento radiativo efectivo total causado por los aerosoles según el modelo esde –0,99 W/m² dentro de la dispersión de CMIP6 de –1,23 W/m² +/–0,48 W/m² (media +/–5-95 % de margen de confianza), así como dentro del rango evaluado del IPCC de 2,0 W/m² a 0,6 W/m² (valor central: -1,3 W/m²) (confianza media)²⁶⁴. Juntos, estos números implican que la respuesta del modelo a los gases de efecto invernadero y otros factores de forzamiento es plausible. La respuesta de la temperatura mundial en el extremo inferior implica también que los resultados de la atribución obtenidos podrían presentar un sesgo hacia abajo y no hacia arriba, lo que significa que ofrecen estimaciones más conservadoras.

Las 50 simulaciones en cada experimento varían entre sí en términos de la variabilidad climática interna, es decir, presentan distintas condiciones meteorológicas, y juntas brindan un panorama del clima con y sin gases de efecto invernadero y otros factores de forzamiento climático antropogénicos. Los datos climáticos factuales del modelo se procesan de la misma manera que los datos climáticos derivados de observaciones. Los datos climáticos contrafactuales del modelo se procesan del mismo modo, pero teniendo en cuenta que en los umbrales basados en percentiles estos umbrales para el cálculo de los índices se obtienen de los respectivos datos climáticos factuales, y también que las anomalías de los índices contrafactuales se calculan con respecto a la tendencia no lineal en los respectivos datos factuales y no contrafactuales. Al utilizar la selección variable y los parámetros del modelo estadístico derivado de la observación, se obtienen las distribuciones de los rendimientos factuales y contrafactuales.

ANEXO TÉCNICO 4 NOTA METODOLÓGICA SOBRE EL CÁLCULO DEL ANÁLISIS DE COSTOS Y BENEFICIOS

Esta nota tiene como objetivo presentar los distintos métodos de cálculo utilizados para la sección de la Parte 4 sobre el análisis de costos y beneficios y demostrar que los tres enfoques —preventivo y de reducción de riesgos, acción preventiva y medidas fundamentadas en los riesgos para reducir la propagación de la langosta del desierto (combinación de las dos)— se complementan entre sí para fomentar la resiliencia. La FAO ha elaborado metodologías para calcular el beneficio de las buenas prácticas de reducción del riesgo de desastres en las explotaciones agrícolas y las intervenciones relacionadas con la acción preventiva en varios de sus programas. Si bien estas metodologías todavía se están elaborando con miras a incluir una variedad más amplia de actividades programáticas, ofrecen un panorama de las etapas y las estructuras de los métodos de análisis de costos y beneficios de la FAO para analizar las buenas prácticas de reducción del riesgo de desastres en las explotaciones agrícolas y las intervenciones relacionadas con la acción preventiva.

Sección 1: Metodología de evaluación de los beneficios de las buenas prácticas de reducción del riesgo climático y de desastres basada en la publicación de 2019 de la FAO Disaster risk reduction at farm level: Multiple benefits, no regrets

Resumen: En el proceso de análisis de costos y beneficios se calculan y comparan los beneficios y los costos de las tecnologías de buenas prácticas sugeridas en materia de reducción del riesgo de desastres en la agricultura (cultivos, ganadería, pesca y silvicultura) y las tecnologías locales existentes a lo largo del tiempo basadas en datos primarios procedentes de las explotaciones recopilados de forma estacional. En cada explotación, se hace un seguimiento de la tecnología de buenas prácticas sugerida en materia de reducción del riesgo de desastres y la tecnología local existente, en parcelas adyacentes y de manera simultánea. Las parcelas que no se vieron afectadas por amenazas durante el período de seguimiento constituyen la hipótesis sin amenazas, mientras que las parcelas afectadas por amenazas durante el período de seguimiento forman parte de la hipótesis con amenazas. Entre los datos recopilados en las explotaciones agrícolas para el análisis de costos y beneficios figuran los costos relativos a los insumos, la mano de obra, los costos de mantenimiento y capital y los beneficios, es decir, el valor bruto de la producción. El análisis de costos y beneficios compara los beneficios netos, es decir, el rendimiento neto de la inversión en la tecnología de buenas prácticas sugerida en materia de reducción del riesgo de desastres y la tecnología local existente en un período de observación, para después extrapolarlos a un período más largo (en este contexto, 11 años).

Se llevó a cabo un proceso de tres etapas para evaluar los beneficios de las buenas prácticas de reducción del riesgo climático y de desastres, que comprende la recopilación de datos, la evaluación sobre el terreno y el análisis de su ampliación.

Etapa 1: Recopilación de datos

La primera etapa consistió en recopilar determinados datos de referencia, lo que incluyó realizar actividades de investigación documental de antecedentes en las aldeas seleccionadas, los hogares y sus actividades de producción agrícola, además de información sobre la exposición a amenazas y los fenómenos meteorológicos extremos y desastres que les han afectado durante los últimos cinco años. También incluyó la selección de prácticas de reducción del riesgo de desastres, que fueron determinadas por un equipo de especialistas que también determinaron los lugares de la preselección inicial y las aldeas que participarían en el estudio, sobre la base de las zonas agroecológicas locales. Estas luego se validaron, lo que incluyó la determinación de los hogares interesados en participar en la realización de pruebas sobre el terreno.

Las parcelas de campo de los agricultores participantes seleccionadas para el estudio se dividieron en dos partes; una de ellas se utilizó para probar la buena práctica de reducción del riesgo de desastres innovadora, mientras que la otra se utilizó como parcela de control, sobre la que se aplicó la práctica agrícola utilizada anteriormente, sin cambios. En algunos casos, debido a la falta de disponibilidad de tierras o cuando se trataba de cultivos perennes, la parcela de control se estableció en un campo cercano, que presentaba las mismas condiciones que la parcela de prueba sobre la reducción del riesgo de desastres a fin de garantizar que hubiera las mismas condiciones para evaluar la práctica tradicional y la buena práctica.

Los resultados de las parcelas de prueba y de control se analizaron estación por estación durante los años sin amenazas (cuando no hubo amenazas) y se compararon con los resultados en condiciones con amenazas (cuando hubo una o más amenazas). De esta manera, se determinaron prácticas que:

generaron mejores resultados en condiciones con amenazas;
generaron resultados al menos tan buenos, en ausencia de amenazas, como los de las prácticas agronómicas convencionales utilizadas anteriormente.

Etapa 2: Evaluación sobre el terreno a través del análisis de costos y beneficios

La segunda etapa consistió en crear el análisis de costos y beneficios, con el que se evaluaron cuantitativamente los beneficios netos (viabilidad y eficacia) derivados de la nueva buena práctica de reducción del riesgo de desastres en comparación con la práctica utilizada anteriormente, en condiciones con y sin amenazas. El análisis de costos y beneficios incluyó la asignación de un valor monetario a los costos, los beneficios añadidos y los costos evitados asociados con la aplicación de la buena práctica y de la práctica utilizada anteriormente, en condiciones con y sin amenazas. La valoración de los bienes o servicios sin precio, como la mano de obra familiar o los recursos hídricos de acceso abierto, se estimó a partir de los precios de bienes comercializados a modo de sustitución. El CUADRO 9 muestra que los tipos de costos y beneficios variaban en función del tipo de práctica.

CUADRO 9 COSTOS Y BENEFICIOS

Fuente: Elaboración de los autores.

La relación beneficio-costo se utilizó para comparar las prácticas e indicar la relación entre los costos y beneficios, que se expresa como relación entre el valor actual descontado de los beneficios y el valor actual descontado de los costos.

Los beneficios netos también se evaluaron mediante el cálculo del valor actual neto de la buena práctica y la práctica común o utilizada anteriormente, que luego se comparó para evaluar los beneficios añadidos (como el aumento de la productividad) y los daños y las pérdidas evitados gracias a la buena práctica. Se utilizó un período de valoración de 11 años, aplicando una tasa de descuento del 10 % con un control de sensibilidad del 5 % y el 15 %. En términos generales, por una parte, un valor actual neto positivo indica que el valor actual de los beneficios superó el valor actual de los costos durante el período evaluado. Por otra parte, un valor actual neto negativo muestra que los costos iniciales y de funcionamiento no se recuperan con los beneficios acumulados en el tiempo. Se considera que una práctica es más rentable cuando el valor actual neto es mayor.

Además del análisis cuantitativo de la evaluación sobre el terreno, se llevó a cabo un análisis cualitativo de los beneficios sociales y ambientales conjuntos de la buena práctica según la percepción de los agricultores. Esta información se recopiló mediante entrevistas semiestructuradas y, en la medida de lo posible, en debates por grupos especializados. Entre los temas abarcados figuraban la viabilidad socioeconómica de la práctica, su sostenibilidad y los beneficios sociales y ambientales asociados. Estos beneficios comprendían la reducción de la vulnerabilidad, el aumento de los ingresos y las oportunidades de medios de vida, el potencial para aliviar la escasez de alimentos durante los desastres y después de ellos y la mejora de la nutrición. En los debates también se estudió si estos beneficios ayudaban a mitigar las repercusiones ambientales adversas. De esta manera, se determinaron y evaluaron cualitativamente los beneficios adicionales, los efectos imprevistos y los obstáculos, de los que quizá no se tendría conocimiento si se realizara solo la evaluación cuantitativa.

Etapa 3: Ampliación del análisis

La tercera etapa se llevó a cabo como parte del estudio de 2019 de la FAO, y consistió en evaluar el potencial de ampliación de las buenas prácticas seleccionadas. Para ello, se utilizaron modelos de simulación personalizados mediante la metodología sobre la dinámica de los sistemas para simular las posibles repercusiones de la ampliación de tres buenas prácticas muy prometedoras. Mediante la metodología sobre la dinámica de los sistemas, las variables biofísicas pueden integrarse en modelos monetarios y viceversa. Esto ayuda a entender mejor el comportamiento no lineal dinámico de los sistemas complejos a lo largo del tiempo a partir de las principales relaciones causales y los bucles de retroalimentación entre sus indicadores. Los modelos de simulación que se elaboraron estaban basados en los resultados de las evaluaciones sobre el terreno y también se tuvieron en cuenta los posibles obstáculos específicos del contexto (por ejemplo, las limitaciones agroecológicas y socioeconómicas).

Los modelos de simulación se establecieron para dos hipótesis principales: i) la hipótesis de ampliación de la buena práctica, en la que se supone los agricultores adoptan de forma generalizada la buena práctica de reducción del riesgo de desastres evaluada y ii) se introduce una hipótesis sin cambios durante el período de simulación de 11 años, que funciona como si la única práctica utilizada anteriormente por los agricultores se empleara sin ninguna otra práctica de reducción del riesgo de desastres. Además, se simularon tres hipótesis de frecuencia de amenazas: i) una frecuencia de amenaza baja, en la que las amenazas se repiten cada tres años; ii) una frecuencia de amenaza media-alta, en la que se considera que las amenazas reaparecen cada dos años, y iii) una frecuencia de amenaza alta, en la que se supone que las amenazas se repiten cada año.

Sección 2: Metodología de análisis beneficio-costo de la acción preventiva

En esta nota se presentan los métodos de cálculo utilizados para el análisis beneficio-costo de la aplicación de las intervenciones relacionadas con la acción preventiva. La FAO ha elaborado marcos para calcular los beneficios directos de las intervenciones relacionadas con la acción preventiva en varios de sus programas. Si bien estas metodologías todavía se están elaborando con miras a incluir una variedad más amplia de actividades programáticas, esta metodología ofrece un panorama de las etapas y las estructuras de los métodos de análisis beneficio-costo de la FAO referentes a la acción preventiva.

El principal resultado del análisis beneficio-costo es la relación beneficio-costo de la intervención relacionada con la acción preventiva. La relación beneficio-costo mide la relación entre los beneficios directos derivados de las acciones preventivas y los costos de diseño y ejecución de las acciones preventivas, expresados en valores monetarios actuales. Por lo tanto, la relación beneficio-costo ofrece un resumen de la eficacia en el uso de los recursos destinados a la adopción de medidas antes de que se presente una amenaza prevista a fin de prevenir o mitigar sus repercusiones en los medios de vida de las comunidades afectadas. Para llevar esto a cabo, la FAO recopila datos cuantitativos mediante entrevistas estructuradas con beneficiarios y hogares de control; a su vez, las situaciones contrafactuales entre las dos muestras se utilizan para conformar la base de los resultados de las intervenciones relacionadas con la acción preventiva que siguen una serie de fórmulas con las que se calculan los beneficios añadidos y las pérdidas evitadas gracias a la intervención. A continuación se resumen las etapas fundamentales para calcular la relación beneficio-costo de un proyecto de acción preventiva.

Etapa 1: Recopilación de datos

El análisis beneficio-costo de los proyectos de acción preventiva se basa en datos primarios recogidos en los hogares para las muestras de control y de beneficiarios. Las diferencias entre estas dos muestras de poblaciones conforman la base del cálculo de beneficios del análisis.

Hay varias medidas que se aplican para garantizar la precisión de los datos recogidos.

Las muestras de los grupos de beneficiarios y de control se recogen y estratifican en varias características sociales, demográficas y económicas a fin de garantizar que las poblaciones de control y de muestra se correspondan lo máximo posible entre sí, a fin de evitar sesgos en la recopilación de datos que puedan alterar los resultados. Se realizan pruebas estadísticas para confirmar la comparabilidad de las muestras.
El calendario de la recopilación de datos es importante para garantizar que se recopilen los datos más precisos; a su vez, el tipo de intervención que se aplica también se tiene en cuenta y es representativa de los resultados de los proyectos.
Antes del cálculo, se examinan los datos para evaluar las inexactitudes que puedan provenir de los encuestadores. La evaluación a tiempo de estas cuestiones puede contribuir a la calidad del análisis y eliminar o limitar los errores en la recopilación de datos que pueden obstaculizar el análisis.

Etapa 2: Calcular los costos de las intervenciones

La valoración de los costos de los proyectos por hogar beneficiario es una etapa fundamental en el cálculo de la relación beneficio-costo de las acciones preventivas. Se tienen en cuenta todos los costos relacionados con las actividades analizadas, incluidos los costos directos (por ejemplo, compras), así como los costos administrativos, de logística y otros costos de apoyo. Los costos de los proyectos se calculan basándose en los gastos de los proyectos señalados en los sistemas de información financiera de la FAO disponibles en el Sistema de información sobre gestión del Programa de campo.

