ANÁLISIS DE LA SOBERANÍA ALIMENTARIA
EN MÉXICO MEDIANTE UN MODELO DE
MÚLTIPLES CAUSAS Y MÚLTIPLES
INDICADORES
ANALYSIS OF FOOD SOVEREIGNTY IN MEXICO THROUGH
A MODEL OF MULTIPLE CAUSES AND MULTIPLE
INDICATORS
Victoria Martínez Martínez
Universidad Autónoma Chapingo
Samuel Rivera López
Universidad Autónoma Chapingo
Juan Hernández Ortíz
Universidad Autónoma Chapingo
Abel Pérez Zamorano
Universidad Autónoma Chapingo
pág. 7209
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22818
Análisis de la Soberanía Alimentaria en México mediante un modelo de
múltiples causas y múltiples indicadores
Victoria Martínez Martínez1
vickimamv@gmail.com
https://orcid.org/0000-0001-7793-6956
Universidad Autónoma Chapingo
México
Samuel Rivera López
sriveral_comercio@hotmail.com
https://orcid.org/0000-0002-3879-2782
Universidad Autónoma Chapingo
México
Juan Hernández Ortíz
jhdzo@yahoo.com.mx
https://orcid.org/0000-0001-5957-594X
Universidad Autónoma Chapingo
México
Abel Pérez Zamorano
cemeesabelpz@gmail.com
https://orcid.org/0000-0001-7699-9453
Universidad Autónoma Chapingo
México
RESUMEN
Se ha estudiado al término soberanía alimentaria desde diferentes perspectivas como concepto
cualitativo y en cuestiones cuantitativas ha tomado relevancia en diferentes economías como alternativa
para medir de manera objetiva y precisa la capacidad de un país para garantizar el acceso suficiente y
nutritivo a alimentos para su población. El objetivo de este trabajo fue identificar las variables de mayor
impacto para estimar el concepto soberanía alimentaria como variable no observada a través de un
modelo estructural. Para lograr lo anterior, se tomaron algunas variables que se relacionan con la
seguridad alimentaria y el sistema alimentario en general, 29 observaciones en cada una en el periodo
de 1995 a 2023. Se aplicó el modelo estadístico de indicadores múltiples y causas múltiples. Los
hallazgos relevantes fueron: relación inversa de las variables, prevalencia de desnutrición, rendimiento
de cereales, crecimiento poblacional, valor agregado agrícola y exportación de alimentos con la variable
latente, es decir; en general a medida que alguna de estas variables aumenta en 1%, el nivel de soberanía
alimentaria disminuye, aunque en diferente proporción mientras que, 50% de las variables tuvieron una
influencia positiva. Las variables de mayor impacto fueron prevalencia de desnutrición rendimiento de
cereales y crecimiento poblacional.
Palabras claves: MIMIC; sistema alimentario; desnutrición; ecuación estructural, índice
1 Autor principal.
Correspondencia: vickimamv@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22818
Análisis de la Soberanía Alimentaria en México mediante un modelo de
múltiples causas y múltiples indicadores
Victoria Martínez Martínez1
vickimamv@gmail.com
https://orcid.org/0000-0001-7793-6956
Universidad Autónoma Chapingo
México
Samuel Rivera López
sriveral_comercio@hotmail.com
https://orcid.org/0000-0002-3879-2782
Universidad Autónoma Chapingo
México
Juan Hernández Ortíz
jhdzo@yahoo.com.mx
https://orcid.org/0000-0001-5957-594X
Universidad Autónoma Chapingo
México
Abel Pérez Zamorano
cemeesabelpz@gmail.com
https://orcid.org/0000-0001-7699-9453
Universidad Autónoma Chapingo
México
RESUMEN
Se ha estudiado al término soberanía alimentaria desde diferentes perspectivas como concepto
cualitativo y en cuestiones cuantitativas ha tomado relevancia en diferentes economías como alternativa
para medir de manera objetiva y precisa la capacidad de un país para garantizar el acceso suficiente y
nutritivo a alimentos para su población. El objetivo de este trabajo fue identificar las variables de mayor
impacto para estimar el concepto soberanía alimentaria como variable no observada a través de un
modelo estructural. Para lograr lo anterior, se tomaron algunas variables que se relacionan con la
seguridad alimentaria y el sistema alimentario en general, 29 observaciones en cada una en el periodo
de 1995 a 2023. Se aplicó el modelo estadístico de indicadores múltiples y causas múltiples. Los
hallazgos relevantes fueron: relación inversa de las variables, prevalencia de desnutrición, rendimiento
de cereales, crecimiento poblacional, valor agregado agrícola y exportación de alimentos con la variable
latente, es decir; en general a medida que alguna de estas variables aumenta en 1%, el nivel de soberanía
alimentaria disminuye, aunque en diferente proporción mientras que, 50% de las variables tuvieron una
influencia positiva. Las variables de mayor impacto fueron prevalencia de desnutrición rendimiento de
cereales y crecimiento poblacional.
