La producción de estimaciones más precisas a nivel de condado de los cultivos y las rentas en efectivo de las tierras agrícolas requerirá la integración de múltiples fuentes de datos utilizando predicciones basadas en modelos que sean más transparentes y reproducibles. dice un nuevo informe de las Academias Nacionales de Ciencias, Ingenieria, y Medicina. El informe proporciona una visión de cómo el Servicio Nacional de Estadísticas Agrícolas (NASS) puede lograr esto.
Las encuestas NASS son la base de las estimaciones de los cultivos y la renta en efectivo, que son vitales para la eficiencia en el mercado agrícola y la evaluación de las tierras agrícolas, ayudar a los participantes de la industria a decidir qué cultivar, cómo determinar las ventas, y la disponibilidad de alimentos, así como las tasas de alquiler y préstamo de tierras agrícolas. Pero con el tiempo las tasas de respuesta a las encuestas han disminuido, creando desafíos para los usuarios de datos del condado, incluida la Agencia de Servicios Agrícolas y la Agencia de Gestión de Riesgos del USDA, que utilizan las estimaciones del condado como parte de sus procesos para administrar los programas del USDA, incluida la provisión de seguros agrícolas y la determinación de las tarifas de alquiler de las tierras agrícolas y los subsidios agrícolas. Como resultado, cuando las estimaciones oficiales de NASS no son confiables debido a la baja respuesta de la encuesta, Pueden utilizarse estimaciones alternativas que no sean transparentes ni reproducibles.
En la actualidad, la Junta de Estadísticas Agrícolas (ASB) de NASS determina las estimaciones del condado, utilizando las respuestas de la encuesta junto con otra información disponible. Para lograr transparencia y reproducibilidad, el informe recomienda desarrollar, evaluando, validando, documentando y el uso de estimaciones basadas en modelos que incorporan tanto datos de encuestas como datos complementarios, como datos administrativos, datos de satélite y otros datos de teledetección, y datos de agricultura de precisión. La inclusión recomendada de medidas de incertidumbre con las estimaciones del modelo permite a los usuarios determinar la utilidad de las estimaciones. El informe recomienda además que NASS cambie el rol de ASB de integrar múltiples fuentes de datos a garantizar que los modelos utilizados para la integración se evalúen y validen continuamente a través de un circuito de retroalimentación que sugiera modificaciones para mejorar el rendimiento del modelo. Un factor clave en la combinación de datos de encuestas con datos complementarios es el desarrollo de un marco de lista georreferenciado a partir del cual se seleccionan las fincas que se estudiarán. Luego, la ubicación de la granja se puede utilizar para vincular las múltiples fuentes de datos sobre la granja junto con la respuesta de la encuesta.
El informe reconoce que, dados sus recursos limitados, NASS puede tardar muchos años en desarrollar un marco de lista georreferenciado, modelos apropiados, y otros componentes necesarios para esta visión de estimaciones mejoradas a nivel de condado. El informe sugiere un plan de acción de dos partes que podría completarse para 2025, así como dividir cada etapa en proyectos individuales para ser ejecutados por diferentes grupos dentro de NASS, cada uno en el transcurso de tres años. Esto permite que NASS continúe con su programa y carga de trabajo continuos mientras implementa cambios graduales en sus prácticas de estimación.
El estudio fue patrocinado por el Servicio Nacional de Estadísticas Agrícolas. Las Academias Nacionales de Ciencias, Ingenieria, y la Medicina son privados, instituciones sin fines de lucro que brindan servicios independientes, análisis objetivo y asesoramiento a la nación para resolver problemas complejos e informar decisiones de política pública relacionadas con la ciencia, tecnología, y medicina. Las Academias Nacionales operan bajo una carta del Congreso de 1863 a la Academia Nacional de Ciencias, firmado por el presidente Lincoln. Para más información, visite http://national-academies.org.