Se consideran dos categorías de costos:

los costos de los programas, que incluyen los costos de los productos comprados, de logística y las cartas de acuerdo con los asociados en la ejecución;
los costos de apoyo, que son los costos de funcionamiento, incluidos los costos administrativos, el seguimiento sobre el terreno, los gastos generales de funcionamiento y los servicios de apoyo administrativo, entre otros.

Etapa 3: Cálculo de los beneficios de las acciones preventivas

El análisis beneficio-costo solo se centra en los beneficios directos de las acciones preventivas, es decir, los beneficios derivados directamente de la asistencia brindada por la FAO.

Deberían analizarse dos tipos de beneficios directos:

beneficios añadidos: las medidas tempranas determinan un aumento de la producción agrícola o un aumento del valor de la producción agrícola;
pérdidas evitadas: las medidas tempranas previenen o reducen los daños y las pérdidas causados por amenazas en los activos o la producción agrícola.

Los beneficios se calculan analizando las diferencias en las variables de los resultados entre los grupos de beneficiarios y de control. Se realizan pruebas estadísticas para evaluar la importancia de las diferencias observadas.

Cabe destacar que también se recopilan datos cualitativos —mediante debates por grupos especializados y entrevistas a informantes clave— que se analizan a fin de conocer en profundidad las percepciones de las comunidades afectadas, triangular los resultados cuantitativos, evaluar los puntos fuertes y débiles de los procedimientos de adopción de decisiones y operacionales que se han seguido para vincular las alertas tempranas a las acciones preventivas y obtener información fundamental para mejorar la futura programación.

Ejemplo: metodología empleada para calcular las pérdidas evitadas de mortalidad animal

En el presente ejemplo se describen las medidas adoptadas para calcular las pérdidas evitadas de mortalidad animal.

Calcular el número total de cabras que posee cada hogar. El número debería incluir las cabras que se tenían antes del inicio de las intervenciones de los proyectos más las cabras compradas durante los proyectos.

Para cada hogar, calcular la tasa de mortalidad (TM) de las cabras dividiendo el número de cabras que murieron debido a la sequía entre el número total de cabras que se poseían:

Calcular la tasa de mortalidad media de las cabras correspondiente a toda la muestra de beneficiarios y a toda la muestra de control. Nota: los hogares que no poseen cabras no deberían incluirse en el cálculo de tasas de mortalidad media de las cabras.

Calcular la diferencia entre las tasas medias de mortalidad de las cabras de las muestras de beneficiarios y de control.

Calcular el número total adicional de cabras que sobrevivieron (o murieron) a lo largo de la duración del proyecto. Multiplicar por el número total de cabras que poseen los hogares beneficiarios.

Calcular el valor del número adicional de cabras que sobrevivieron (o murieron) a lo largo de la duración del proyecto utilizando el precio medio del mercado de cabras durante el período de ejecución del proyecto.

Calcular el valor de los animales salvados por hogar.

Etapa 4: La relación beneficio-costo

La relación beneficio-costo se calcula como la relación entre los costos totales por hogar beneficiario y la suma de todos los beneficios añadidos y pérdidas evitadas calculados a partir de las respuestas indicadas por los hogares beneficiarios y de control. Se realiza el análisis de sensibilidad mediante la modificación de algunos de los principales supuestos adoptados en los cálculos de la relación beneficio-costo y la evaluación de la variación de los resultados. En particular, se simulan las hipótesis más pesimistas y más optimistas.

En el CUADRO 10 se ofrece un ejemplo de cómo se calcularía esto a partir de los costos de un proyecto, los beneficios acumulados totales y las pérdidas evitadas.

CUADRO 10 COSTOS Y BENEFICIOS POR HOGAR

Fuente: Elaboración de los autores.

ANEXO TÉCNICO 5 METODOLOGÍA PARA CALCULAR LAS PÉRDIDAS EVITADAS GRACIAS A LAS INTERVENCIONES ANTE LOS BROTES DE LANGOSTA DEL DESIERTO FUNDAMENTADAS EN LOS RIESGOS

Sobre la base de la experiencia adquirida con la ejecución de la operación para combatir la plaga de la langosta del desierto, se elaboró una nueva metodología para calcular el rendimiento de la inversión de las intervenciones de la FAO fundamentadas en los riesgos, a partir de diversas consideraciones y supuestos. Se consultaron el manual de la FAO sobre la langosta y el manual de pronóstico de la langosta del desierto de la FAO a fin de conocer las necesidades alimentarias de la langosta del desierto y la densidad media de los enjambres y bandas. El perfil de las operaciones de control derivado de estas fuentes se utilizó para determinar el tamaño de los enjambres, las zonas infestadas, las zonas tratadas y las pérdidas evitadas de materia verde/vegetación gracias a las zonas protegidas.

Necesidades alimentarias de la langosta del desierto (manual de la FAO sobre la langosta y manual de pronóstico de la langosta del desierto de la FAO):

Consumo de un adulto (durante toda la vida) = 60 gr de materia verde o vegetación
Consumo de una ninfa (durante toda la vida) = 3,7 gr de materia verde o vegetación

Considerando la densidad media de los enjambres y bandas (manual de pronóstico de la langosta del desierto y Directrices de la FAO sobre la langosta del desierto, biología y comportamiento), se estima que las necesidades de consumo por hectárea son:

Consumo del enjambre (durante toda la vida)/ha = 36 toneladas de materia verde/vegetación
Consumo de la banda de ninfas (durante toda la vida)/ha = 4 toneladas de materia verde/vegetación

Perfil de las operaciones de control
En los informes sobre el terreno se proporcionaron detalles sobre la naturaleza de la operación de control (en el aire y el suelo) y la relación saltón-enjambre. En los informes sobre los dos años de operación de control se indicó que el 80 % de las hectáreas tratadas se infestó con enjambres maduros e inmaduros, mientras que el 20 % de las zonas tratadas se infestó con ninfas en distintas etapas (del primer estadio al quinto).

A partir de esta información, cada vez que se trata una hectárea, hay unas 30 toneladas de materia verde y vegetación que no son consumidas por las langostas del desierto (protegidas).

La materia verde productiva
A fin de estimar las pérdidas y repercusiones que afectan a los medios productivos de los agricultores, los agropastores y los pastores, es necesario introducir (adoptar) el concepto de materia verde y vegetación productiva. Consideramos vegetación productiva cualquier especie apetitosa (para los animales) presente en el terreno de pasto o las explotaciones y las especies utilizadas directamente como alimento (para los seres humanos).

Supuesto 1: Se estima que durante su vida las langostas del desierto obtendrán solo el 50 % de sus necesidades dietéticas de la materia verde y la vegetación productiva, mientras que la otra mitad procederá de las hojas de especies no apetitosas o no productoras de alimentos.
Supuesto 2: Examinando la cobertura media del suelo de las zonas donde las langostas del desierto han estado más presentes durante el recrudecimiento actual, se estima que del total de la materia verde y vegetación productiva consumida, el 70 % procede de terrenos de pasto y el 30 % de terrenos agrícolas.

Del consumo de langostas del desierto a la pérdida de terrenos de pasto y cultivos
A partir de estos supuestos y de las consideraciones que seguirán, es posible calcular cuántos terrenos de pasto y tierras agrícolas puede destruir una hectárea de langostas del desierto (ninfas y enjambres) a lo largo de su ciclo biológico.

Consideración 1. Valor de productividad media de los terrenos de pasto situado en 0,75 t/ha en África oriental²⁶⁵.

Consideración 2. Tierras de cultivo protegidas en el Cuerno de África, aplicando 3 t/ha como relación del rendimiento medio del forraje verde y considerando una relación hoja-tallo de 0,49.

Consideración 3. Producción media de cereales (principales cultivos de las zonas áridas y semiáridas): 1,3 toneladas y una reducción aproximada del 50 % del rendimiento debido a la langosta del desierto.

Consideración 4. Capacidad de carga de una unidad ganadera tropical por hectárea de terrenos de pasto y una reducción aproximada del 60 % de la capacidad de carga debido a las langostas del desierto. Se estima una reducción del 60 % (en el caso de una infestación de langostas del desierto) tomando en consideración las observaciones sobre el terreno.

Consideración 5. Se utiliza el número de 4,5 unidades ganaderas tropicales por hectárea como media de la región.

Consideración 6. Se utiliza el valor de 300 USD como precio promedio por tonelada de cereales.

Consideración 7. Se utiliza 150 kg como la necesidad media de cereales por persona y año.

Cita requerida:
FAO. 2024. Repercusiones de los desastres en la agricultura y la seguridad alimentaria 2023: Evitar y reducir las pérdidas mediante la inversión en la resiliencia. Roma. https://doi.org/10.4060/cc7900es

Las denominaciones empleadas en este producto informativo y la forma en que aparecen presentados los datos que contiene no implican, por parte de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO), juicio alguno sobre la condición jurídica o nivel de desarrollo de países, territorios, ciudades o zonas, respecto de sus autoridades, ni respecto de la delimitación de sus fronteras o demarcaciones. Las líneas discontinuas en los mapas representan fronteras aproximadas respecto de las cuales puede que no haya todavía pleno acuerdo. La mención de empresas o productos de fabricantes en particular, estén o no patentados, no implica que la FAO los apruebe o recomiende de preferencia a otros de naturaleza similar que no se mencionan.

De acuerdo con las condiciones de la licencia, se permite copiar, redistribuir y adaptar la obra, siempre que se cite correctamente. En ningún uso que se haga de esta obra debe darse a entender que la FAO refrenda una organización, productos o servicios específicos. No está permitido utilizar el logotipo de la FAO. Si la obra se traduce, debe añadirse el siguiente descargo de responsabilidad junto a la cita requerida: “La presente traducción no es obra de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). La FAO no se hace responsable del contenido ni de la exactitud de la traducción. La edición original en inglés será el texto autorizado”.

Todo contencioso, controversia o reclamación derivados del presente acuerdo o en relación con el mismo se resolverán de mutuo acuerdo entre las partes. Si las partes no logran alcanzar un acuerdo sobre cualquier cuestión litigiosa, o sobre una forma de resolución distinta del arbitraje, cada una de ellas tendrá derecho a solicitar un arbitraje de conformidad con el Reglamento de Arbitraje de la Comisión de las Naciones Unidas para el Derecho Mercantil Internacional (CNUDMI) vigente en la fecha del presente acuerdo. Cualquier decisión o laudo arbitral que se dicte de conformidad con lo establecido en esta cláusula será considerado como adjudicación definitiva y vinculante para las partes.

Materiales y fotografías de terceros. Si se desea reutilizar material contenido en esta obra que sea propiedad de terceros, por ejemplo, cuadros, gráficos o imágenes, corresponde al usuario determinar si se necesita autorización para tal reutilización y obtener la autorización del titular de los derechos de autor. El riesgo de que se deriven reclamaciones de la infracción de los derechos de uso de un elemento que sea propiedad de terceros recae exclusivamente sobre el usuario. Las fotografías que puedan aparecer en esta obra no están sujetas a la licencia de Creative Commons mencionada anteriormente. Las solicitudes de uso de todas las fotografías deben remitirse a: photo-library@fao.org.

Ventas, derechos y licencias. Los productos informativos de la FAO están disponibles en la página web de la Organización (www.fao.org/publications/es) y pueden adquirirse dirigiéndose a publications-sales@fao.org. Las solicitudes de uso comercial deben enviarse a través de la siguiente página web: www.fao.org/contact-us/licence-request. Las consultas sobre derechos y licencias deben enviarse a: copyright@fao.org.

EL REINO DE LOS PAÍSES BAJOS. Una media de 12 000 hectáreas de cultivos como el algodón, el maíz y la nuez se ven afectadas por las lluvias y el desbordamiento de los ríos.

