Foundations of Simulation and Modeling in Livestock Agroecosystems

The analysis of livestock agroecosystems, particularly beef and dairy cattle systems-requires methodological approaches capable of capturing their biophysical, ecological, and socioeconomic complexity. These systems operate as open and interdependent units, in which climatic, edaphic, biological, technological, and human factors interact, affecting both productive efficiency and energy sustainability (Tedeschi, 2004TEDESCHI, L. O.: “Assessing the adequacy of mathematical models”, Agricultural Systems, 82(1), 1-17, 2004, DOI: https://doi.org/10.1016/j.agsy.2003.11.004 ; Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ). For this reason, the use of mathematical models and simulations has become highly relevant to represent, analyze, and project the dynamic behavior of these systems under different scenarios.

Systemic Approach and the Dynamics of Livestock Systems

The systemic approach, initially proposed by Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., makes it possible to identify both internal processes (growth, reproduction, feed conversion into biomass) and external ones (solar energy input, external inputs, ecosystem services), which represent the flows of matter and energy within the agroecosystem of bovine production systems. From this perspective, models not only quantify productive outputs but also account for hidden costs and the system’s dependencies on its biophysical environment.

This approach has proven useful for comparing contrasting management systems (extensive vs. intensive), identifying critical points of energy loss, and assessing the ecological support required to sustain production (Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ; Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ). Moreover, it enables the integration of socio-environmental elements such as climate resilience, land use, and territorial sustainability (Postigo et al., 2024POSTIGO, J.; VILLALOBOS, C.; CORTÉS, R.: “Resilience of Paramo Livestock Systems to Climate Variability in the Sumapaz Region”, Land, 13(3), 499, 2024, DOI: https://doi.org/10.3390/land13030499 ).

Types of Mathematical Models Applied in Livestock Production

There are multiple types of models used to simulate processes in livestock systems, which can be classified according to their structure and purpose into:

Deterministic models, such as those of Brody, Gompertz, Richards, or Von Bertalanffy, describe animal growth using mathematical functions fitted to weight, age, or intake data. These models have been applied to both beef and dairy breeds and allow for the prediction of productive performance under standard conditions (Gómez et al., 2008GÓMEZ, D.A.; MUÑOZ, L.M.; RODRÍGUEZ, R.F.: “Modelación de las funciones de crecimiento aplicadas a la producción animal”, Revista Colombiana de Ciencias Pecuarias, 21(3): 50-56, 2008, ISSN: 0120-0690, Publisher: Universidad de Antioquia.).

Stochastic and probabilistic models incorporate uncertainty and variability in input parameters, such as Monte Carlo or Bayesian models. These are useful for simulating risk scenarios, changes in feed availability, or climatic variability (Tedeschi, 2004TEDESCHI, L. O.: “Assessing the adequacy of mathematical models”, Agricultural Systems, 82(1), 1-17, 2004, DOI: https://doi.org/10.1016/j.agsy.2003.11.004 ).

Multivariate models include principal component analysis (PCA), cluster analysis, and dimensionality reduction techniques. These tools enable the classification of livestock farms based on climate, altitude, technology adoption, productivity, and energy efficiency, as demonstrated in studies conducted in Cundinamarca and the Andean highlands (Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ; Molina et al., 2025MOLINA, F.; ROMERO, C.; DÍAZ, L.: “Soil Organic Carbon, Water and Carbon Footprints in High Mountain Livestock Systems”, Sustainability, 17(3), 11-35, 2025, https://doi.org/10.3390/su17031135 ).

System dynamics simulation models, such as those developed with EmSim, use differential equations and energy diagrams (based on Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1. framework) to model emergy flows, resource accumulation, ecological efficiency, and the transformation of livestock products (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.).

Energetic and Emergy-Based Modeling

Traditional energy modeling in bovine livestock production has focused on estimating the consumption and use of energy in the form of feed, human labor, fossil fuels, machinery, and inputs. These models enable the calculation of net energy balance, conversion efficiency, and energy productivity, and have been fundamental in determining the technical feasibility of different production schemes (Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ; Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ).

However, this perspective often overlooks hidden environmental costs, and the ecosystem services used indirectly. This is where emergy-based modeling offers a more holistic perspective, by considering not only the quantity of energy but also its quality, origin, and level of transformation. The emergy approach, developed by Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., allows for the representation of accumulated flows of solar equivalent energy (seJ) required to sustain both ecological and productive processes in a livestock system.

Based on these flows, emergy indicators are constructed and have been widely validated in agricultural sustainability studies (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.; Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ). Among the most relevant indicators are:

Emergy Yield Ratio (EYR): measures how much emergy is generated per unit of emergy invested from outside the system. High values indicate greater self-sufficiency or dependence on local resources (such as native forage and rainfall). Example: An extensive system with natural forage and minimal mechanization may have an EYR > 8, whereas an intensive system with heavy use of concentrate feed may have an EYR < 2.

Environmental Loading Ratio (ELR): represents environmental pressure by relating non-renewable emergy and human services to renewable emergy. Lower values indicate lower environmental impact. Example: An intensive system with synthetic fertilization, fossil fuel use, and machinery may have an ELR > 3, suggesting a high dependency on external resources.

Emergy Sustainability Index (ESI): the ratio of EYR to ELR, integrating performance and environmental burden into a single indicator. An ESI > 5 indicates a sustainable system; an ESI < 1 suggests unsustainability. Example: Pasture-based systems with agroecological management may have ESI > 20, whereas industrialized systems may fall below 0.5.