Palabras claves: MIMIC; sistema alimentario; desnutrición; ecuación estructural, índice
1 Autor principal.
Correspondencia: vickimamv@gmail.com
pág. 7210
Analysis of Food Sovereignty in Mexico through a model of multiple causes
and multiple indicators
ABSTRACT
The term food sovereignty has been studied from different perspectives as a qualitative concept and in
quantitative matters it has taken relevance in different economies as an alternative to objectively and
accurately measure the capacity of a country to guarantee sufficient and nutritious access to food for its
population. The objective was to identify variables of greater impact to estimate the concept of food
sovereignty as an unobserved variable through a structural model. To achieve this, some variables that
are related to food security and the food system in general were taken, 29 observations in each one in a
period from 1995 to 2023. The statistical model of multiple indicators and multiple causes was applied.
The relevant findings were: inverse relationship of the variables prevalence of malnutrition, cereal yield,
population growth, agricultural added value and food export with the latent variable, that is, in general
as any of these variables increases by 1%, the level of food sovereignty decreases in different proportions
while 50% of the variables had a positive influence. The variables with the greatest impact were
prevalence of malnutrition, cereal yield and population growth.
Keywords: MIMIC, food system, malnutrition, structural equation, index
Artículo recibido 02 enero 2026
Aceptado para publicación: 30 enero 2026
Analysis of Food Sovereignty in Mexico through a model of multiple causes
and multiple indicators
ABSTRACT
The term food sovereignty has been studied from different perspectives as a qualitative concept and in
quantitative matters it has taken relevance in different economies as an alternative to objectively and
accurately measure the capacity of a country to guarantee sufficient and nutritious access to food for its
population. The objective was to identify variables of greater impact to estimate the concept of food
sovereignty as an unobserved variable through a structural model. To achieve this, some variables that
are related to food security and the food system in general were taken, 29 observations in each one in a
period from 1995 to 2023. The statistical model of multiple indicators and multiple causes was applied.
The relevant findings were: inverse relationship of the variables prevalence of malnutrition, cereal yield,
population growth, agricultural added value and food export with the latent variable, that is, in general
as any of these variables increases by 1%, the level of food sovereignty decreases in different proportions
while 50% of the variables had a positive influence. The variables with the greatest impact were
prevalence of malnutrition, cereal yield and population growth.
Keywords: MIMIC, food system, malnutrition, structural equation, index
Artículo recibido 02 enero 2026
Aceptado para publicación: 30 enero 2026
pág. 7211
INTRODUCCIÓN
La soberanía alimentaria es un concepto abstracto multidimensional, características que han posibilitado
su estudio bajo distintas perspectivas; además es inseparable de las políticas de desarrollo agrícola y se
ha considerado como estrategia de acción política (Ningrum & Subroto, 2020; López & Franco, 2015)
para erradicar el hambre en el sistema alimentario en conjunto con la seguridad alimentaria.
Asimismo, facilita una amplia gama de enfoques (Al Shamsi et al., 2018; Bustos et al. 2022), sin acotarse
a una definición concreta (Bustos et al., 2022, Edelman, 2016), pero con el tiempo, su explicación
semántica se ha ampliado, adaptándose a los cambios estructurales de una economía, es decir, en
diferentes contextos (Agarwal, 2014).
Ha sido objeto de diversos estudios y críticas (Dekeyser et al., 2018). A nivel internacional goza de
varios estudios en cuanto a su medición cuantitativa, diversos indicadores, variables y métodos (Ruiz-
Almeida & Rivera-Ferre, 2019; Levkoe & Blay-Palmer, 2018; Gustafson et al. 2016; Binimelis et al.,
2014). Además, a nivel nacional se le ha relacionado con las medidas disponibles de bienestar social,
ambiental, económico, y de sostenibilidad, en una evaluación comparativa del estado de los sistemas
alimentarios (Levkoe y Blay-Palmer (2018), de igual forma, desde el enfoque de la economía
institucional se ha analizado este concepto (Martínez et al., 2024), a fin de identificar el nivel de las
instituciones que intervienen de manera relevante.
En ese sentido, Calix de Dios et al., (2014) expusieron un marco analítico para medir la seguridad y
soberanía alimentaria en la península de Yucatán; Vallejo-Rojas et al., (2016) desarrollaron un grupo de
indicadores para medir los resultados de las políticas de soberanía alimentaria en los sistemas
agroalimentarios locales en los Andes ecuatorianos, mientras que Islam y Berkes (2016) integraron el
planteamiento de soberanía alimentaria para analizar la seguridad alimentaria de los pueblos indígenas
en el norte de Canadá. Asimismo, (Martínez et al., 2024) identificaron 16 variables del sistema
alimentario de México con mayor significacia relacionados con el concepto de soberanía alimentaria.