¹ Asamblea General de las Naciones Unidas. 2016. Informe del grupo de trabajo intergubernamental de expertos de composición abierta sobre los indicadores y la terminología relacionados con la reducción del riesgo de desastres. Septuagésimo primer período de sesiones. Tema 19 c) del programa. Desarrollo sostenible: reducción del riesgo de desastres. Nueva York (EE. UU.), Naciones Unidas. https://digitallibrary.un.org/record/852089?ln=es
² Base de datos sobre catástrofes (EM-DAT). 2023. Disasters in numbers 2022. En: CRED. Bruselas. https://cred.be/sites/default/files/2022_EMDAT_report.pdf
³ Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastres (UNDRR) y Consejo Científico Internacional (ISC). 2020. Hazard Definition & Classification Review. Technical Report. Ginebra, UNDRR y París, ISC. www.preventionweb.net/artDownload=true
⁴ Asamblea General de las Naciones Unidas. 2016. Informe del grupo de trabajo intergubernamental de expertos de composición abierta sobre los indicadores y la terminología relacionados con la reducción del riesgo de desastres. Septuagésimo primer período de sesiones. Tema 19 c) del programa. Desarrollo sostenible: reducción del riesgo de desastres. Nueva York (EE. UU.), Naciones Unidas. https://digitallibrary.un.org/record/852089?ln=es
⁵ Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC). 2022. Climate Change 2022 Impacts, Adaptation and Vulnerability. Working Group II Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama, coords., pág. 3056. Cambridge (Reino Unido) y Nueva York (EE. UU.), Cambridge University Press. doi.org.10.1017/9781009325844
⁶ Conforti, P., Markova, G. y Tochkov, D. 2020. FAO’s Methodology for Damage and Loss Assessment in Agriculture. Documento de trabajo n.° 19-17 de la División de Estadística de la FAO. Roma, FAO. http://www.fao.org/3/ca6990en/CA6990EN.pdf
⁷ Holleman, C., Rembold, F., Crespo, O. y Conti, V. 2020. The impact of climate variability and extremes on agriculture and food security – An analysis of the evidence and case studies. Documento de antecedentes para El estado de la seguridad alimentaria y la nutrición en el mundo 2018. Estudio técnico de la FAO sobre Economía del Desarrollo Agrícola n.° 4. Roma, FAO. doi.org/10.4060/cb2415en
⁸ Banco Mundial. 2022. Pakistan: Flood Damages and Economic Losses Over USD 30 billion and Reconstruction Needs Over USD 16 billion – New Assessment. En: Banco Mundial. Washington, D. C. [Consultado en mayo de 2023]. www.worldbank.org/en/news/press-release/2022/10/28/pakistan-flood-damages-and-economic-losses-over-usd-30-billion-and-reconstruction-needs-over-usd-16-billion-new-assessme
⁹ National Centers for Environmental Information (NCEI). 2020. U.S. Billion-dollar Weather and Climate Disasters, 1980–present (NCEI Accession 0209268). En: NOAA. Washington, D. C. [Consultado el 13 de mayo de 2023]. doi.org/10.25921/stkw-7w73
¹⁰ Organización Internacional para las Migraciones (OIM). 2021. Corredor seco Honduras 2021: Línea base vulnerabilidad y sequía. En: OIM. Grand-Saconnex (Suiza). [Consultado el 5 de mayo de 2022]. https://dtm.iom.int/reports/l%C3%ADnea-base-vulnerabilidad-y-sequ%C3%ADa-corredor-seco-honduras-noviembre-2020
¹¹ Programa Mundial de Alimentos (PMA). 2021. Charting a New Regional Course of Action: The Complex Motivations and Costs of Central American Migration. Roma. www.wfp.org/publications/complex-motivations-and-costs-central-american-migration
¹² Alto Comisionado de las Naciones Unidas para los Refugiados (ACNUR). 2021. Cambio climático, otro factor que provoca desplazamiento en Honduras. En: ACNUR. Ginebra. [Consultado en noviembre de 2021]. www.acnur.org/noticias/stories/cambio-climatico-otro-factor-que-provoca-desplazamiento-en-honduras
¹³ Netherer, S., Panassiti, B., Pennerstorfer, J. y Matthews, B. 2019. Acute Drought Is an Important Driver of Bark Beetle Infestation in Austrian Norway Spruce Stands. Frontiers in Forests and Global Change, 2: 39. doi.org/10.3389/ffgc.2019.00039
¹⁴ Valadez, M. y de la Lama, G.M. 2023. Heat Stress in Cattle. Animal Behaviour and Welfare Cases. [Consultado el 31 de marzo de 2023]. doi.org/10.1079/abwcases.2023.0005
¹⁵ Thornton, P., Nelson, G., Mayberry, D. y Herrero, M. 2022. Impacts of heat stress on global cattle production during the 21st century: a modelling study. The Lancet Planetary Health, 6(3): e192-e201. doi.org/10.1016/S2542-5196(22)00002-X
¹⁶ Peng, S., Huang, J., Sheehy, J.E., Laza, R.C., Visperas, R.M., Zhong, X., Centeno, G.S., Khush, G.S. y Cassman, K.G. 2004. Rice yields decline with higher night temperature from global warming. Proceedings of the National Academy of Sciences, 101(27): 9971-9975. doi.org/10.1073/pnas.0403720101
¹⁷ Schlenker, W. y Roberts, M.J. 2009. Nonlinear temperature effects indicate severe damages to U.S. crop yields under climate change. Proceedings of the National Academy of Sciences, 106(37): 15594-15598. doi.org/10.1073/pnas.0906865106
¹⁸ Fernie, E., Tan, D.K.Y., Liu, S.Y., Ullah, N. y Khoddami, A. 2022. Post-Anthesis Heat Influences Grain Yield, Physical and Nutritional Quality in Wheat: A Review. Agriculture, 12(6): 886. doi.org/10.3390/agriculture12060886
¹⁹ Bishop, J., Bell, T., Huang, C. y Ward, M. 2021. Fire on the Farm: Assessing the impacts of the 2019–2020 bushfires on food and agricultures in Australia. Fondo Mundial para la Naturaleza (WWF). https://assets.wwf.org.au/image/upload/v1/website-media/resources/WWF_Report-Fire_on_the_Farm_converted
²⁰ Banco de Italia. 2022. Gli effetti del cambiamento climatico sull’economia italiana. Questioni di Economia e Finanza n.° 728. Roma. www.bancaditalia.it/pubblicazioni/qef/2022-0728/QEF_728_22.pdf
²¹ Brás, T.A., Seixas, J., Carvalhais, N. y Jägermeyr, J. 2021. Severity of drought and heatwave crop losses tripled over the last five decades in Europe. Environmental Research Letters, 16(6): 065012. doi.org/10.1088/1748-9326/abf004
²² Federación Internacional de Sociedades de la Cruz Roja y de la Media Luna Roja (IFRC). 2022. Mozambique: Tropical Cyclones Idai and Kenneth – Emergency Appeal n° MDRMZ014, Final Report. En: ReliefWeb. [Consultado en julio de 2023]. https://reliefweb.int/report/mozambique/mozambique-tropical-cyclones-idai-and-kenneth-emergency-appeal-ndeg-mdrmz014-final-report
²³ Plataforma Científica del Centro Común de Investigación (JRC). 2023. The EU 2022 wildfire season was the second worst on record. En: Comisión Europea. [Consultado el 10 de marzo de 2023]. https://joint-research-centre.ec.europa.eu/jrc-news-and-updates/eu-2022-wildfire-season-was-second-worst-record-2023-05-02_en
²⁴ You, S., Liu, T., Zhang, M., Zhao, X., Dong, Y., Wu, B., Wang, Y. et al. 2021. African swine fever outbreaks in China led to gross domestic product and economic losses. Nature Food, 2021(10): 802-808. doi.org/10.1038/s43016-021-00362-1
²⁵ PMA. 2022. Pakistan Country Brief, October 2022. Roma. https://reliefweb.int/p-pakistan-country-brief-october-2022
²⁶ FAO. 2023. Terremotos en Türkiye: la evaluación inicial indica pérdidas de más del 20 % en la producción alimentaria. En: FAO. Roma. [Consultado el 10 de marzo de 2023]. www.fao.org/newsroom/detail/turkiye-earthquakes-initial-assessment-indicates-losses-of-more-than-20-percent-in-food-production/es
²⁷ Banco Asiático de Desarrollo. 2021. Asian Development Outlook 2021 Update: Transforming Agriculture in Asia. Manila. www.adb.org/sites/default/files/publication/726556/ado2021-update.pdf
²⁸ Grupo del Banco Africano de Desarrollo. 2016. Feed Africa: Strategy for Agricultural Transformation in Africa. 2016–2025. Abiyán. www.afdb.org/en/documents/document/feed-africa-strategy-for-agricultural-transformation-in-africa-2016-2025-89888
²⁹ FAO, Fondo Internacional de Desarrollo Agrícola (FIDA), Organización Mundial de la Salud (OMS), PMA y Fondo de las Naciones Unidas para la Infancia (UNICEF). 2023. El estado de la seguridad alimentaria y la nutrición en el mundo 2023. Urbanización, transformación de los sistemas agroalimentarios y dietas saludables a lo largo del continuo rural-urbano. Roma, FAO. doi.org/10.4060/cc3017es
³⁰ Kunbhar, Z. 2022. Floods after drought devastate Sindh’s Agriculture. En: The Third Pole. [Consultado el 26 de agosto de 2022]. www.thethirdpole.net/en/food/floods-after-drought-devastate-sindh-agriculture/
³¹ Gobierno del Pakistán. 2022. Pakistan Meteorological Department: Drought Alert-1 (16 May 2022). En: Reliefweb. [Consultado en mayo de 2023]. https://reliefweb.int/report/pakistan/pakistan-meteorological-department-drought-alert-i-16-may-2022
³² Mushtaq, F., Ali, M., Ghosh, A., Jalal, R., Asghar, A., Dadhich, G., Chiozza, F. et al. 2022. A rapid geospatial flood impact assessment in Pakistan. Roma, FAO. https://www.fao.org/geospatial/resources/detail/en/c/1629466/
³³ Gobierno del Pakistán. 2022. Pakistan Floods 2022: Post-Disaster Needs Assessment. En: Reliefweb. [Consultado en mayo de 2023]. https://reliefweb.int/report/pakistan/pakistan-floods-2022-post-disaster-needs-assessment
³⁴ Kugelman, M. 2022. Foreign Policy, Pakistan’s Flood Crisis Could Become a Food Crisis. En: Foreign Policy. 8 de septiembre de 2022. https://foreignpolicy.com/2022/09/08/pakistan-floods-food-security-crisis/
³⁵ Comité Internacional de Rescate (IRC). 2023. Six months on since the Pakistan floods, 8.6 million people are facing hunger: IRC calls for world leaders to address the imbalance of climate change. En: IRC. [Consultado en mayo de 2023]. www.s-release/six-months-pakistan-floods-86-million-people-are-facing-hunger-irc-calls-world
³⁶ Clasificación Integrada de la Seguridad Alimentaria en Fases (CIF). 2022. Khyber Pakhtunkhwa, Pakistan: IPC Acute Food Insecurity Analysis July – December 2022. En: Reliefweb. [Consultado en mayo de 2023]. https://reliefweb.int/report/r-pakhtunkhwa-pakistan-ipc-acute-food-insecurity-analysis-july-december-2022-published-december-30-2022
³⁷ Observatorio de Desplazamiento Interno (IDMC). 2023. Informe Global sobre Desplazamiento Interno de 2023. Ginebra, IDMC. www.internal-displacement.org/global-report/grid2023/#spanish
³⁸ IFRC. 2022. Central America: Hurricanes Eta & Iota – Final Report (MDR43007). IFRC. https://reliefweb.int/report/guatemala/central-america-hurricanes-eta-iota-final-report-mdr43007
³⁹ Ruiz Soto, A.G., Bottone, R., Waters, J., Williams, S., Louie, A. y Wang, Y. 2021. Charting a New Regional Course of Action: The Complex Motivations and Costs of Central American Migration. Migration Policy Institute. www.i-wfp-mit_migration-motivations-costs_final.pdf
⁴⁰ Rubi, M. y Gaynor, T. 2021. In Honduras, climate change is one more factor sparking displacement. En: ACNUR. Ginebra. [Consultado en marzo de 2023]. https://www.unhcr.org/news/stories/honduras-climate-change-one-more-factor-sparking-displacement
⁴¹ Organización Internacional del Trabajo (OIT). 2023. Employment by sex and age (thousands) – Annual. En: ILOSTAT. Ginebra. [Consultado en marzo de 2023]. www.ilo.org/shinyapps/bulkexplorer53/?lang=en&segment=indicator&id=EMP_TEMP_SEX_AGE_NB_A
⁴² Botreau, H. y Cohen, M.J. 2019. Gender inequalities and food insecurity: Ten years after the food price crisis, why are women farmers still food-insecure? Oxfam. http://hdl.handle.net/10546/620841
⁴³ FAO. 2021. The impact of disasters and crises on agriculture and food security: 2021. Roma. doi.org/10.4060/cb3673en
⁴⁴ Gobierno del Pakistán. 2023. Introduction. En: Pakistan Bureau of Statistics. [Consultado en marzo de 2023]. www.pbs.gov.pk/content/agriculture-statistics#:~:text=It%20contributes%20about%2024%20percent,source%20of%20foreign%20exchange%20earnings
⁴⁵ OIT. 2023. Employment by sex and age (thousands) – Annual. En: ILOSTAT. Ginebra. [Consultado en marzo de 2023]. www.ilo.org/shinyapps/bulkexplorer53/?lang=en&segment=indicator&id=EMP_TEMP_SEX_AGE_NB_A
⁴⁶ Chowdhury, J.R., Parida, Y. y Agarwal, P. 2022. How flood affects rural employment in India: A gender analysis. International Journal of Disaster Risk Reduction, 73: 102881. doi.org/10.1016/j.ijdrr.2022.102881
⁴⁷ Programa de las Naciones Unidas para el Desarrollo (PNUD). 2023. Multidimensional Vulnerability Index. En: PNUD. Nueva York (EE. UU.). [Consultado en julio de 2023]. https://data.undp.org/sids/app/vulnerability/mvi-index/spider
⁴⁸ Maino, R. y Emrullahu, D. 2022. Climate Change in sub-Saharan Africa Fragile States: Evidence from Panel Estimations. IMF Working Papers, 2022(054): 1. doi.org/10.5089/9798400204869.001
⁴⁹ Molua, E.L. 2009. An empirical assessment of the impact of climate change on smallholder agriculture in Cameroon. Global and Planetary Change, 67(3-4): 205-208. doi.org/10.1016/j.gloplacha.2009.02.006
⁵⁰ Mazhin, SA., Farrokhi, M., Noroozi, M., Roudini, J., Hosseini, S.A., Motlagh, M.E., Kolivand, P. et al. Worldwide disaster loss and damage databases: A systematic review. Journal of Education and Health Promotion. 2021 Sep 30;10:329. doi.org/10.4103/jehp.jehp_1525_20