Review of the State of the Art on Energetic and Emergy-Based Modeling in Bovine Livestock

Over the past two decades, scientific literature has shown a growing interest in the use of mathematical models and energy flow analyses to assess the performance and sustainability of Bovine livestock systems. This review is organized around three core themes: (i) studies applying animal growth models for energy-related purposes; (ii) research modeling energy or emergy flows in production systems; (iii) studies integrating multivariate analyses or advanced simulations to classify or redesign livestock systems, as well as the current gaps and opportunities in the modeling of bovine production systems.

Application of Animal Growth Models for Energetic Purposes (Extended Version)

Animal growth models have traditionally been used to describe the biological development of livestock, but their application in energy analysis has enabled simulations of feed intake, feed efficiency, and energy requirement predictions (Perdigón & González, 2020PERDIGÓN, R.; GONZÁLEZ, R.: “Aplicación de modelos no lineales para evaluar curvas de crecimiento en ganado bovino”, Pastos y Forrajes, 43(2), 123-132, 2020.). Among the most widely used models are Brody, Gompertz, Richards, and Von Bertalanffy.

By being fitted to real productive data, these models allow for the estimation of energy requirements for maintaining specific growth rates, projecting feed conversion efficiency, and improving nutritional planning (Perdigón & González, 2020PERDIGÓN, R.; GONZÁLEZ, R.: “Aplicación de modelos no lineales para evaluar curvas de crecimiento en ganado bovino”, Pastos y Forrajes, 43(2), 123-132, 2020.). Recent integrations with programming languages such as R and Python, or simulation platforms like Stella, have enhanced their utility.

Energetic and Emergy-Based Modeling in Livestock Systems

Conventional energy modeling in livestock has focused on estimating the relationship between inputs and outputs within production systems. Inputs include feed (forage, concentrates), fossil energy (fuels, electricity), labor, and pharmaceuticals, while outputs include meat, milk, manure, and other derived products (Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ; Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ).These evaluations make it possible to build energy balances and analyze conversion efficiency, yet they often overlook the quality and origin of the energy used.

To address these limitations, the emergy approach has gained ground as a more comprehensive alternative. Proposed by Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., this framework introduces emergy as the total amount of solar equivalent energy (seJ) required to produce a good or service. It includes both direct energy (solar, hydraulic, thermal) and indirect energy (accumulated resources such as soil, water, or human labor), enabling a more complete evaluation of the ecological impact of production systems.

In livestock systems, this perspective has been applied in various global contexts: In Argentina,Rotolo et al. (2007)ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007. conducted an emergy analysis of a beef cattle production system in the Pampas region, finding that 86% of the emergy used came from renewable resources. This system had an EYR above 8 and an ELR of 0.35, indicating high efficiency and low environmental impact.

In the Brazilian Pantanal,Aguiar et al. (2010)AGUIAR, L.F.; DA COSTA, A.M.; SANTOS, M.A.: “Sustentabilidade da pecuária extensiva no Pantanal brasileiro: uma abordagem com base na emergia”, Revista Brasileira de Agroecologia, 5(2), 25-33, 2010. reported that traditional extensive cattle systems used 98% renewable resources, achieving ESI values above 20-placing these systems as benchmarks of sustainability from an emergy perspective. In France, Vigne et al. (2013)VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 compared intensive and extensive dairy systems, noting that the former heavily relied on external inputs, with an EYR < 2 and ELR > 3.5, which significantly reduced their environmental sustainability.

In Brazil and Colombia, Molina et al. (2025)MOLINA, F.; ROMERO, C.; DÍAZ, L.: “Soil Organic Carbon, Water and Carbon Footprints in High Mountain Livestock Systems”, Sustainability, 17(3), 11-35, 2025, https://doi.org/10.3390/su17031135 and Molina Benavides et al. (2025)MOLINA, F.; ROMERO, C.; DÍAZ, L.: “Soil Organic Carbon, Water and Carbon Footprints in High Mountain Livestock Systems”, Sustainability, 17(3), 11-35, 2025, https://doi.org/10.3390/su17031135 reported that semi-intensive and intensive systems could improve their ESI by integrating agroecological practices such as pasture rotation, silvopastoral systems, and the use of organic fertilizers.

A noteworthy element in emergy modeling is the use of tools like EmSim, a platform based on Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., energy systems language, which translates energy flow diagrams into mathematical equations. Although still underutilized in Latin America, this tool represents an opportunity to simulate complex interactions among system components and to evaluate future scenarios based on fundamental emergy indicators.

Multivariate Analysis and Simulation for System Characterization

From the perspective of the variability found in bovine production systems-determined by factors such as climate, altitude, scale, breeds, infrastructure, and access to technology-multivariate statistical models are powerful tools for the typification and classification of productive systems. These methods not only reduce the complexity of large datasets but also enable the grouping of production units with similar characteristics, supporting decision-making and the identification of patterns.

In Colombia, Cruz et al. (2023)CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 demonstrated the application of principal component analysis (PCA) and hierarchical clustering on 68 livestock farms in Cundinamarca, resulting in the classification of systems into three groups according to their degree of technification, type of production (beef, dairy, dual-purpose), and climatic variables. This segment made it possible to identify the strengths and limitations of each group, linking them to their energy and environmental performance.

Complementarily, Durana et al. (2023)DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 conducted a participatory simulation exercise in the Colombian Andean highlands to redesign small-scale dairy systems. In this case, quantitative methods were integrated with qualitative approaches, using productive simulations and sustainability assessment tools (emergy, water footprint, carbon footprint, and community capital indicators). This type of multidimensional work enhances the social validation of the proposed models and improves their adoption by local stakeholders.