⁵¹ UNDRR. 2016. Report of the open-ended intergovernmental expert working group on indicators and terminology relating to disaster risk reduction. UNDRR. www.preventionweb.net/publication/report-open-ended-intergovernmental-expert-working-group-indicators-and-terminology
⁵² Abbade, E.B. 2015. Environmental impacts of food supply and obesogenic severity worldwide. British Food Journal, 117(12): 2863-2879. doi.org/10.1108/BFJ-12-2014-0404
⁵³ Organización Meteorológica Mundial (OMM). 2023. Economic costs of weather-related disasters soars but early warnings save lives. En: OMM. Ginebra. [Consultado en marzo de 2023]. https://public.wmo.int/en/media/press-release/economic-costs-of-weather-related-disasters-soars-early-warnings-save-lives
⁵⁴ Jones, R.L., Guha-Sapir, D. y Tubeuf, S. 2022. Human and economic impacts of natural disasters: can we trust the global data? Scientific Data, 9(1): 572. doi.org/10.1038/s41597-022-01667-x
⁵⁵ Centro de Investigación sobre la Epidemiología de los Desastres (CRED) y UNDRR. 2018. Economic Losses, Poverty & Disasters 1998-2017. https://reliefweb.int/report/world/economic-losses-poverty-disasters-1998-2017
⁵⁶ UNDRR. 2022. Global Assessment Report on Disaster Risk Reduction – Our World at Risk: Transforming Governance for a Resilient Future. Ginebra. www.undrr.org/GAR2022
⁵⁷ FAO. 2018. The impact of disasters and crises on agriculture and food security 2017. Roma. https://www.fao.org/3/I8656EN/i8656en.pdf
⁵⁸ Banco Mundial y FAO. 2018. Rebuilding Resilient and Sustainable Agriculture in Somalia (Overview). Somalia Country Economic Memorandum Volume 1. Roma, FAO. https://www.fao.org/documents/card/en?details=I8842EN%2f
⁵⁹ Secretaría de la CIPF. 2021. Revisión científica del impacto del cambio climático en las plagas de las plantas. Un desafío mundial en la prevención y la mitigación de los riesgos de plagas en la agricultura, la silvicultura y los ecosistemas. FAO en nombre de la Secretaría de la CIPF. doi.org/10.4060/cb4769es
⁶⁰ Goergen, G., Kumar, P.L., Sankung, S.B., Togola, A. y Tamò, M. 2016. First Report of Outbreaks of the Fall Armyworm Spodoptera frugiperda (J E Smith) (Lepidoptera, Noctuidae), a New Alien Invasive Pest in West and Central Africa. PLoS ONE, 11(10): e0165632. doi.org/10.1371/journal.pone.0165632
⁶¹ Kenis, M., Benelli, G., Biondi, A., Calatayud, P.-A., Day, R., Desneux, N., Harrison, R.D. et al. 2022. Invasiveness, biology, ecology, and management of the fall armyworm, Spodoptera frugiperda. Entomologia Generalis, 102198. doi.org/10.1127/entomologia/2022/1659
⁶² Montezano, D.G., Specht, A., Sosa-Gómez, D.R., Roque-Specht, V.F., Sousa-Silva, J.C., Paula-Moraes, S.V., Peterson, J.A. et al. 2018. Host Plants of Spodoptera frugiperda (Lepidoptera: Noctuidae) in the Americas. African Entomology, 26(2): 286–300. https://doi.org/10.4001/003.026.0286
⁶³ Day, R., Abrahams, P., Bateman, M., Beale, T., Clottey, V., Cock, M., Colmenarez, Y. et al. 2017. Fall Armyworm: Impacts and Implications for Africa. Outlooks on Pest Management, 28(5): 196–201. doi.org/10.1564/v28_oct_02
⁶⁴ Abrahams, P., Bateman, M., Beale, T., Clottey, V., Cock, M., Colemenarez, Y., Corniani, N. et al. 2017. Fall armyworm: impacts and implications for Africa. Evidence Note. 2. CABI. www.invasive-species.org/wp-content/W-Evidence-Note-October-2018.pdf
⁶⁵ Chimweta, M., Nyakudya, I.W., Jimu, L. y Bray Mashingaidze, A. 2020. Fall armyworm [Spodoptera frugiperda (J.E. Smith)] damage in maize: management options for flood-recession cropping smallholder farmers. International Journal of Pest Management, 66(2): 142-154. doi.org/10.1080/09670874.2019.1577514
⁶⁶ Baudron, F., Zaman-Allah, M.A., Chaipa, I., Chari, N. y Chinwada, P. 2019. Understanding the factors influencing fall armyworm (Spodoptera frugiperda J.E. Smith) damage in African smallholder maize fields and quantifying its impact on yield. A case study in Eastern Zimbabwe. Crop Protection, 120: 141-150. doi.org/10.1016/j.cropro.2019.01.028
⁶⁷ Overton, K., Maino, J.L., Day, R., Umina, P.A., Bett, B., Carnovale, D., Ekesi, S., Meagher, R. y Reynolds, O.L. 2021. Global crop impacts, yield losses and action thresholds for fall armyworm (Spodoptera frugiperda): A review. Crop Protection, 145: 105641. doi.org/10.1016/j.cropro.2021.105641
⁶⁸ Davis, F.M., Ng, S.S. y Williams, W.P. 1992. Visual rating scales for screening whorl-stage corn for resistance to fall armyworm. Technical bulletin – Mississippi Agricultural and Forestry Experiment Station (USA), 186:9.
⁶⁹ Murray, D.A.H., Clarke, M.B. y Ronning, D.A. 2013. The Current and Potential Costs of Invertebrate Pests in Grain Crops. Grains Research and Development Corporation. https://grdc.com.au/data/assets/pdf_file/0026/159281/grdcreportcurrentpotentialcostsinvertebratepests-feb2013pdf.pdf-QR-code-editpdf.pdf
⁷⁰ Zacarias, D.A. 2020. Global bioclimatic suitability for the fall armyworm, Spodoptera frugiperda (Lepidoptera: Noctuidae), and potential co-occurrence with major host crops under climate change scenarios. Climatic Change, 161(4): 555-566. doi.org/10.1007/s10584-020-02722-5
⁷¹ Ramasamy, M., Das, B. y Ramesh, R. 2022. Predicting climate change impacts on potential worldwide distribution of fall armyworm based on CMIP6 projections. Journal of Pest Science, 95(2): 841-854. doi.org/10.1007/s10340-021-01411-1
⁷² Tambo, J.A., Kansiime, M.K., Rwomushana, I., Mugambi, I., Nunda, W., Mloza Banda, C., Nyamutukwa, S. et al. 2021. Impact of fall armyworm invasion on household income and food security in Zimbabwe. Food and Energy Security, 10(2): 299-312. doi.org/10.1002/fes3.281
⁷³ Deshmukh, S., Pavithra, H.B., Kalleshwaraswamy, C.M., Shivanna, B.K., Maruthi, M.S. y Mota-Sanchez, D. 2020. Field Efficacy of Insecticides for Management of Invasive Fall Armyworm, Spodoptera frugiperda (J. E. Smith) (Lepidoptera: Noctuidae) on Maize in India. Florida Entomologist, 103(2): 221-227. doi.org/10.1653/024.103.0211
⁷⁴ Grande, F., Ueda, Y., Masangwi, S., Moltedo, A., Brivio, R., Selek, A., Vannuccini, S. et al. 2023. Global Nutrient Conversion Table for FAO Supply Utilization Accounts. Roma, FAO.
⁷⁵ Institute of Medicine. 1997. Dietary Reference Intakes for Calcium, Phosphorus, Magnesium, Vitamin D, and Fluoride. Washington, D. C., The National Academies Press. https://nap.nationalacademies.org/catalog/5776/dietary-reference-intakes-for-calcium-phosphorus-magnesium-vitamin-d-and-fluoride
⁷⁶ Institute of Medicine. 1998. Dietary Reference Intakes for Thiamin, Riboflavin, Niacin, Vitamin B6, Folate, Vitamin B12, Pantothenic Acid, Biotin, and Choline. Washington, D. C., The National Academies Press. https://nap.nationalacademies.org/catalog/6015/dietary-reference-intakes-for-thiaminriboflavin-niacin-vitamin-b6-folate-vitamin-b12-pantothenic-acid-biotin-and-choline
⁷⁷ Institute of Medicine. 2000. Dietary Reference Intakes for Vitamin C, Vitamin E, Selenium, and Carotenoids. Washington, D. C., The National Academies Press. https://nap.nationalacademies.org/catalog/9810/dietary-reference-intakes-for-vitamin-c-vitamin-e-selenium-and-carotenoids
⁷⁸ Institute of Medicine. 2001. Dietary Reference Intakes for Vitamin A, Vitamin K, Arsenic, Boron, Chromium, Copper, Iodine, Iron, Manganese, Molybdenum, Nickel, Silicon, Vanadium, and Zinc. Washington, D. C., The National Academies Press. https://nap.nationalacademies.org/catalog/10026/dietary-reference-intakes-for-vitamin-a-vitamin-k-arsenic-boron-chromium-copper-iodine-iron-manganese-molybdenum-nickel-silicon-vanadium-and-zinc
⁷⁹ FAO. 2020. Evaluación de los recursos forestales mundiales 2020: Principales resultados. Roma. https://www.fao.org/3/CA8753ES/CA8753ES.pdf
⁸⁰ Bond, W.J., Woodward, F.I. y Midgley, G.F. 2005. The global distribution of ecosystems in a world without fire. New Phytologist, 165(2): 525-538. doi.org/10.1111/j.1469-8137.2004.01252.x
⁸¹ Bowman, D.M.J.S., Balch, J.K., Artaxo, P., Bond, W.J., Carlson, J.M., Cochrane, M.A., D’Antonio, C.M. et al. 2009. Fire in the Earth System. Science, 324(5926): 481-484. doi.org/10.1126/science.1163886
⁸² FAO. 2018. El estado de los bosques del mundo: Las vías forestales hacia el desarrollo sostenible. Roma. https://www.fao.org/3/i9535es/i9535es.pdf
⁸³ FAO y Programa de las Naciones Unidas para el Medio Ambiente (PNUMA). 2020. El estado de los bosques del mundo 2020: Los bosques, la biodiversidad y las personas. Roma, FAO y Nairobi, PNUMA. https://doi.org/10.4060/ca8642es
⁸⁴ Doerr, S.H. y Santín, C. 2016. Global trends in wildfire and its impacts: perceptions versus realities in a changing world. Philosophical Transactions of the Royal Society B: Biological Sciences, 371(1696): 20150345. doi.org/10.1098/rstb.2015.0345
⁸⁵ Giglio, L., Randerson, J.T., Van Der Werf, G.R., Kasibhatla, P.S., Collatz, G.J., Morton, D.C. y DeFries, R.S. 2010. Assessing variability and long-term trends in burned area by merging multiple satellite fire products. Biogeosciences, 7(3): 1171-1186. doi.org/10.5194/bg-7-1171-2010
⁸⁶ van Lierop, P., Lindquist, E., Sathyapala, S. y Franceschini, G. 2015. Global forest area disturbance from fire, insect pests, diseases and severe weather events. Forest Ecology and Management, 352: 78-88. doi.org/10.1016/j.reco.2015.06.010
⁸⁷ Sistema Mundial de Información sobre Incendios Forestales (GWIS). 2022. Country Profile. En: GWIS. [Consultado en enero de 2023]. https://gwis.jrc.ec.europa.eu/apps/country.profile
⁸⁸ Chuvieco, E., Roteta, E., Sali, M., Stroppiana, D., Boettcher, M., Kirches, G., Storm, T. et al. 2022. Building a small fire database for Sub-Saharan Africa from Sentinel-2 high-resolution images. Science of The Total Environment, 845: 157139. doi.org/10.1016/j.scitotenv.2022.157139
⁸⁹ PNUMA y GRID-Arendal. 2022. Spreading like Wildfire: The Rising Threat of Extraordinary Landscape Fires. A UNEP Rapid Response Assessment. Nairobi. www.g-wildfire-rising-threat-extraordinary-landscape-fires
⁹⁰ IPCC. 2019. Special Report: Climate Change and Land. Special Report. Ginebra. www.ipcc.ch/srccl/
⁹¹ Flannigan, M.D., Krawchuk, M.A., De Groot, W.J., Wotton, B.M. y Gowman, L.M. 2009. Implications of changing climate for global wildland fire. International Journal of Wildland Fire, 18(5): 483. doi.org/10.1071/WF08187
⁹² Boschetti, L., Sparks, A., Roy, D.P., Giglio, L. y San-Miguel-Ayanz, J. 2020. GWIS national and sub-national fire activity data from the NASA MODIS Collection 6 Burned Area Product in support of policy making, carbon inventories and natural resource management, developed under NASA Applied Sciences grant #80NSSC18K0400. Using the NASA Polar Orbiting Fire Product Record to Enhance and Expand the Global Wildfire Information System (GWIS). https://gwis.jrc.ec.europa.eu/apps/country.profile/downloads
⁹³ Comisión Europea, Centro Común de Investigación. 2022. Pan-European wildfire risk assessment. Publicaciones de la UE. https://data.europa.eu/doi/10.2760/9429
⁹⁴ Bowman, D.M.J.S., Williamson, G.J., Abatzoglou, J.T., Kolden, C.A., Cochrane, M.A. y Smith, A.M.S. 2017. Human exposure and sensitivity to globally extreme wildfire events. Nature Ecology & Evolution, 1(3): 1-6. doi.org/10.1038/s41559-016-0058
⁹⁵ FAO. 2019. FAO Strategy on Forest Fire Management. Roma. www.fao.org/forestry/49772-0e64392e1b1612496733b6cbd84417.pdf
⁹⁶ Haubrock, P.J., Turbelin, A.J., Cuthbert, R.N., Novoa, A., Taylor, N.G., Angulo, E., Ballesteros-Mejia, L. et al. 2021. Economic costs of invasive alien species across Europe. NeoBiota, 67: 153-190. doi.org/10.3897/eobiota.67.58196
⁹⁷ Servicio forestal del Departamento de Agricultura de los Estados Unidos (USDA). 2009. Major Forest Insect and Disease Conditions in the United States: 2009 Update. USDA Forest Service FS-952. www.fs.usda.gov/foresthealth/publications/ConditionsReport_2009.pdf
⁹⁸ Pimentel, D., Lach, L., Zuniga, R. y Morrison, D. 2000. Environmental and Economic Costs of Nonindigenous Species in the United States. BioScience, 50(1): 53. [0053:EAECON]2.3.CO;2. https://entnemdept.ufl.edu/Hodges/als4161/Secure/PDF%20Files/Articles/Environmental_/and_Economic.pdf
⁹⁹ Fei, S., Morin, R.S., Oswalt, C.M. y Liebhold, A.M. 2019. Biomass losses resulting from insect and disease invasions in US forests. Proceedings of the National Academy of Sciences, 116(35): 17371-17376. doi.org/10.1073/pnas.1820601116
¹⁰⁰ Turner, J.A., Buongiorno, J., Zhu, S., Prestemon, J.P., Li, R. y Bulman, L.S. 2007. Modelling the impact of the exotic forest pest Nectria on the New Zealand forest sector and its major trading partners. New Zealand Journal of Forestry Science, 37(3): 383-411. www.srs.fs.usda.gov/pubs/ja/ja_turner009.pdf
¹⁰¹ Williams, F., Eschen, R., Harris, A., Djeddour, D., Pratt, C., Shaw, R.S., Varia, S. et al. 2010. The economic cost of invasive non-native species on Great Britain. Wallingford (Reino Unido), CABI. www.cabi.org/VetMedResource/book/20123122024
¹⁰² Commonwealth de Australia. 2018. Australia’s State of the Forests Report 2018. Camberra, Department of Agriculture and Water Resources, ABARES. https://www.agriculture.gov.au/abares/forestsaustralia/sofr/sofr-2018