Internationally, there has been a growing trend toward the use of hybrid approaches that combine energy simulation, mathematical modeling, multivariate analysis, and optimization tools. Tedeschi (2004)TEDESCHI, L. O.: “Assessing the adequacy of mathematical models”, Agricultural Systems, 82(1), 1-17, 2004, DOI: https://doi.org/10.1016/j.agsy.2003.11.004 proposed a general architecture for validating livestock simulation models, emphasizing the importance of establishing criteria for robustness, accuracy, and contextual applicability.

Additionally, techniques such as neural networks, genetic algorithms, and Bayesian analysis are beginning to be used to simulate energy efficiency and predict productive responses to environmental or management changes.

Evaluation of Existing Models in Energetic and Emergy-Based Livestock Modeling

The use of energetic and emergy-based models applied to livestock systems has significantly advanced the understanding of complex processes related to energy conversion and environmental sustainability. However, a critical analysis of the most widely used approaches reveals structural limitations, methodological shortcomings, and contextual challenges that must still be addressed to enhance their scientific value, technical applicability, and relevance across diverse territories.

Strengths of Current Models

Models used in the analysis of livestock systems enable researchers to address the complexity of these productive environments through frameworks that simplify their structure while preserving their functional logic. Tools such as Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., energy diagrams, implemented through platforms like EmSim, and multivariate statistical methods available in R, allow for the disaggregation of agroecosystems into fundamental components (inputs, internal processes, and derived products). This facilitates a clearer analysis of system interactions, critical points, and efficiency levels. One of the standout advantages of these approaches is their adaptability, as they can be applied to various types of bovine production systems (beef, dairy, or mixed) and adjusted to both high- and low-technification contexts. Classical models such as Brody or Gompertz have demonstrated considerable utility in both extensive and intensive systems, having been successfully calibrated in diverse production settings (Gómez et al., 2008GÓMEZ, D.A.; MUÑOZ, L.M.; RODRÍGUEZ, R.F.: “Modelación de las funciones de crecimiento aplicadas a la producción animal”, Revista Colombiana de Ciencias Pecuarias, 21(3): 50-56, 2008, ISSN: 0120-0690, Publisher: Universidad de Antioquia.).

Beyond their descriptive capacity, emergy modeling offers a valuable quantitative perspective across different systems, through the use of standardized indicators such as the Emergy Yield Ratio (EYR), Environmental Loading Ratio (ELR), and Emergy Sustainability Index (ESI). These metrics make it possible to compare bovine production systems with diverse structures, facilitating the assessment of their environmental performance and projecting their behavior under future production scenarios (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.; Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ). When these models are integrated with technological tools for computational simulation, the analytical possibilities are greatly expanded, as they enable exploration of system responses to change factors such as climate variation, input price fluctuations, or shifts in territorial policy frameworks. In this sense, modeling becomes a strategic tool for forecasting scenarios and guiding technical and policy decisions in an agricultural context increasingly marked by uncertainty.

Identified Limitations

Although energetic and emergy-based modeling has demonstrated significant progress in its application to livestock systems, it still faces limitations that hinder its widespread use, especially in rural contexts. One of the primary challenges is the need for detailed and reliable information on key aspects such as resource consumption, productivity levels, access to natural inputs, and associated energy costs. This requirement becomes a major barrier in areas characterized by poor data availability and low organizational capacity common condition in smallholder or peasant production units (Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ; Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ). Furthermore, there is a marked lack of integration of social, cultural, or organizational variables, which are fundamental in peasant systems. While energy models adequately address the biophysical dimension of sustainability, they often overlook factors related to family dynamics, gender roles, or local governance structures (Toledo, 2003TOLEDO, V.M.: “La memoria biocultural: la importancia ecológica de las sabidurías tradicionales”, Revista Interdisciplinaria de Estudios Ambientales, 1(1): 1-15, 2003.; Altieri & Nicholls, 2012ALTIERI, M.; NICHOLLS, C.I.: “Agroecología: Bases científicas para una agricultura sustentable”, En: Sociedad Científica Latinoamericana de Agroecología, Montevideo: Nordan Comunidad, 2012.).

Another significant obstacle lies in the technical complexity of certain tools. Platforms such as EmSim or modeling languages like Python require advanced knowledge in mathematics, programming, or systems analysis-skills not commonly held by field professionals, extension technicians, or livestock producers (Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ). This technological barrier becomes even more pronounced in the absence of parallel training processes that facilitate the adoption of such methodologies. Finally, it is important to note that many existing models have been designed and tested under experimental or simulated conditions, and their empirical validation in real-world contexts remains limited (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.).This compromises the reliability of their outputs when applied directly to complex and diverse production systems, highlighting the need to design more participatory, context-specific, and empirically grounded methodologies.

Contextual Relevance and Adaptability

One of the most critical limitations of current energetic and emergy-based models is their limited adaptability to the territorial diversity of livestock systems, particularly in Latin America. Rural contexts are characterized by ecological, social, and economic heterogeneity, which calls for more flexible, participatory modeling approaches that are sensitive to local knowledge systems. Recent studies by Durana et al. (2023)DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 and Postigo et al. (2024)POSTIGO, J.; VILLALOBOS, C.; CORTÉS, R.: “Resilience of Paramo Livestock Systems to Climate Variability in the Sumapaz Region”, Land, 13(3), 499, 2024, DOI: https://doi.org/10.3390/land13030499 , emphasize that co-creating models with local actors not only improves the relevance and applicability of these tools but also fosters community empowerment and enhances systemic sustainability. Considering this reality, a critical evaluation points to the urgency of moving toward a new paradigm of livestock modeling that blends scientific accuracy with user-friendliness, systemic thinking with territorial anchoring, computational tools with pedagogical processes, and quantitative rigor with socio-environmental understanding.