¹⁰³ Wills, A.J. y Farr, J.D. 2017. Gumleaf skeletoniser Uraba lugens (Lepidoptera: Nolidae) larval outbreaks occur in high rainfall Western Australian jarrah (Eucalyptus marginata) forest after drought: Uraba lugens dryness index. Austral Entomology, 56(4): 424-432. doi.org/10.1111/aen.12255
¹⁰⁴ Cameron, N.L., Carnegie, A.J., Wardlaw, T., Lawson, S. y Venn, T. 2018. Economic appraisal of Sirex Wood Wasp (Sirex noctilio) control in Australian pine plantations. Australian Forestry, 81(1): 37-45. doi.org/10.1080/00049158.2018.1430436
¹⁰⁵ Nahrung, H.F. y Carnegie, A.J. 2020. Non-native Forest Insects and Pathogens in Australia: Establishment, Spread, and Impact. Frontiers in Forests and Global Change, 3: 37. doi.org/10.3389/ffgc.2020.00037
¹⁰⁶ Mota, M.M. y Vieira, P., coords. 2008. Pine Wilt Disease: A Worldwide Threat to Forest Ecosystems. Dordrecht (Reino de los Países Bajos), Springer. doi.org/10.1007/978-1-4020-8455-3
¹⁰⁷ Forest Agency. 2020. Annual Report on Forest and Forestry in Japan. Tokio, Japón. www.maff.go.jp/e/data/publish/attach/pdf/index-208.pdf
¹⁰⁸ Natural Resources Canada. 2020. The State of Canada’s Forests. Annual Report 2020. Ottawa, Canada Forest Service. https://cfs.nrcan.gc.ca/publications?id=40219
¹⁰⁹ Gómez, D.F., Sathyapala, S. y Hulcr, J. 2020. Towards Sustainable Forest Management in Central America: Review of Southern Pine Beetle (Dendroctonus frontalis Zimmermann) Outbreaks, Their Causes, and Solutions. Forests, 11(2): 173. doi.org/10.3390/f11020173
¹¹⁰ Billings, R. 2015. Second evaluation of a major pine beetle outbreak in Honduras and recommendations for direct control. Informe inédito. USDA Forest Service/International Programs and US Agency for International Development.
¹¹¹ Billings, R. 2019. Technical assistance visit to the Dominican Republic to evaluate and make recommendations for direct control of an outbreak of the pine bark beetle Ips calligraphus. Informe inédito. College Station, Texas (Estados Unidos), USDA Forest Service/International Programs, Texas Forest Service.
¹¹² Jiménez G., A.A., Cordón Cabrera, P.R. y Agramonte, J.E. 2022. Fluctuación poblacional de Ips calligraphus en pinares de la vertiente norte de la cordillera Central, República Dominicana. Novitates Caribaea, (20): 137-154. doi.org/10.33800/nc.vi20.314
¹¹³ Hernández Paz, M. 1975. El gorgojo de la corteza, plaga principal de los pinares. Corporación Hondureña de Desarrollo Forestal.
¹¹⁴ Billings, R. 1982. Evaluation and recommendations for control of the 1982 outbreak of Dendroctonus in the pine forests of Honduras. Informe inédito. Lufkin, Texas, Departamento de Agricultura de los Estados Unidos (USDA), Office of International Cooperation and Development/Agencia de los Estados Unidos para el Desarrollo Internacional (USAID).
¹¹⁵ Macias Sámano, J.E., Billings, R.F. y Espino Mendoza, V. 2017. Guía para implementar el método de cortar y dejar y la franja de contención como medios de control del gorgojo descortezador del pino, Dendroctonus frontalis, en Centroamérica y México. Washington, D. C. y Tegucigalpa (Honduras), Instituto Nacional de Conservación y Desarrollo Forestal, Áreas Protegidas y Vida Silvestre (Tegucigalpa, Honduras) y USDA Forest Service, International Programs.
¹¹⁶ Billings, R., Clarke, S.R., Espino Mendoza, V., Cordón Cabrera, P., Meléndez Figueroa, B., Ramón Campos, J. y Baeza, G. 2004. Gorgojo descortezador e incendios: una combinación devastadora para los pinares de América Central. Unasylva, 55: 10-15. https://www.fao.org/3/y5507s/y5507s05.htm
¹¹⁷ Paveglio, T.B., Brenkert-Smith, H., Hall, T. y Smith, A.M.S. 2015. Understanding social impact from wildfires: advancing means for assessment. International Journal of Wildland Fire, 24(2): 212. doi.org/10.1071/WF14091
¹¹⁸ Walz, Y., Janzen, S., Narvaez, L., Ortiz-Vargas, A., Woelki, J., Doswald, N. y Sebesvari, Z. 2021. Disaster-related losses of ecosystems and their services. Why and how do losses matter for disaster risk reduction? International Journal of Disaster Risk Reduction, 63: 102425. doi.org/10.1016/j.ijdrr.2021.102425
¹¹⁹ FAO. 2022. El estado mundial de la pesca y la acuicultura 2022: Hacia la transformación azul. Roma. doi.org/10.4060/cc0461es
¹²⁰ Barange, M., Bahri, T., Beveridge, M.C.M., Cochrane, K.L., Funge-Smith, S. y Poulain, F. 2018. Impacts of climate change on fisheries and aquaculture. Synthesis of current knowledge, adaptation and mitigation options. Documento Técnico de Pesca y Acuicultura de la FAO, n.° 627. Roma, FAO. www.fao.org/3/i9705en/i9705en.pdf
¹²¹ Hampton, I., Githaiga-Mwicigi, J., Lamberth, S., Pitcher, G.C., Pretorius, M., Van Der Lingen, C. y Yemane, D. 2017. Report of the DAFF Workshop on Adaptation to Climate Change in the South African Marine Fisheries and Marine Aquaculture Sectors, 11–12 October 2016. Sea Point, Ciudad del Cabo (Sudáfrica), DAFF Research Aquarium. https://www.fao.org/3/2en/cc2822en.pdf
¹²² Ortega-Cisneros, K., Cochrane, K.L., Rivers, N. y Sauer, W.H.H. 2021. Assessing South Africa’s Potential to Address Climate Change Impacts and Adaptation in the Fisheries Sector. Frontiers in Marine Science, 8. www.frontiersin.org/articles/10.3389/fmars.2021.652955
¹²³ Karlson, B., Andersen, P., Arneborg, L., Cembella, A., Eikrem, W., John, U., West, J.J. et al. 2021. Harmful algal blooms and their effects in coastal seas of Northern Europe. Harmful Algae, 102: 101989. doi.org/10.1016/j.hal.2021.101989
¹²⁴ Departamento Forestal, de la Pesca y del Medio Ambiente (DFFE). 2019. National Climate Change Adaptation Strategy, Republic of South Africa. DFFE. www.dffe.gov.za/sites/default/files/docs/nationalclimatechange_adaptationstrategy_ue10november2019.pdf
¹²⁵ van Diemen, E. 2022. Situation Red Alert issued to recover live rock lobster after mass red tide walkout. En: Daily Maverick. [Consultado en julio de 2023]. www.dailymaverick.co.za/article/2022-03-04-situation-red-alert-issued-to-recover-live-rock-lobster-after-mass-red-tide-walkout/
¹²⁶ Cockcroft, A.C. 2001. Jasus lalandii “walkouts” or mass strandings in South Africa during the 1990s: an overview. Marine and Freshwater Research, 52(8): 1085. doi.org/10.1071/MF01100
¹²⁷ Cockcroft, A.C. y Payne, A.I.L. 1999. A cautious fisheries management policy in South Africa: the fisheries for rock lobster. Marine Policy, 23(6): 587-600. https://doi.org/10.1016/S0308-597X(98)00045-1
¹²⁸ Eggers, J., Cochrane, K. y Sauer, W. 2022. Estimating the economic income and social contributions derived from the South African west coast rock lobster fishery. African Journal of Marine Science, 44(3): 255-269. doi.org/32X.2022.2104926
¹²⁹ Philippines Office of Civil Defense and Humanitarian Country Team. 2019. Typhoon Kammuri (Tisoy) Joint Rapid Assessment of Impact and Needs. www.humanitarianresponse.info/sites/www.humanitarianresponse.info/t_report_rev.pdf
¹³⁰ Philippines Office of Civil Defense and Humanitarian Country Team. 2020. Super Typhoon Goni (Rolly) Humanitarian Needs and Priorities. https://reliefweb.int/attachments/50a2637e-bfcb-3452-ab40-4a7c0a99cd32/PHL-TyphoonGoni-HumanitarianNeedsPriorities-201109.pdf
¹³¹ FAO. 2022. Philippines: Damages and needs assessment of families affected by Super Typhoon Rai (“Odette”) in selected provinces of Region VIII and Region XIII. Roma. doi.org/10.4060/cc0207en
¹³² Philippines Office of Civil Defense and Humanitarian Country Team. 2022. Consolidated Needs Assessment Report Revision: Super Typhoon Rai (Odette). https://reliefweb.int/attachments/810f3297-b89d-3088-b589- 6ecb34cc58c8/2022%20Consolidated%20Needs%20Assessment%20Report%20Revision%20-%20Super%20Typhoon%20Rai%20-%20Philippines%20%281%29.pdf
¹³³ Tonga Statistics Department. 2023. National Accounts. En: Tonga Statistics Department. [Consultado en junio de 2023]. https://tongastats.gov.to/statistics/economics/national-accounts/
¹³⁴ Banco Mundial. 2023. Agriculture, forestry, and fishing, value added (constant 2015 US$) – Tonga. En: Banco Mundial. Washington, D. C. [Consultado en junio de 2023]. https://data.worldbank.org/indicator/NV.AGR.TOTL.KD?locations=TO
¹³⁵ Tonga Statistics Department. 2023. Agriculture Census. En: Tonga Statistics Department. [Consultado en junio de 2023]. https://tongastats.gov.to/census/agriculture-census/
¹³⁶ Tonga Statistics Department. 2023. Household Income and Expenditure Survey. En: Tonga Statistics Department. [Consultado en junio de 2023]. https://tongastats.gov.to/survey/hies-survey/
¹³⁷ IPCC. 2019. Climate Change and Land: An IPCC special report on climate change, desertification, land degradation, sustainable land management, food security, and greenhouse gas fluxes in terrestrial ecosystems. P.R. Shukla, J. Skea, E. Calvo Buendia, V. Masson-Delmotte, H.-O. Pörtner, D. C. Roberts, P. Zhai, R. Slade, S. Connors, R. van Diemen, M. Ferrat, E. Haughey, S. Luz, S. Neogi, M. Pathak, J. Petzold, J. Portugal Pereira, P. Vyas, E. Huntley, K. Kissick, M. Belkacemi, J. Malley, coords. Ginebra. www.ipcc.ch/srccl/
¹³⁸ IPCC. 2022. Cross Working Group Attribution. Hope, P., W. Cramer, M. van Aalst, G. Flato, K. Frieler, N. Gillett, C. Huggel, J. Minx, F. Otto, C. Parmesan, J. Rogelj, M. Rojas, S.I. Seneviratne, A. Slangen, D. Stone, L. Terray, R. Vautard, and X. Zhang. En: Climate Change 2022: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama, coords., págs. 149-152. Cambridge (Reino Unido) y Nueva York (EE. UU.). Cambridge University Press. https://report.ipcc.ch/ar6/wg2/IPCC_AR6_WGII_FullReport.pdf
¹³⁹ IPCC. 2021. Summary for Policymakers. En: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, págs. 423-553. Cambridge (Reino Unido) y Nueva York (EE. UU.), Cambridge University Press. https://report.ipcc.ch/ar6/wg1/IPCC_AR6_WGI_FullReport.pdf
¹⁴⁰ FAO. 2023. Cultivos y productos de ganadería. En: FAOSTAT. Roma. [Consultado en junio de 2023]. www.fao.org/faostat/es/#data/QCL
¹⁴¹ Gillett, N.P., Shiogama, H., Funke, B., Hegerl, G., Knutti, R., Matthes, K., Santer, B.D. et al. 2016. The Detection and Attribution Model Intercomparison Project (DAMIP v1.0) contribution to CMIP6, Geoscientific Model Development, 9, 3685-3697. doi.org/10.5194/gmd-9-3685-2016
¹⁴² Heath, M. 2022. Argentina soy belt drought awakens ghost of 2018 production “disaster”. En: Reuters. 10 de febrero de 2022. [Consultado el 16 de mayo de 2023]. www.reuters.com/business/environment/argentina-farm-belt-drought-awakens-ghost-2018-soybean-disaster-2022-02-10/
¹⁴³ Bureau of National Statistics Kazakhstan. 2022. Statistics of agriculture, forestry, hunting / and fisheries. https://stat.gov.kz
¹⁴⁴ North Africa Post. 2019. Morocco’s Central bank expects fewer wheat yield in 2019. En: North Africa Post. Rabat. [Consultado el 17 de marzo de 2023]. https://northafricapost.com/29126-moroccos-central-bank-expects-fewer-wheat-yield-in-2019.html
¹⁴⁵ FAO. 2023. Cultivos y productos de ganadería. En: FAOSTAT. Roma. [Consultado en junio de 2023]. https://www.fao.org/faostat/es/#data/QCL
¹⁴⁶ CRED. Emergency Events Database (EM-DAT), the international Disaster Database. En: CRED. [Consultado el 17 de marzo de 2023]. https://www.emdat.be/
¹⁴⁷ Cisse, G. y McLeman, R. 2022. Health, Wellbeing, and the Changing Structure of Communities. En: H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama, coords. Climate Change 2022: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge (Reino Unido) y Nueva York (EE. UU.), Cambridge University Press. https://www.ipcc.ch/report/ar6/wg2/downloads/report/IPCC_AR6_WGII_Chapter07.pdf
¹⁴⁸ FAO, FIDA, OMS, PMA y UNICEF. 2023. El estado de la seguridad alimentaria y la nutrición en el mundo 2023: Urbanización, transformación de los sistemas agroalimentarios y dietas saludables a lo largo del continuo rural-urbano. Roma, FAO. https://www.fao.org/documents/card/en/c/CC3017ES
¹⁴⁹ FAO, FIDA, OMS, PMA y UNICEF. 2020. El estado de la seguridad alimentaria y la nutrición en el mundo 2020: Transformación de los sistemas alimentarios para que promuevan dietas asequibles y saludables. Roma, FAO. https://doi.org/10.4060/ca9692es
¹⁵⁰ FAO. 2021. Niger | Moyens d’existence agricoles et sécurité alimentaire dans le cadre de la covid-19. Roma. doi.org/10.4060/cb4622fr
¹⁵¹ Ranjan Jena, P., Kalli, R. y Chandra Tanti, P. 2022. Impact of Covid-19 on Agricultural System and Food Prices: The Case of India. En: U. Bacha, coord. Rural Health. IntechOpen. https://doi.org/10.5772/intechopen.98905
¹⁵² FAO. 2021. Agricultural livelihoods and food security in the context of COVID-19: Results from household surveys in 11 countries with high pre-existing levels of food insecurity – Cross-country monitoring report. May 2021. Roma. doi.org/10.4060/cb4747en
¹⁵³ FAO. 2020. Second Rapid Assessment of Food and Nutrition Security in the Context of COVID-19 in Bangladesh: May – July 2020. Daca. doi.org/10.4060/cb1018en
¹⁵⁴ FAO. 2020. National agrifood systems and COVID-19 in Liberia. Effects, policy responses and long-term implications. Roma. doi.org/10.4060/cb2114en