Contextual Discussion: A Model Adapted to Rural Territories in Sumapaz

In Cundinamarca (Colombia), a region marked by notable ecological and sociocultural diversity, these differences become a key factor for model design. In territories with such characteristics, emergy-based models stand out for their ability to systemically integrate ecological flows and provide sustainability assessments from a holistic perspective. Nonetheless, their practical application still faces challenges, particularly due to the need for specific, high-resolution data.

On the other hand, multivariate models and participatory simulation approaches demonstrate greater territorial adaptability, as they allow for the incorporation of biophysical, socioeconomic, and cultural variables, which in turn facilitate collaboration and integration with rural communities. These methodologies can be developed using accessible statistical tools (such as PCA or cluster analysis) and are well-suited for rapid diagnostic processes and the co-creation of solutions. This type of approach allows for the evaluation not only of energy efficiency or productive performance but also of the cultural, ecological, and territorial dynamics that make these rural livestock systems unique.

Proposed Future Directions for Energetic-Emergy-Based Modeling in Livestock Systems

Based on the review of the state of the art and a critical evaluation of existing models, there is a clear need to move toward new methodological strategies that allow for more integrative, contextual, and decision-oriented modeling of livestock systems. In this regard, five key development lines are proposed for a new generation of hybrid, territorial, and participatory energy-emergy models.

One major future direction involves combining emergy analysis with multivariate statistical tools, such as PCA, cluster analysis, and multiple regression, to build models that not only represent the system’s energy flows but also enable the identification of production typologies and the projection of differentiated scenarios. This would allow for the identification of relationships between energy efficiency, productive variables, and management practices, as well as the detection and promotion of sustainability patterns among producer groups.

The design of participatory models is also proposed, developed jointly by researchers, technicians, and producers. This co-construction process not only fosters social ownership of the model but also ensures its relevance in terms of language, variables, territorial priorities, and productive culture. Accordingly, it is suggested to create open, visual, and multilingual platforms, adapted to low-connectivity contexts, with user-friendly interfaces suitable for technicians, students, and producers. A promising solution would be a simplified version of EmSim, or the development of modular templates for Excel, R, or Python with preloaded data, which could facilitate the adoption of these models at the territorial level.

Fundamentos de simulación y modelación en agroecosistemas ganaderos

El análisis de los agroecosistemas ganaderos, y en particular de los sistemas bovinos de carne y leche, requiere enfoques metodológicos que permitan capturar su complejidad biofísica, ecológica y socioeconómica. Estos sistemas funcionan como unidades abiertas e interdependientes, donde interactúan factores climáticos, edáficos, biológicos, tecnológicos y humanos, que afectan tanto la eficiencia productiva como la sostenibilidad energética (Tedeschi, 2004TEDESCHI, L. O.: “Assessing the adequacy of mathematical models”, Agricultural Systems, 82(1), 1-17, 2004, DOI: https://doi.org/10.1016/j.agsy.2003.11.004 ; Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ). Por esta razón, el uso de modelos matemáticos y simulaciones ha cobrado gran relevancia para representar, analizar y proyectar el comportamiento dinámico de estos sistemas bajo distintos escenarios.

El enfoque sistémico y la dinámica de los sistemas ganaderos

El enfoque sistémico, propuesto inicialmente por Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1. permite identificar los procesos internos (crecimiento, reproducción, conversión de alimento en biomasa) como los externos (entrada de energía solar, insumos externos, servicios ecosistémicos), los cuales representan los flujos de materia y energía presentes dentro del agroecosistema de los sistemas de producción bovina. Bajo esta perspectiva, los modelos no solo cuantifican salidas productivas, sino que también valoran los costos ocultos y las dependencias del sistema respecto a su entorno biofísico.

Este enfoque ha sido útil para comparar sistemas de manejo contrastantes (extensivos vs. intensivos), identificar puntos críticos de pérdida energética, y evaluar el soporte ecológico necesario para mantener la producción (Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ; Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ). Además, permite integrar elementos socioambientales como la resiliencia climática, el uso del suelo y la sostenibilidad territorial (Postigo et al., 2024POSTIGO, J.; VILLALOBOS, C.; CORTÉS, R.: “Resilience of Paramo Livestock Systems to Climate Variability in the Sumapaz Region”, Land, 13(3), 499, 2024, DOI: https://doi.org/10.3390/land13030499 ).

Tipos de modelos matemáticos aplicados en ganadería

Existen múltiples tipos de modelos utilizados para simular procesos en sistemas ganaderos, los cuales pueden clasificarse según su estructura y propósito en:

Modelos determinísticos, como los de Brody, Gompertz, Richards o Von Bertalanffy, que describen el crecimiento animal mediante funciones matemáticas ajustadas a datos de peso, edad o consumo. Estos modelos han sido aplicados tanto a razas de carne como de leche, y permiten predecir el comportamiento productivo bajo condiciones estándar (Gómez et al., 2008GÓMEZ, D.A.; MUÑOZ, L.M.; RODRÍGUEZ, R.F.: “Modelación de las funciones de crecimiento aplicadas a la producción animal”, Revista Colombiana de Ciencias Pecuarias, 21(3): 50-56, 2008, ISSN: 0120-0690, Publisher: Universidad de Antioquia.).