¹⁵⁵ FAO. 2021. Liberia | Agricultural livelihoods and food security in the context of COVID-19: Monitoring Report – January 2021. Roma. doi.org/10.4060/cb3618en
¹⁵⁶ FAO y PMA. 2020. COVID-19 impacts on agri-food value chains: Libya. El Cairo, FAO y PMA. doi.org/10.4060/cb3089en
¹⁵⁷ FAO y PMA. 2021. Myanmar | Agricultural livelihoods and food security in the context of COVID-19: Monitoring report – May 2021. Roma, FAO y PMA. doi.org/10.4060/cb5218en
¹⁵⁸ FAO y PMA. 2022. Myanmar | Shocks, agricultural livelihoods and food security. Monitoring report, June 2022. Roma, FAO y PMA. doi.org/10.4060/cc0562en
¹⁵⁹ FAO. 2021. Sierra Leone | Agricultural livelihoods and food security in the context of COVID-19: Monitoring report – May 2021. Roma. doi.org/10.4060/cb4396en
¹⁶⁰ FAO, FIDA y PMA. 2020. South Sudan, COVID-19 Impacts Assessment Results on Agriculture and Food Security in South Sudan. Roma, FAO.
¹⁶¹ FAO. 2021. The Sudan | Food supply, agricultural livelihoods and food security in the context of COVID-19: Monitoring Report – January 2021. Roma. doi.org/10.4060/cb2262en
¹⁶² FAO. 2021. Bolivarian Republic of Venezuela | Agricultural livelihoods and food security in the context of COVID-19: Monitoring Report – January 2021. Roma. doi.org/10.4060/cb3178en
¹⁶³ FAO. 2021. Yemen – Shocks, agricultural livelihoods and food security. Monitoring report, December 2021. Roma. doi.org/10.4060/cb7844en
¹⁶⁴ FAO. 2021. Impact of COVID-19 on the delivery of veterinary services and animal disease reporting: May–June 2020/June–August 2020. Roma. doi.org/10.4060/cb5649en
¹⁶⁵ Mthembu, B.E., Mkhize, X. y Arthur, G.D. 2022. Effects of COVID-19 Pandemic on Agricultural Food Production among Smallholder Farmers in Northern Drakensberg Areas of Bergville, South Africa. Agronomy, 12(2): 531. https://doi.org/10.3390/agronomy12020531
¹⁶⁶ Ahmed, J.U., Akter, S. y Majumder, K.A. 2021. Impact of COVID‐19 on agricultural production and distribution in South Asia. World Food Policy, 7(2): 168-182. doi.org/10.1002/wfp2.12032
¹⁶⁷ Rahman, M.T., Akter, S., Rana, M.R., Sabuz, A.A. y Jubayer, M.F. 2022. How COVID-19 pandemic is affecting achieved food security in Bangladesh: A perspective with required policy interventions. Journal of Agriculture and Food Research, 7: 100258. doi.org/10.1016/j.jafr.2021.100258
¹⁶⁸ Red mundial contra las crisis alimentarias (GNAFC). 2020. Food Crises and COVID-19: Emerging Evidence and Implications. An analysis of acute food insecurity and agri-food systems during COVID-19 pandemic. Documento técnico. Roma, Unidad de apoyo técnico (TSU) de la Red mundial contra las crisis alimentarias.
¹⁶⁹ Varshney, D., Roy, D. y Meenakshi, J.V. 2020. Impact of COVID-19 on agricultural markets: assessing the roles of commodity characteristics, disease caseload and market reforms. Indian Economic Review, 55(S1): 83-103. doi.org/10.1007/s41775-020-00095-1
¹⁷⁰ Organización para la Cooperación y el Desarrollo Económicos (OCDE). 2020. COVID-19 and the food and agriculture sector: Issues and policy responses. París. www.oecd.org/coronavirus/policy-responses/covid-19-and-the-food-and-agriculture-sector-issues-and-policy-responses-a23f764b/
¹⁷¹ FAO. 2022. Pakistan. DIEM – Data in Emergencies Monitoring brief, round 3 Results and recommendations June 2022. Roma.
¹⁷² FAO. 2022, Lebanon, DIEM – Data in Emergencies Monitoring brief, round 2 Results and recommendations, June 2022. Roma. https://www.fao.org/3/cc0932en/cc0932en.pdf
¹⁷³ FAO. 2020. Food Security in Iraq – Impact of COVID-19, Roma. https://www.wfp.org/publications/food-security-iraq-impact-covid-19
¹⁷⁴ FAO. 2021. Agricultural livelihoods and food security in the context of COVID-19. Results from household surveys in 11 countries with high pre-existing levels of food insecurity – Cross-country monitoring report, May 2021 Roma. doi.org/10.4060/cb4747en
¹⁷⁵ FAO. 2021. Somalia | Agricultural livelihoods and food security in the context of COVID-19. Roma. doi.org/10.4060/cb2947en
¹⁷⁶ Sánchez-Cordón, P.J., Montoya, M., Reis, A.L. y Dixon, L.K. 2018. African swine fever: A re-emerging viral disease threatening the global pig industry. The Veterinary Journal, 233: 41-48. doi.org/10.1016/j.tvjl.2017.12.025
¹⁷⁷ Organización Mundial de Sanidad Animal (OMSA). 2022. African Swine Fever (ASF) — Situation Report 8, 2022. París. www.oie.int/app/uploads/2022/03/asf-report8.pdf
¹⁷⁸ Normile, D. 2019. African swine fever marches across much of Asia. Science, 364(6441): 617-618. doi.org/10.1126/science.364.6441.617
¹⁷⁹ FAO. 2020. Report on African Swine Fever (ASF) in Asia and the Pacific. Thirty-fifth Session of the FAO Regional Conference for Asia and the Pacific (APRC 35). Roma. https://www.fao.org/documents/card/en/c/NB742EN/
¹⁸⁰ Frezal, C., Gay, S.H. y Nenert, C. 2021. The Impact of the African Swine Fever outbreak in China on global agricultural markets. OECD Food, Agriculture and Fisheries Papers 156. París, OCDE. doi.org/1787/96d0410d-en
¹⁸¹ Zhao, J., Bai, Z. y Ma, L. 2019. China needs long-term solutions for African Swine Fever. Science Bulletin, 64(20): 1469-1471. doi.org/10.1016/j.scib.2019.08.015
¹⁸² Song, H., Li, J. y Jin, Z. 2023. Nonlinear dynamic modeling and analysis of African swine fever with culling in China. Communications in Nonlinear Science and Numerical Simulation, 117: 106915. doi.org/10.1016/j.cnsns.2022.106915
¹⁸³ Zhang, P., Nie, T., Ma, J. y Chen, H. 2022. Identification of suitable areas for African swine fever occurrence in China using geographic information system-based multi-criteria analysis. Preventive Veterinary Medicine, 209: 105794. doi.org/10.1016//j.prevetmed.2022.105794
¹⁸⁴ USDA. 2022. Livestock and Poultry: World Markets and Trade. Washington, D. C., USDA Foreign Agricultural Service. https://usda.library.cornell.edu/concern/publications/73666448x?locale=en
¹⁸⁵ Guberti, V., Khomenko, S., Masiulis, M. y Kerba S. 2022. African swine fever in wild boar – Ecology and biosecurity. Second edition. FAO Animal Production and Health Manual n.° 28. Roma, FAO, OMSA y Comisión Europea. https://www.fao.org/3/cc0785en/cc0785en.pdf
¹⁸⁶ Rozstalnyy, A., Roche, X., TagoPacheco, D., Kamata, A., BeltranAlcrudo, D., Khomenko, S., Lockhart, C. et al. 2022. Qualitative risk assessment for African swine fever virus introduction: Caribbean, South, Central and North Americas. Estudio FAO: Producción y sanidad animal n.° 18. Roma, FAO. https://doi.org/10.4060/cb8748en
¹⁸⁷ FAO. 2021. FAO Statistical Yearbook – World Food and Agriculture. Roma. doi.org/10.4060/cb4477en
¹⁸⁸ Jean-Pierre, R.P., Hagerman, A.D. y Rich, K.M. 2022. An analysis of African Swine Fever consequences on rural economies and smallholder swine producers in Haiti. Frontiers in Veterinary Science, 9. https://www.frontiersin.org/articles/10.3389/fvets.2022.960344/full
¹⁸⁹ Casal, J., Tago, D., Pineda, P., Tabakovski, B., Santos, I., Benigno, C., Huynh, T., Ciaravino, G. y Beltran‐Alcrudo, D. 2022. Evaluation of the economic impact of classical and African swine fever epidemics using OutCosT, a new spreadsheet‐based tool. Transboundary and Emerging Diseases, 69(5): e2474-e2484. doi..1111/tbed.14590
¹⁹⁰ Mason-D’Croz, D., Bogard, J.R., Herrero, M., Robinson, S., Sulser, T.B., Wiebe, K., Willenbockel, D. y Godfray, H.C.J. 2020. Modelling the global economic consequences of a major African swine fever outbreak in China. Nature food, 1(4): 221-228. doi.org/10.1038/s43016-020-0057-2
¹⁹¹ Nguyen-Thi, T., Pham-Ti-Ngoc, L., Nguyen-Ngoc, Q., Dang-Xuan, S., Lee, H.S., Nguyen-Viet, H., Padungtod, P. et al. 2021. An Assessment of the Economic Impacts of the 2019 African Swine Fever Outbreaks in Vietnam. Frontiers in Veterinary Science, 8. www.frontiersin.org/articles/10.3389/fvets.2021.686038
¹⁹² Savioli, G., Ahmadi, B.V., Muñoz, V., Rosso, F. y Schuppers, M. 2022. A methodology to assess indirect economic impacts of animal disease outbreaks: A case of hypothetical African swine fever outbreak in Switzerland. Transboundary and Emerging Diseases, 69(5): e1768-e1786. https://doi.org/10.1111/tbed.14512
¹⁹³ Peace Research Institute Oslo (PRIO). 2020. Trends in Armed Conflict, 1946-2019. Oslo.
¹⁹⁴ Murray, V., Abrahams, J., Abdallah, C., Ahmed, K., Angeles, L., Benouar, D., Brenes Torres, A. et al. 2021. Hazard Information Profiles: Supplement to UNDRR-I SC Hazard Definition & Classification Review: Technical Report. Ginebra, Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastres; París, Consejo Científico Internacional. https://www.preventionweb.net/d-information-profiles-hips
¹⁹⁵ UNDRR. 2023. GAR Special Report: Measuring Resilience for the Sustainable Development Goals. Ginebra. https://www.undrr.org/gar/gar2023-special-report
¹⁹⁶ UNDRR. 2019. Global Assessment Report on Disaster Risk Reduction 2019. Ginebra. https://www.undrr.org/l-assessment-report-disaster-risk-reduction-2019
¹⁹⁷ UNDRR. 2023. The Report of the Midterm Review of the Implementation of the Sendai Framework for Disaster Risk Reduction 2015–2030. Ginebra. https://www.undrr.org/publication/report-midterm-review-implementation-sendai-framework-disaster-risk-reduction-2015-2030
¹⁹⁸ Asamblea General de las Naciones Unidas. 2023. Principales conclusiones y recomendaciones del examen de mitad de período de la aplicación del Marco de Sendai para la Reducción del Riesgo de Desastres 2015-2030. 77.o período de sesiones, 690. https://documents.un.org/symbol-explorer?s=A/77/640&i=A/77/640_2226930
¹⁹⁹ Peters, K. 2022. Evidence of positive progress on Disaster Risk Reduction in the Humanitarian-Development-Peace nexus: Thematic report to inform the Mid-Term Review of the Sendai Framework. https://sendaiframework-mtr.undrr.org/publication/thematic-study-evidence-positive-progress-disaster-risk-reduction-humanitarian
²⁰⁰ Peters, L. 2021. Beyond disaster vulnerabilities: An empirical investigation of the causal pathways linking conflict to disaster risks. International Journal of Disaster Risk Reduction, 55:102092. https://www.sciencedirect.ZnxgGpfocMAAAAA:/pNqonePbjM2CZoKMKKvu9ufQEXHV2R9NTbptQV1_q1utaDOd04qGHO_X4k8Y3K221NB3aCbYSfQ
²⁰¹ Zaman, S., Sammonds, P., Ahmed, B. y Rahman, T. 2020. Disaster risk reduction in conflict contexts: Lessons learned from the lived experiences of Rohingya refugees in Cox’s Bazar, Bangladesh. International Journal of Disaster Risk Reduction, 50: 101694. https://doi.org/10.1016/j.ijdrr.2020.101694
²⁰² Nemeth, S. y Lai, B. 2022. When do natural disasters lead to negotiations in a civil war? Journal of Peace Research59 (1): 28-42. https://doi.org/10.1177/00223433211061952
²⁰³ Gaillard, J.-C., Clavé, E. y Kelman, I. 2008. Wave of peace? Tsunami disaster policy in Aceh, Indonesia. Geoforum 39 (1): 511-526. https://www.sciencedirect.com/science/article/abs/pii/S0016718507001662
²⁰⁴ Caso, N., Hilhorst, D., Mena, R. y Papyrakis, E. 2023. Does disaster contribute to armed conflict? A quantitative analysis of disaster–conflict co-occurrence between 1990 and 2017. International Journal of Development Issues. https://www.emerald.com/insight/content/doi/10.1108/IJDI-01-2023-0015/full/html
²⁰⁵ Mach, K. J., Kraan, C.M., Adger, W. N., Buhaug, H., Burke, M., Fearon, J.D., et al. 2019. Climate as a risk factor for armed conflict. Nature 571 (7764): 193-197. https://doi.org/10.1038/s41586-019-1300-6
²⁰⁶ von Uexkull, N., Croicu, M., Fjelde, H. y Buhaug, H. 2016. Civil conflict sensitivity to growing-season drought. Proceedings of the National Academy of Sciences 113 (44): 12391-12396. https://www.pnas.org/doi//pnas.1607542113
²⁰⁷ Arai, T. 2012. Rebuilding Pakistan in the aftermath of the floods: Disaster relief as conflict prevention. Journal of Peacebuilding & Development, 7 (1): 51-65. https://www.jstor.org/stable/48603409
²⁰⁸ Ide, T. 2023. Catastrophes, Confrontations, and Constraints: How Disasters Shape the Dynamics of Armed Conflicts. MIT Press. https://doi.org/10.7551/mitpress/14970.001.0001
²⁰⁹ Mercy Corps y ACAPS. 2020. Yemen: Food supply chain. Thematic report.
²¹⁰ Banco Mundial, Naciones Unidas y Unión Europea. 2019. Guidance for PDNA in Conflict Situations. https://rg/publications//pdna-guidance-integrating-conflict-sensitivity
²¹¹ Banco Mundial, Naciones Unidas y Unión Europea. 2019. Guidance for PDNA in Conflict Situations. https://www.undp.org/publications//pdna-guidance-integrating-conflict-sensitivity
²¹² UNDRR. 2023. GAR Special Report: Measuring Resilience for the Sustainable Development Goals. Ginebra. https://www.undrr.org/gar/gar2023-special-report
²¹³ State Statistics Service of Ukraine. 2020. The official portal. En: Gobierno de Ucrania. [Consultado en junio de 2023]. www.ukrstat.gov.ua/
²¹⁴ USDA. 2022. Ukraine Agricultural Production and Trade. Washington, D. C., USDA Foreign Agricultural Service. www.fas.usda.gov/sites/default/files/2022-03/Ukraine-Ag-Production-Trade.pdf