Modelos estocásticos y probabilísticos, que incorporan incertidumbre y variabilidad en los parámetros de entrada, como los modelos Monte Carlo o bayesianos, útiles para simular escenarios de riesgo, cambios en disponibilidad de alimento o variabilidad climática (Tedeschi, 2004TEDESCHI, L. O.: “Assessing the adequacy of mathematical models”, Agricultural Systems, 82(1), 1-17, 2004, DOI: https://doi.org/10.1016/j.agsy.2003.11.004 ).

Modelos multivariados, entre los que destacan el análisis de componentes principales (PCA), análisis de conglomerados (clúster) y técnicas de reducción de dimensionalidad. Estas herramientas permiten clasificar fincas ganaderas según clima, altitud, uso de tecnologías, productividad y eficiencia energética, como lo evidencian estudios realizados en Cundinamarca y el altiplano andino (Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ; Molina et al., 2025MOLINA, F.; ROMERO, C.; DÍAZ, L.: “Soil Organic Carbon, Water and Carbon Footprints in High Mountain Livestock Systems”, Sustainability, 17(3), 11-35, 2025, https://doi.org/10.3390/su17031135 ).

Modelos de simulación sistémica, como los desarrollados con EmSim, que emplean ecuaciones diferenciales y diagramas energéticos según Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1. para modelar flujos de emergía, acumulación de recursos, eficiencia ecológica y transformación de productos ganaderos (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.).

Modelación energética y emergética

La modelación energética tradicional en ganadería bovina se ha enfocado en estimar el consumo y aprovechamiento de energía en forma de alimentos, trabajo humano, energía fósil, maquinaria e insumos. Estos modelos permiten calcular el balance energético neto, la eficiencia de conversión, o la productividad energética, y han sido fundamentales para determinar la viabilidad técnica de diferentes esquemas de producción (Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ; Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ).

Sin embargo, esta perspectiva suele omitir los costos ambientales ocultos y los servicios ecosistémicos utilizados de forma indirecta. Es aquí donde la modelación emergética aporta una visión más holística al considerar no solo la cantidad de energía, sino su calidad, origen y nivel de transformación. El enfoque emergético, desarrollado por Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., permite representar los flujos acumulados de energía solar equivalente (seJ) necesarios para mantener los procesos ecológicos y productivos en un sistema ganadero.

A partir de estos flujos se construyen indicadores emergéticos que han sido ampliamente validados en estudios de sostenibilidad agropecuaria (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.; Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ). Entre los más relevantes se encuentran: Índice de Retorno de Emergía (EYR): mide cuánta emergía se genera por cada unidad de emergía invertida desde fuera del sistema. Valores altos indican sistemas con mayor auto-suficiencia o dependencia de recursos locales (como forrajes nativos y lluvia). Ejemplo: un sistema extensivo con forraje natural y mínima mecanización puede tener un EYR > 8, mientras que un sistema intensivo con alto uso de concentrado puede tener EYR < 2.

Índice de Carga Ambiental (ELR): representa la presión sobre el ambiente al relacionar emergía no renovable y servicios humanos contra emergía renovable. Valores bajos indican menor impacto ambiental. Ejemplo: un sistema intensivo con fertilización sintética, combustibles fósiles y maquinaria puede tener un ELR > 3, lo que sugiere alta dependencia de recursos externos.

Índice de Sostenibilidad Emergética (ESI): es la razón entre EYR y ELR. Integra rendimiento y carga ambiental en un solo indicador. Un ESI > 5 indica un sistema sostenible; un ESI <1 sugiere insostenibilidad. Ejemplo: sistemas pastoriles con manejo agroecológico pueden tener ESI > 20, mientras que sistemas industrializados pueden caer por debajo de 0,5.

Revisión del estado del arte sobre modelación energética y emergética en ganadería bovina

En las últimas dos décadas, la literatura científica ha presentado un interés progresivo por el uso de modelos matemáticos y análisis de flujos energéticos para evaluar el desempeño y la sostenibilidad de los sistemas ganaderos bovinos. Esta revisión del estado del arte se organiza en tres ejes: (i) estudios que aplican modelos de crecimiento animal con fines energéticos; (ii) investigaciones que modelan flujos de energía o emergía en sistemas productivos; (iii) trabajos que integran análisis multivariados o simulaciones avanzadas para clasificar o rediseñar sistemas ganaderos; y las brechas y oportunidades de la modelación en sistemas de producción bovina.

Aplicación de modelos de crecimiento animal con fines energéticos (versión extendida)

Los modelos de crecimiento animal han sido tradicionalmente utilizados para describir el desarrollo biológico del ganado, pero su aplicación en el análisis energético ha permitido vincularlos con simulaciones de consumo, eficiencia alimentaria y predicción de requerimientos energéticos (Gómez et al., 2006). Entre los modelos más destacados se encuentran los de Brody, Gompertz, Richards y Von Bertalanffy.

Estos modelos, al ser ajustados a datos productivos reales, permiten estimar la energía necesaria para mantener ciertas tasas de crecimiento, proyectar la eficiencia de conversión alimentaria y mejorar la planificación nutricional (Perdigón & González, 2020PERDIGÓN, R.; GONZÁLEZ, R.: “Aplicación de modelos no lineales para evaluar curvas de crecimiento en ganado bovino”, Pastos y Forrajes, 43(2), 123-132, 2020.). Integraciones recientes con lenguajes de programación como R, Python o plataformas de simulación como Stella han fortalecido su utilidad.

Modelación energética y emergética en sistemas ganaderos

La modelación energética convencional en ganadería se ha centrado en estimar la relación entre entradas y salidas de energía en los sistemas productivos. Las entradas incluyen alimentos (forrajes, concentrados), energía fósil (combustibles, electricidad), mano de obra y medicamentos, mientras que las salidas abarcan carne, leche, estiércol y otros productos derivados (Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ; Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ). Estas evaluaciones permiten construir balances energéticos y analizar la eficiencia de conversión, pero a menudo no consideran la calidad ni la procedencia de la energía utilizada.

En respuesta a estas limitaciones, el enfoque emergético ha ganado terreno como una alternativa integral. Propuesto por Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., este enfoque introduce el concepto de emergía como la cantidad total de energía solar equivalente (seJ) requerida para producir un servicio o producto. Esto incluye tanto energía directa (solar, hidráulica, calor) como indirecta (recursos acumulados como suelo, agua o energía humana), permitiendo una evaluación más completa del impacto ecológico de los sistemas productivos.

En ganadería, esta perspectiva se ha aplicado en diferentes regiones del mundo:

En Argentina, Rotolo et al. (2007)ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007. realizaron un análisis emergético de un sistema de cría de bovinos de carne en la región pampeana, determinando que el 86% de la emergía utilizada provenía de recursos renovables. Este tipo de producción mostró un EYR superior a 8 y un ELR de 0.35, lo cual refleja alta eficiencia y bajo impacto ambiental.

En el Pantanal brasileño, Aguiar et al. (2010)AGUIAR, L.F.; DA COSTA, A.M.; SANTOS, M.A.: “Sustentabilidade da pecuária extensiva no Pantanal brasileiro: uma abordagem com base na emergia”, Revista Brasileira de Agroecologia, 5(2), 25-33, 2010. encontraron que los sistemas tradicionales de ganadería extensiva utilizaban en un 98% recursos renovables, logrando ESI por encima de 20, valores que colocan a estos sistemas como referencias de sostenibilidad desde la óptica emergética.

En Francia, Vigne et al. (2013)VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 compararon sistemas lecheros intensivos y extensivos, observando que los primeros dependían fuertemente de insumos externos, con un EYR < 2 y ELR > 3.5, lo que redujo drásticamente su sostenibilidad ambiental.

En Brasil y Colombia, Molina et al. (2025)MOLINA, F.; ROMERO, C.; DÍAZ, L.: “Soil Organic Carbon, Water and Carbon Footprints in High Mountain Livestock Systems”, Sustainability, 17(3), 11-35, 2025, https://doi.org/10.3390/su17031135 reportan que los sistemas semi-intensivos e intensivos pueden mejorar su ESI mediante la integración de prácticas agroecológicas, como rotación de potreros, sistemas silvopastoriles y uso de abonos orgánicos.

Un aspecto destacable en la modelación emergética es el uso de herramientas como EmSim, una plataforma basada en el lenguaje de sistemas energéticos de Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., que permite traducir diagramas de flujo energético en ecuaciones matemáticas. Esta herramienta, aunque poco utilizada en América Latina, representa una oportunidad para simular interacciones complejas entre componentes del sistema y evaluar escenarios futuros con base en indicadores emergéticos fundamentales.

Análisis multivariado y simulación para caracterización de sistemas

Desde la perspectiva de la variabilidad que presentan los sistemas de producción bovina (determinada por factores como clima, altitud, escala, razas, infraestructura y acceso a tecnología), los modelos estadísticos multivariados son herramientas poderosas para la tipificación y clasificación de sistemas productivos. Estos métodos no solo permiten disminuir la complejidad de grandes volúmenes de datos si no también agruparlos en unidades de producción con características similares, permitiendo la toma de decisiones y la diferenciación de patrones.

En Colombia, Cruz et al. (2023)CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 demuestran el desarrollo de un análisis de componentes principales (PCA) y clústeres jerárquicos sobre 68 fincas ganaderas en Cundinamarca, obteniendo una clasificación de los sistemas en tres grupos según su grado de tecnificación, tipo de producción (carne, leche, doble propósito) y variables climáticas. Esta segmentación permitió identificar las fortalezas y limitaciones de cada tipo, relacionándolas con su desempeño energético y ambiental.

De forma complementaria, Durana et al. (2023)DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 desarrollaron un ejercicio participativo de simulación en el altiplano andino colombiano para rediseñar sistemas lecheros de pequeña escala. En este caso, se integraron métodos cuantitativos con enfoques cualitativos, utilizando simulaciones productivas y herramientas de evaluación de sostenibilidad (emergía, huella hídrica, carbono y capitales comunitarios). Este tipo de trabajo multidimensional fortalece la validación social de los modelos propuestos y mejora la apropiación por parte de los actores locales.

A nivel internacional, se ha observado una tendencia creciente al uso de enfoques híbridos que combinan simulación energética, modelación matemática, análisis multivariado y herramientas de optimización. Tedeschi (2004)TEDESCHI, L. O.: “Assessing the adequacy of mathematical models”, Agricultural Systems, 82(1), 1-17, 2004, DOI: https://doi.org/10.1016/j.agsy.2003.11.004 propone una arquitectura general para validar modelos de simulación pecuaria, destacando la importancia de establecer criterios de robustez, precisión y aplicabilidad contextual.