²¹⁵ Kyiv School of Economics. 2021. Assessing the role of small farmers and households in agriculture and the rural economy and measures to support their sustainable development. Kyiv. https://kse.ua/wp-content/uploads/2021/02/KSE-Smallholders.pdf
²¹⁶ FAO. 2022. Ukraine: Impact assessment results (September to October 2022). Data in Emergencies Hub. En: FAO. Roma. [Consultado el 12 de julio de 2023]. https://data-in-emergencies.fao.org/apps/e28ccf7b/explore
²¹⁷ Conflict Observatory. 2022. Ukraine’s Crop Storage Infrastructure Post-Invasion Impact Assessment. En: Conflict Observatory. [Consultado en junio de 2023]. https://hub.conflictobservatory.org/portal/apps/sites/#/home/pages/grain-1
²¹⁸ PNUMA. 2022. The Environmental Impact of the Conflict in Ukraine: A Preliminary Review. Nairobi. https://l-impact-conflict-ukraine-preliminary-review
²¹⁹ Turton, S., Sineat, Y. y Nitta, Y. 2019. African swine fever wipes out Asia’s backyard pig farmers. En: Nikkei Asia. [Consultado el 17 de mayo de 2023]. https://asia.nikkei.com/Business/Agriculture/African-swine-fever-wipes-out-Asia-s-backyard-pig-farmers
²²⁰ Coughlan de Perez, E., van Aalst, M., Deva, C., van den Hurk, B., Jongman, B., Klose, T., Linnerooth-Bayer, J. y Suarez, P. 2014. Managing the risk of extreme events in a changing climate – trends and opportunities in the disaster-related funding landscape. Input paper prepared for the Global Assessment Report on Disaster Risk Reduction 2015. La Haya (Reino de los Países Bajos), Centro del Clima de la Cruz Roja y la Media Luna Roja.
²²¹ Pappenberger, F., Cloke, H.L., Parker, D.J., Wetterhall, F., Richardson, D.S. y Thielen, J. 2015. /The monetary benefit of early flood warnings in Europe. Environmental Science & Policy, 51: 278-291. https://doi.org/10.1016/j.vsci.2015.04.016
²²² Costella, C., Jaime, C., Arrighi, J., Coughlan de Perez, E., Suarez, P. y van Aalst, M. 2017. Scalable and sustainable: How to build anticipatory capacity into social protection systems. IDS Bulletin. Vol. 48, n.° 4.
²²³ Baig, S.P., Rizvi, A., Josella, M. y Palanca-Tan, R. 2015. Cost and Benefits of Ecosystem Based Adaptation: The Case of the Philippines. Gland (Suiza), Unión Internacional para la Conservación de la Naturaleza (UICN).
²²⁴ FAO y ACNUR. 2018. Cost–benefit analysis of forestry interventions for supplying woodfuel in a refugee situation in the United Republic of Tanzania. Roma, FAO. https://www.fao.org/3/ca0164en/CA0164EN.pdf
²²⁵ Seekao, C. y Pharino, C. 2018. Cost–benefit analysis of shrimp farming’s flood risk reduction strategies in Thailand. Journal of Flood Risk Management, 11: S805-S816. https://doi.org/10.1111/jfr3.12259
²²⁶ Asha, N., Kikulwe, E., Nowakunda, K., Ajambo, S. y Naziri, D. 2015. Technical report: Structure of the Cooking Banana Value Chain in Uganda and Opportunities for Value Addition and Postharvest Losses Reduction. CGIAR. www.p-content/uploads/2015/08/RPS/2/3.pdf
²²⁷ FAO. 2017. Benefits of Farm-Level Disaster Risk Reduction Practices in Agriculture – Preliminary Findings. Roma. www.fao.org/3/a-i7319e.pdf
²²⁸ FAO. 2019. Disaster risk reduction at farm level: Multiple benefits, no regrets. Results from cost–benefit analyses conducted in a multi-country study, 2016-2018. Roma. www.fao.org/3/ca4429en/CA4429EN.pdf
²²⁹ FAO. 2021. Anticipatory action: Changing the way we manage disasters. Roma. www.fao.org/3/cb7145en/cb7145en.pdf
²³⁰ FAO. 2018. Mongolia: Impact of early warning action. Protecting herder livelihoods ahead of dzud winter. Roma. www.fao.org/publications/card/en/c/CA2181EN/
²³¹ FAO. 2019. Colombia: Los efectos de Alerta y Acción Temprana. Fortalecimiento de la seguridad alimentaria y la cohesión social en la primera línea de la crisis migratoria. Roma. https://www.fao.org/documents/card/en/c/CA6818ES
²³² FAO. 2018. Early warning early action in Sudan. Roma. https://www.fao.org/3/i9383en/I9383EN.pdf
²³³ FAO. 2018. Horn of Africa: Impact of early warning early action. Protecting pastoralist livelihoods ahead of drought. Roma. www.fao.org/documents/card/en/c/CA0227en
²³⁴ FAO. 2019. Madagascar: Impact of Early Warning Early Action. Protecting farming livelihoods from drought and food insecurity. Roma. www.fao.org/documents/card/en/c/CA3933EN/
²³⁵ FAO. 2019. The Sudan: Impact of Early Warning Early Action. Protecting agropastoralist livelihoods ahead of drought. Roma. www.fao.org/3/ca4653en/ca4653en.pdf
²³⁶ Kumar, A. 2022. Connecting anticipatory action and disaster risk reduction: perspectives from UNDRR. En: UNDRR. Ginebra. [Consultado en junio de 2023]. www.preventionweb.net/news/connecting-anticipatory-action-and-disaster-risk-reduction-perspectives-undrr
²³⁷ UNDRR. 2023. Disaster Risk Management. En: UNDRR. Ginebra. [Consultado en junio de 2023]. www.undrr.org/terminology/r-risk-management
²³⁸ Anticipation Hub. 2021. A step forward for anticipatory action at COP26. En: Anticipation Hub. [Consultado en junio de 2023]. www.anticipation-hub.org/news/a-step-forward-for-anticipatory-action-at-cop26
²³⁹ FAO, IFRC, Oficina de Coordinación de Asuntos Humanitarios (OCHA), PMA y Start Network. 2021. Enabling Anticipatory Action at Scale Policy Brief for Donor Governments. www.anticipation-hub.org/Documents/Policy_Papers/AATF_Policy_Brief_for_Donor_Governments_May_2021.pdf
²⁴⁰ International Movement. 2022. Power of Humanity. Council of Delegates of the International Red Cross and Red Crescent Movement. Ginebra. https://rcrcconference.org/app/uploads/2022/05/09_CoD22-Anticipatory-action-Background-document-FINAL-EN.pdf
²⁴¹ Levine, S., Wilkinson, E., Weingärtner, L. y Mall, P. 2021. Anticipatory action for livelihood protection. A collective endeavour. Documento de trabajo 580. Instituto de Desarrollo de Ultramar. https://cdn.odi.org/media/documents/202006_odi_anticipatory_action_for_livelihood_protection_wp_final.pdf
²⁴² Scott, Z. 2022. Finance for Early Action: Tracking commitments, trends, challenges and opportunities. REAP (Risk-informed Early Action Partnership). www.insdevforum.org/wp-content/uploads/2022/06/20220613_Finance-for-Early-Action_FINAL-1-1.pdf
²⁴³ Khim, W. 2020. Disaster risk reduction in times of COVID-19: What have we learned? Roma, FAO. https://doi.org/10.4060/cb0748en
²⁴⁴ Lawson, R.G. y Jurs, P.C. 1990. New index for clustering tendency and its application to chemical problems. Journal of Chemical Information and Computer Sciences, 30(1): 36–41. https://doi.org/10.1021/ci00065a010
²⁴⁵ FAO. 2023. Cultivos y productos de ganadería. En: FAOSTAT. Roma. [Consultado en junio de 2023]. https://www.fao.org/faostat/es/#data/QCL
²⁴⁶ Lange, S., Mengel, M., Treu, S. y Büchner, M. 2022. ISIMIP3a atmospheric climate input data (v1.0). En: ISIMIP. [Consultado en julio de 2023]. doi.org/10.48364/ISIMIP.982724
²⁴⁷ Frieler, K., Volkholz, J., Lange, S., Schewe, J., Mengel, M., del Rocío Rivas López, M. et al. 2023. Scenario set-up and forcing data for impact model evaluation and impact attribution within the third round of the Inter-Sectoral Model Intercomparison Project (ISIMIP3a). Preprint. EGUsphere. doi.org/10.5194/usphere-2023-281
²⁴⁸ Laudien, R., Schauberger, B., Makowski, D. y Gornott, C. 2020. Robustly forecasting maize yields in Tanzania based on climatic predictors. Scientific Reports, 10(19650). doi.org/10.1038/s41598-020-76315-8
²⁴⁹ Chemura, A. Nangombe, S., Gleixner, S., Chinyoka, S. y Gornott, C. 2022. Changes in Climate Extremes and Their Effect on Maize (Zea mays L.) Suitability Over Southern Africa. Frontiers in Climate, 4: 890210. doi.clim.2022.890210
²⁵⁰ Sultan, B., Defrance, D. e Iizumi, T. 2019. Evidence of crop production losses in West Africa due to historical global warming in two crop models. Scientific Reports, 6.9.2019: 12834. doi.org/10.1038/s41598-019-49167-0
²⁵¹ Laudien, R., Schauberger, B., Makowski, D. y Gornott, C. 2020. Robustly forecasting maize yields in Tanzania based on climatic predictors. Scientific Reports, 10(19650). doi.org/10.1038/s41598-020-76315-8
²⁵² Gillett, N.P., Shiogama, H., Funke, B., Hegerl, G., Knutti, R., Matthes, K., Santer, B.D., et al. 2016. The Detection and Attribution Model Intercomparison Project (DAMIP v1.0) contribution to CMIP6, Geoscientific Model Development, 9, 3685-3697. doi.org/10.5194/gmd-9-3685-2016
²⁵³ Tatebe, H., Ogura, T., Nitta, T., Komuro, Y., Ogochi, K., Takemura, T., Sudo, K, et al. 2019. Description and basic evaluation of simulated mean state, internal variability, and climate sensitivity in MIROC6. Geoscientific Model Development, 12(7): 2727-2765. doi.org/10.5194/gmd-12-2727-2019
²⁵⁴ Lange, S. 2019. Trend-preserving bias adjustment and statistical downscaling with ISIMIP3BASD (v1.0). Geoscientific Model Development, 12, 3055-3070. doi.org/10.5194/gmd-12-3055-2019
²⁵⁵ Tatebe, H., Ogura, T., Nitta, T., Komuro, Y., Ogochi, K., Takemura, T., Sudo, K, et al. 2019. Description and basic evaluation of simulated mean state, internal variability, and climate sensitivity in MIROC6. Geoscientific Model Development, 12(7): 2727-2765. doi.org/10.5194/gmd-12-2727-2019
²⁵⁶ IPCC. 2021. Summary for Policymakers. En: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. págs. 423–553. Cambridge (Reino Unido) y Nueva York (EE. UU.), Cambridge University Press. https://report.ipcc.ch/ar6/wg1/IPCC_AR6_WGI_FullReport.pdf
²⁵⁷ Guo, H. Bao, A., Chen, T., Zheng, G., Wang, Y., Jiang, L. y De Maeyer, P. 2021. Assessment of CMIP6 in simulating precipitation over arid Central Asia. Atmospheric Research, 252, 105451. doi.org/10.1016//J.SRES.2021.105451
²⁵⁸ Mesgari, E., Hosseini, S.A., Hemmesey, M.S., Houshyar, M. y Partoo, L.G. 2022. Assessment of CMIP6 models’ performances and projection of precipitation based on SSP scenarios over the MENAP region. Journal of Water and Climate Change, 13(10): 3607. doi.org/10.2166/wcc.2022.195
²⁵⁹ Iizumi, T., Shiogama, H., Imada, Y., Hanasaki, N., Takikawa, H. y Nishimori, M. 2018. Crop production losses associated with anthropogenic climate change for 1981–2010 compared with preindustrial levels. International Journal of Climatology, 38(14): 5405-5417. doi.org/10.1002/joc.5818
²⁶⁰ Ishii, M. y Mori, N. 2020. d4PDF: large-ensemble and high-resolution climate simulations for global warming risk assessment. Progress in Earth and Planetary Science, 7: 58. doi.org/10.1186/s40645-020-00367-7
²⁶¹ Iizumi, T., Shiogama, H., Imada, Y., Hanasaki, N., Takikawa, H. y Nishimori, M. 2018. Crop production losses associated with anthropogenic climate change for 1981–2010 compared with preindustrial levels. International Journal of Climatology, 38(14): 5405-5417. doi.org/10.1002/joc.5818
²⁶² Sultan, B., Defrance, D. e Iizumi, T. 2019, Evidence of crop production losses in West Africa due to historical global warming in two crop models. Scientific Reports, 6.9.2019: 12834. doi.org/10.1038/s41598-019-49167-0
²⁶³ Flynn, C.M. y Mauritsen, T. 2020. On the climate sensitivity and historical warming evolution in recent coupled model ensembles. Atmospheric Chemistry and Physics, 20, 7829-7842. doi.org/10.5194/acp-20-7829- 2020
²⁶⁴ Forster, P., Storelvmo, T., Armour, K., Collins, W., Dufresne, J.-L., Frame, D., Lunt, D.J., et al. 2021. The Earth’s Energy Budget, Climate Feedbacks, and Climate Sensitivity. En: V. Masson-Delmotte, et al., coords. Climate Change 2021: The Physical Science Basis. Cambridge (Reino Unido), Cambridge University Press.
²⁶⁵ Meshesha, D.T., Moahmmed, M. y Yosuf, D. 2019. Estimating carrying capacity and stocking rates of rangelands in Harshin District, Eastern Somali Region, Ethiopia. Ecology and Evolution, 9(23): 13309-13319. doi.org/10.1002/ece3.5786
²⁶⁶ The Nansen Initiative. 2015. The Nansen Initiative. Global Consultation. Conference Report: Geneva, 12-23 October 2015. https://www.eda.admin.ch/dam/eda/en/documents/aussenpolitik/menschenrechte-menschliche-sicherheit/2017-und-aelter/Nansen-GCR2015-screen.pdf.
²⁶⁷ FAO, FIDA, OMS, PMA y UNICEF. 2022. El estado de la seguridad alimentaria y la nutrición en el mundo 2022: Adaptación de las políticas alimentarias y agrícolas para hacer las dietas saludables más asequibles. Roma, FAO. https://doi.org/10.4060/cc0639es
²⁶⁸ FAO, FIDA, OMS, PMA y UNICEF. 2020. El estado de la seguridad alimentaria y la nutrición en el mundo 2020: Transformación de los sistemas alimentarios para que promuevan dietas asequibles y saludables. Roma, FAO. https://doi.org/10.4060/ca9692es
²⁶⁹ OIM. 2017. Informe Sobre las Migraciones en el Mundo 2018. Informe de la OIM sobre las Migraciones en el Mundo. Naciones Unidas. https://doi.org//10.18356/4d5247dc-es
^a División administrativa que corresponde a una región o provincia.
^b Medida de la acumulación del calor utilizada para predecir la tasa de desarrollo de los cultivos.
^c Véase la EM-DAT: https://public.emdat.be/.