Adicionalmente, técnicas como redes neuronales, algoritmos genéticos y análisis bayesiano están empezando a ser utilizadas en la simulación de eficiencia energética y en la predicción de respuestas productivas ante cambios ambientales o de manejo.

Evaluación de los modelos existentes en la modelación energética y emergética ganadera

El uso de modelos energéticos y emergéticos aplicados a sistemas ganaderos ha permitido avanzar notablemente en la comprensión de procesos complejos relacionados con la conversión de energía y la sostenibilidad ambiental. Sin embargo, al analizar críticamente los enfoques más utilizados, se evidencian limitaciones estructurales, falencias metodológicas y desafíos contextuales que aún deben ser superados para potenciar su valor científico, su aplicabilidad técnica y su pertinencia en distintos territorios.

Fortalezas de los modelos actuales

Los modelos utilizados en el análisis de sistemas ganaderos permiten abordar la complejidad de estos entornos productivos mediante esquemas que simplifican su estructura sin perder de vista su lógica funcional. Herramientas como los diagramas energéticos de Odum (1996)ODUM, H.T.: Environmental accounting: emergy and environmental decision making, 1996, ISBN: 0-471-11442-1., implementados en plataformas EmSim, o los métodos estadísticos multivariados disponibles en lenguajes R, facilitan la disgregación de los agroecosistemas objeto de estudio en elementos fundamentales (entradas, procesos internos y productos derivados) permitiendo analizar con mayor claridad sus relaciones, puntos críticos y niveles de eficiencia. Una de las ventajas sobresaliente de estos enfoques es su capacidad de adaptación, ya que permiten aplicarse a distintos tipos de sistemas de producción bovina (carne, leche o sistemas mixtos) además, ajustarse a los diferentes sistemas de tecnificación o ausencia de estos. Modelos clásicos como los de Brody o Gompertz han demostrado gran utilidad tanto en sistemas extensivos como intensivos, siendo calibrados de manera exitosa en diversos contextos productivos (Gómez et al., 2008GÓMEZ, D.A.; MUÑOZ, L.M.; RODRÍGUEZ, R.F.: “Modelación de las funciones de crecimiento aplicadas a la producción animal”, Revista Colombiana de Ciencias Pecuarias, 21(3): 50-56, 2008, ISSN: 0120-0690, Publisher: Universidad de Antioquia.).

Además de su capacidad descriptiva, la modelación emergética ofrece una perspectiva cuantitativa de gran valor en los diferentes sistemas, gracias a la aplicación de indicadores estandarizados como el Índice de Retorno de Energía (EYR), el Índice de Carga Ambiental (ELR) y el Índice de Sostenibilidad (ESI). Estos parámetros permiten establecer comparaciones entre sistemas de producción bovina con estructuras diversas, facilitando la evaluación de su desempeño ambiental y proyectando su comportamiento en escenarios productivos (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.; Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ). Cuando estos modelos se integran con herramientas tecnológicas de simulación computacional, se amplían las posibilidades de análisis, debido a la posibilidad de explorar la respuesta de los sistemas ante factores de cambio como alteraciones climáticas, fluctuaciones en los precios de insumos o transformaciones en la normativa territorial. En ese sentido, la modelación se convierte en un instrumento estratégico fundamental para predecir escenarios y orientar decisiones técnicas y de política en un entorno agropecuario marcado por la incertidumbre.

Limitaciones identificadas

A pesar de que la modelación energética y emergética ha demostrado importantes avances en la aplicación a los sistemas ganaderos, enfrenta limitaciones que impiden su uso generalizado, en especial dentro de contextos rurales. Uno de los desafíos primordiales es la necesidad de contar con información detallada y confiable sobre aspectos clave como el consumo de recursos, los niveles de productividad, el acceso a insumos naturales y los costos energéticos asociados. Lo cual representa una barrera en territorios caracterizados por ausencia de organización y disponibilidad de datos donde los datos sistematizados, factor común en la mayoría de las unidades de producción campesinas o de pequeños productores (Cruz et al., 2023CRUZ, E.; VILLAMIL, J.; CAMARGO, D.: “Evaluación multivariada de sistemas ganaderos bovinos en Cundinamarca”, Sustainability, 15(16), 2023, 16093. DOI: https://doi.org/10.3390/su1516093 ; Durana et al., 2023DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 ). A esto se suma la escasa integración de variables sociales, culturales u organizativas, que son fundamentales en sistemas campesinos. Si bien los modelos energéticos abordan adecuadamente la dimensión biofísica de la sostenibilidad, suelen dejar de lado factores relacionados con las dinámicas familiares, de género o de gobernanza local (Toledo, 2003TOLEDO, V.M.: “La memoria biocultural: la importancia ecológica de las sabidurías tradicionales”, Revista Interdisciplinaria de Estudios Ambientales, 1(1): 1-15, 2003.; Altieri & Nicholls, 2012ALTIERI, M.; NICHOLLS, C.I.: “Agroecología: Bases científicas para una agricultura sustentable”, En: Sociedad Científica Latinoamericana de Agroecología, Montevideo: Nordan Comunidad, 2012.).

Por otro lado, la complejidad técnica de algunas herramientas representa un obstáculo adicional. Plataformas como EmSim o lenguajes de modelación como Python requieren conocimientos avanzados en matemáticas, programación o análisis de sistemas, lo que limita su uso por parte de profesionales del campo, técnicos de extensión o productores ganaderos (Vigne et al., 2013VIGNE, M.; MARTIN, G.; DURU, M.: “An emergy-based evaluation of dairy farm sustainability in two contrasting systems in France”, Ecological Indicators, 32, 79-87, 2013, DOI: https://doi.org/10.1016/j.ecolind.2013.03.013 ). Esta barrera tecnológica se acentúa cuando no existen procesos formativos paralelos que faciliten la apropiación de estas metodologías. Finalmente, cabe señalar que muchos modelos han sido diseñados y probados en condiciones experimentales o simuladas, y su validación empírica en contextos reales sigue siendo limitada Odum (Rotolo et al., 2007ROTOLO, G.C.; LEMCOFF, J.H.; VIGLIZZO, E.F.: “Evaluación ambiental de sistemas ganaderos de carne mediante análisis de emergía: una aplicación en la Pampa Argentina”, Agrociencia, 11(2), 126-134, 2007.). Esto compromete la fiabilidad de sus resultados cuando se aplican directamente sobre sistemas productivos complejos y diversos, lo cual subraya la necesidad de diseñar metodologías más participativas, situadas y empíricamente contrastadas.

Pertinencia contextual y adaptabilidad

Una de las críticas más importantes a los modelos energéticos y emergéticos existentes es su limitada adaptabilidad a la diversidad territorial de los sistemas ganaderos, especialmente en América Latina. Los contextos rurales presentan una gran heterogeneidad ecológica, social y económica, lo cual demanda enfoques de modelación más flexibles, participativos y sensibles a los saberes locales. Estudios recientes, como los de Durana et al. (2023)DURANA, N.; GONZÁLEZ, R.; FRANCO, P.: “Diagnostic and Redesign of Andean Dairy Systems towards Sustainability”, Frontiers in Sustainable Food Systems, 7, 2023, 1223184. DOI: https://doi.org/10.3389/fsufs.2023.1223184 y Postigo et al. (2024)POSTIGO, J.; VILLALOBOS, C.; CORTÉS, R.: “Resilience of Paramo Livestock Systems to Climate Variability in the Sumapaz Region”, Land, 13(3), 499, 2024, DOI: https://doi.org/10.3390/land13030499 , destacan que los procesos de co-creación de modelos con actores del territorio no solo mejoran la pertinencia y aplicabilidad de estas herramientas, sino que además promueven el empoderamiento comunitario y una mayor sostenibilidad sistémica. Frente a esta realidad, la evaluación crítica plantea la urgencia de transitar hacia un nuevo paradigma de modelación ganadera que combine precisión científica con facilidad de uso, enfoque sistémico con anclaje territorial, herramientas computacionales con procesos pedagógicos, y rigor cuantitativo con comprensión socioambiental.

Discusión contextual: modelo adaptado a territorios rurales del Sumapaz

En Cundinamarca (Colombia), se presenta una notable diversidad ecológica y sociocultural, convirtiéndose en un pilar importante estas diferencias para los modelos. En territorios con estas características, los modelos emergéticos sobresalen por su capacidad para integrar de manera sistémica los flujos ecológicos y ofrecer evaluaciones de sostenibilidad con un enfoque integral. No obstante, su aplicación práctica enfrenta retos, ya que requieren datos específicos y detallados.

Por otro lado, los modelos multivariados y los enfoques de simulación participativa presentan una mejor adaptabilidad territorial, dado que permiten incorporar tantas variables biofísicas socioeconómicas y culturales, las cuales facilitan el trabajo e integración con comunidades rurales. Estas metodologías pueden construirse con herramientas estadísticas accesibles (como PCA o análisis clúster) y se prestan para procesos de diagnóstico rápido y co-creación de soluciones. Este tipo de enfoque permitiría valorar no solo la eficiencia energética o el rendimiento productivo, sino también las dinámicas culturales, ecológicas y territoriales que hacen únicos estos sistemas ganaderos rurales.

Propuesta de líneas futuras de modelación energética-emergética en sistemas ganaderos.

A partir del análisis del estado del arte y la evaluación crítica de los modelos existentes, se evidencia la necesidad de avanzar hacia nuevas estrategias metodológicas que permitan modelar los sistemas ganaderos de forma más integral, contextual y útil para la toma de decisiones sostenibles. En este sentido, se proponen cinco líneas de desarrollo para una nueva generación de modelos energéticos y emergéticos con enfoque híbrido, territorial y participativo.

Una de las principales líneas futuras consiste en combinar el análisis emergético con herramientas estadísticas multivariadas, como PCA, análisis clúster y regresión múltiple, para construir modelos que no solo representen los flujos energéticos del sistema, sino que además permitan identificar tipologías productivas y proyectar escenarios diferenciados, permitiendo de esta manera, identificar relaciones entre eficiencia energética, variables productivas y prácticas de manejo, además de detectar y proponer patrones de sostenibilidad entre grupos de productores.

Se propone el diseño de modelos con enfoque participativo, desarrollados de manera conjunta entre investigadores, técnicos y productores. Esta co-construcción no solo favorece la apropiación social del modelo, sino que garantiza su pertinencia en términos de lenguaje, variables, prioridades territoriales y cultura productiva, por ende se sugiere el diseño de plataformas abiertas, visuales y multilingües, adaptadas a contextos de baja conectividad y con interfaces amigables para técnicos, estudiantes y productores, una opción que de respuesta a ello seria, una versión simplificada de EmSim o la creación de módulos para Excel, R o Python con plantillas precargadas podrían favorecer la adopción de estos modelos a nivel territorial.