^d La categoría de “Otras” amenazas abarca amenazas biológicas, extraterrestres y complejas. Asimismo, aunque parte del aumento del número de desastres se debe a las mejoras en la presentación de datos, puede atribuirse en gran medida al mayor número de desastres causados por amenazas meteorológicas y climáticas, como las inundaciones, las sequías y las temperaturas extremas. Por el contrario, el número de fenómenos geofísicos tales como terremotos, erupciones volcánicas y corrimientos de tierras se ha mantenido relativamente estable a lo largo del tiempo. Si bien el número de fenómenos producidos en el mundo se ha estabilizado en los últimos decenios, las previsiones indican que aumentarán a medida que sigan acumulándose los gases de efecto invernadero en la atmósfera.
^e Publicaciones anteriores de 2015, 2017 y 2021.
^f https://www.emdat.be/
^g https://www.desinventar.net/
^h https://www.gfdrr.org/en/disaster-risk-analytics
ⁱ https://www.ifrc.org/document/world-disasters-report-2022
^j https://www.swissre.com/institute/research/sigma-research/data-explorer.html; https://www.munichre.com/en/solutions/for-industry-clients/natcatservice.html
^k Véase la Resolución A/RES/71/276 de la Asamblea General de las Naciones Unidas.
^l La EMDAT también incluye datos sobre otros desastres que no se consideran en el presente informe. Véanse los detalles en el Anexo técnico 2.
^m Con la salvedad de que las novedades producidas en relación con los mecanismos de presentación de informes afectan a estas cifras. Actualmente se registran más fenómenos en la EMDAT en comparación con principios de la década de 1990, lo que provoca un ligero sesgo en las cifras totales.
ⁿ Cabe señalar que, en este caso, el indicador es una relación de dos conjuntos de cantidades físicas (expresadas en toneladas) multiplicadas por el mismo precio. Esto significa que la relación refleja exclusivamente un efecto de cantidad. La única función del precio es sumar cantidades que de otro modo no serían comparables.
^o En este caso, la relación entre las pérdidas y la producción contrafactual se basa directamente en toneladas, partiendo de la hipótesis de que las cantidades producidas son lo suficientemente homogéneas para sumarse.
^p El requerimiento promedio estimado es el nivel de ingesta diaria necesaria para satisfacer el requerimiento del 50 % de los individuos sanos.
^q A continuación se indica el requerimiento promedio estimado para cada nutriente. Calcio para hombres y mujeres: 800 mg; hierro para hombres: 6 mg, para mujeres: 8,1 mg; zinc para hombres: 9,4 mg, para mujeres: 6,8 mg; magnesio para hombres: 350 mg, para mujeres: 265 mg; fósforo para hombres y mujeres: 580 mg; vitamina A (equivalente de actividad de retinol) para hombres: 625 μg, para mujeres: 500 μg; tiamina para hombres: 1,0 mg, para mujeres: 0,9 mg; riboflavina para hombres: 1,1 mg, para mujeres: 0,9 mg; vitamina C para hombres: 75 mg, para mujeres: 60 mg.
^r Por ejemplo, con datos más detallados sería posible evaluar si perder un determinado porcentaje del requerimiento promedio estimado de un nutriente constituiría una pérdida pequeña si ese nutriente existe en abundancia en ese contexto específico o, si por el contrario, la escasez de dicho nutriente en la dieta local podría suponer un grave problema de salud pública.
^s La atribución se define como el proceso de evaluar las contribuciones relativas de múltiples factores causales a un cambio o fenómeno con una evaluación del grado de confianza. Véase IPCC. 2021. Annex VII: Glossary. En: Matthews, J. B. R., V. Möller, R. van Diemen, J. S. Fuglestvedt, V. Masson-Delmotte, C. Méndez, S. Semenov, A. Reisinger, coords. Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Masson-Delmotte, V., P. Zhai, A. Pirani, S. L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M. I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J. B. R. Matthews, T. K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, B. Zhou, coords. Cambridge University Press, Cambridge (Reino Unido) y Nueva York (EE.UU.), págs. 2215-2256. www.ipcc.ch/report/ar6/wg1/downloads/report/IPCC_AR6_WGI_AnnexVII.pdf
^t Los países seleccionados para su inclusión en el estudio son países prioritarios en el Plan Mundial de Respuesta Humanitaria a la COVID-19 (OCHA, 2020) o el Informe mundial sobre las crisis alimentarias (WFP, 2020, 2021). Estos países son: el Afganistán, Chad, Colombia, Filipinas, Haití, el Iraq, el Líbano, Liberia, Libia, Malí, Mozambique, Myanmar, el Níger, el Pakistán, la República Centroafricana, Sierra Leona, Somalia, Togo y Zimbabwe.
^u Estos países son: el Afganistán, Colombia, Liberia, Malí, el Níger, la República Centroafricana, la República Democrática del Congo, Sierra Leona, Somalia, el Yemen y Zimbabwe.
^v Los países seleccionados para su inclusión en el estudio son países prioritarios en el Plan Mundial de Respuesta Humanitaria a la COVID-19 (OCHA, 2020) o el Informe mundial sobre las crisis alimentarias (WFP, 2020, 2021). Si bien los estudios realizados en el pasado presentaban limitaciones en cuanto a su marco temporal y alcance, este análisis de las encuestas de varios países repetidas a lo largo de tres años demuestra los efectos retardados de las políticas de restricción en la producción agrícola.
^w El Afganistán, Colombia, Liberia, Malí, el Níger, la República Centroafricana, la República Democrática del Congo, Sierra Leona, Somalia, el Yemen y Zimbabwe.
^x El intervalo de confianza de todos los coeficientes del logaritmo de posibilidades citado en este capítulo fue del 95 %.
^y Véanse los resultados de las encuestas de hogares en 11 países con altos niveles de inseguridad alimentaria preexistentes en: FAO. 2021. Agricultural Livelihoods and Food Security in the Context of COVID-19. Results from household surveys in 11 countries with high pre-existing levels of food insecurity. Cross-country monitoring report, May 2021. Roma. https://www.fao.org/3/cb4747en/cb4747en.pdf
^z África, las Américas, Asia, Europa y Oceanía.
^aa La diferencia de los precios del cerdo entre provincias se mide como el precio de los cerdos vivos en la provincia con el precio más alto menos el precio en la provincia con el precio más bajo. Se incluyeron todas las provincias, menos Qinghai debido a las limitaciones de datos.
^ab Las repercusiones de la peste porcina africana se evaluaron mediante estudios bibliográficos y el cálculo de las pérdidas directas y los costos de la respuesta mediante el instrumento OutCosT de la FAO. OutCosT se puso a prueba para determinar de manera retrospectiva el costo de los brotes de peste porcina africana en la provincia de Lao Cai en Viet Nam (2020) y en Filipinas (2019), incluidas las pérdidas de producción derivadas de la enfermedad, las repercusiones en el comercio, así como los costos de control y erradicación, como el tratamiento, la vigilancia y las actividades de sensibilización. Mediante la generación de estimaciones de costos por explotación y por cerdo afectado se pueden predecir las repercusiones de la enfermedad en caso de que se propague.
^ac En la extrapolación, suponemos que las políticas de control son prácticamente las mismas en ambos períodos, a saber, el período utilizado para calibrar el instrumento y el período utilizado para generar las estimaciones de costos.
^ad A saber, 208 594 cerdos perdidos debido a la peste porcina africana / 545 729 cerdos sacrificados perdidos = 38 %.
^ae A saber, 38 % x 1 804 246 cerdos sacrificados perdidos = 689 637 cerdos perdidos debido a la peste porcina africana estimados para 2020.
^af Como el efecto relacionado con la pandemia de la COVID-19.
^ag Es importante calificar la palabra “conflicto”. La FAO utiliza la siguiente definición de conflicto, reconociendo que no tiene por qué ser armado o violento; por ejemplo, en FAO. 2022. Operationalizing pathways to sustaining peace in the context of Agenda 2030 – A how-to guide. Roma. Disponible en https://doi.org/10.4060/cc1021en: “El conflicto, un aspecto inevitable de la interacción humana, aparece cuando dos o más personas o grupos tienen objetivos mutuamente incompatibles. Los conflictos pueden producirse de manera violenta, como en una guerra, o sin violencia, como en unas elecciones o un proceso jurídico contencioso. Cuando se canaliza constructivamente en procesos de resolución, el conflicto puede ser beneficioso”. De Snodderly, coord. 2018. Glossary of Terms for Conflict Management and Peacebuilding. Segunda edición. Washington, D. C., United States Institute of Peace. https://www.usip.org/publications/usip-peace-terms-glossary
^ah https://www.prio.org/news/2736
^ai La aplicación de la meta E del Marco de Sendai. Cabe señalar que no en todas las estrategias se utiliza el término “conflicto armado” y se hace referencia únicamente al “conflicto”. La redacción original empleada en una estrategia también se utiliza en el presente informe.
^aj Datos extraídos de 21 países: el Afganistán, Argelia, Bangladesh, Burundi, Colombia, Egipto, la Federación de Rusia, Filipinas, la India, Indonesia, Myanmar, Nepal, el Pakistán, el Perú, la República Islámica del Irán, Somalia, Sri Lanka, Tailandia, Tayikistán, Türkiye y Uganda.
^ak Somalia Drought Impact and Needs Assessment (2017).
^al El Gobierno de Ucrania estimó que alrededor de 62 000 millas cuadradas (160 579 km2) de territorio nacional pueden estar contaminadas con minas y municiones sin detonar, incluido el 10 % de las tierras agrícolas del país.
^am FAO. 2019. Disaster risk reduction at farm level: Multiple benefits, no regrets. Roma. Disponible en www.fao.org/3/ca4429en/CA4429EN.pdf. En este estudio se incluyen datos sobre Camboya, Colombia, el Estado Plurinacional de Bolivia, Filipinas, Guyana, Haití, Jamaica, el Pakistán, la República Democrática Popular Lao y Uganda.
^an Si bien no fue posible aislar los efectos de cada elemento en cada intervención relativa a las buenas prácticas de reducción del riesgo de desastres en el rendimiento y la rentabilidad del banano, es probable que las sinergias entre las diversas intervenciones hayan contribuido decisivamente a mejorar la resiliencia de los sistemas de cultivo del banano a la escasez de precipitaciones y los períodos secos.
^ao 1) Cultivo de arroz con siembra en línea y método de alternancia humectación/secado; 2) cultivo de trigo con estiércol de granja y compost; 3) cultivo de hortalizas con siembra en surcos, estiércol de granja, sistema de cultivos múltiples y manejo integrado de plagas; 4) cultivo de trigo con nivelación y manejo integrado de plagas; 5) cultivo de algodón con nivelación láser, siembra en surcos, manejo integrado de plagas y aplicación de compost; 6) cultivo de trigo con siembra sin labranza y manejo integrado de plagas; y 7) cultivo de algodón con siembra en surcos y manejo integrado de plagas.
^ap Entre ellas se incluyen las precipitaciones intensas, la sequía, las altas temperaturas, las plagas y las infestaciones de malas hierbas.
^aq La distribución de aves de corral, semillas, bidones y equipos, así como las actividades de efectivo por trabajo, la rehabilitación de sistemas de riego en pequeña escala, la capacitación sobre técnicas hortícolas productivas y el desarrollo de cooperativas de agricultores dirigidas por mujeres.
^ar Las cooperativas de mujeres agricultoras recibieron una combinación de patos y cabras; a su vez, se impartieron capacitaciones y se puso en marcha un programa de dinero por trabajo centrado en la limpieza de los canales de agua locales que se habían ido degradando.
^as Según el enfoque regional de la Autoridad Intergubernamental para el Desarrollo del Informe mundial sobre las crisis alimentarias de 2021, 12,6 millones de personas padecieron altos niveles de inseguridad alimentaria aguda en 2020 (Fase 3 o superior de la Clasificación Integrada de la Seguridad Alimentaria en Fases y el Marco armonizado [Cadre Harmonisé])⁴² en Etiopía (8,6 millones), Kenya (1,9 millones) y Somalia (2,1 millones). Dado el perfil del riesgo de desastres subyacente del Cuerno de África, es imperativo adoptar medidas fundamentadas en los riesgos a fin de abordar todo tipo de amenazas con el objetivo de salvaguardar los medios de vida y la seguridad alimentaria.
^at Desastres y crisis de aparición súbita a gran escala que exigen una respuesta institucional.
^au Esta es la etapa en la que las langostas jóvenes que no vuelan se agrupan, formando enjambres coherentes y alineados, denominados bandas de ninfas.
^av Véase PreventionWeb. 2023. Post-Disaster Needs Assessments (PDNA). En: PreventionWeb. [Consultado en junio de 2023]. https://recovery.preventionweb.net/build-back-better/post-disaster-needs-assessments/country-pdnas
^aw Véase ReliefWeb. 2023. Reports only. En: ReliefWeb. [Consultado en junio de 2023]. https://reliefweb.int/updates?view=reports
^ax Véase GFDRR (Servicio mundial para la reducción y recuperación de desastres). 2023. Post Disaster Needs Assessment. En: GFDRR. [Consultado en junio de 2023]. www.gfdrr.org/en/post-disaster-needs-assessments
^ay Véase Banco Mundial. 2023. The World Bank Open Knowledge Repository. En: Banco Mundial. [Consultado en junio de 2023]. https://openknowledge.worldbank.org/home