En este contexto, a partir de las diferentes propuestas de indicadores internacionales y nacionales, se
analizarán las causas y efectos para la estimación de la soberanía alimentaria en base a las variables
disponibles para el caso mexicano, con la intención de cuantificar los efectos que generan las variables
causales sobre una variable no observable (soberanía alimentaria).
INTRODUCCIÓN
La soberanía alimentaria es un concepto abstracto multidimensional, características que han posibilitado
su estudio bajo distintas perspectivas; además es inseparable de las políticas de desarrollo agrícola y se
ha considerado como estrategia de acción política (Ningrum & Subroto, 2020; López & Franco, 2015)
para erradicar el hambre en el sistema alimentario en conjunto con la seguridad alimentaria.
Asimismo, facilita una amplia gama de enfoques (Al Shamsi et al., 2018; Bustos et al. 2022), sin acotarse
a una definición concreta (Bustos et al., 2022, Edelman, 2016), pero con el tiempo, su explicación
semántica se ha ampliado, adaptándose a los cambios estructurales de una economía, es decir, en
diferentes contextos (Agarwal, 2014).
Ha sido objeto de diversos estudios y críticas (Dekeyser et al., 2018). A nivel internacional goza de
varios estudios en cuanto a su medición cuantitativa, diversos indicadores, variables y métodos (Ruiz-
Almeida & Rivera-Ferre, 2019; Levkoe & Blay-Palmer, 2018; Gustafson et al. 2016; Binimelis et al.,
2014). Además, a nivel nacional se le ha relacionado con las medidas disponibles de bienestar social,
ambiental, económico, y de sostenibilidad, en una evaluación comparativa del estado de los sistemas
alimentarios (Levkoe y Blay-Palmer (2018), de igual forma, desde el enfoque de la economía
institucional se ha analizado este concepto (Martínez et al., 2024), a fin de identificar el nivel de las
instituciones que intervienen de manera relevante.
En ese sentido, Calix de Dios et al., (2014) expusieron un marco analítico para medir la seguridad y
soberanía alimentaria en la península de Yucatán; Vallejo-Rojas et al., (2016) desarrollaron un grupo de
indicadores para medir los resultados de las políticas de soberanía alimentaria en los sistemas
agroalimentarios locales en los Andes ecuatorianos, mientras que Islam y Berkes (2016) integraron el
planteamiento de soberanía alimentaria para analizar la seguridad alimentaria de los pueblos indígenas
en el norte de Canadá. Asimismo, (Martínez et al., 2024) identificaron 16 variables del sistema
alimentario de México con mayor significacia relacionados con el concepto de soberanía alimentaria.
En este contexto, a partir de las diferentes propuestas de indicadores internacionales y nacionales, se
analizarán las causas y efectos para la estimación de la soberanía alimentaria en base a las variables
disponibles para el caso mexicano, con la intención de cuantificar los efectos que generan las variables
causales sobre una variable no observable (soberanía alimentaria).
pág. 7212
Por lo tanto, el objetivo fue formular y ejecutar un modelo de múltiples indicadores y múltiples causas
para cuantificar los efectos de diez variables observadas sobre el concepto soberanía alimentaria en
México mediante la pregunta ¿Qué variables explican la soberanía alimentaria en México desde la
perspectiva de los datos del Banco Mundial?
MATERIALES Y MÉTODOS
En el estudio se ocuparon variables que se relacionan íntimamente con el concepto soberanía alimentaria
identificadas a partir de la revisión documental de diversos estudios. La base de datos para el análisis
se creó a partir de datos reportados por el Banco Mundial desde 1995 a 2023 y su análisis se apoyó en
el programa RStudio-2024.12.0-467.
El periodo de estudio se definió a partir de variables relevantes en la soberanía alimentaria, por ejemplo,
prevalencia de desnutrición (% de la población), extracción anual de agua dulce para uso agrícola (%
del total de extracción de agua dulce), empleos en agricultura (% del total de empleos), cuyo registro
empezó en 1995, al menos en el caso mexicano. Las diez variables ocupadas se miden en porcentajes y
la variable rendimiento de cereales se transformó de kilogramos a toneladas a fin de facilitar la
comparación entre las variables.
Se aplicó el enfoque del análisis multivariado, el cual abarca un conjunto de técnicas estadísticas para
“analizar e interpretar relaciones entre distintas variables de manera simultánea, mediante la
construcción de modelos estadísticos para distinguir la contribución independente de cada una de ellas
en el sistema de relaciones” (Meneses, 2019, p.22) es decir, constituye una serie de técnicas y modelos
para un análisis exploratorio en búsqueda de patrones de comportamiento de los datos.
Se apoyó en la herramienta “ecuaciones estructurales” porque permite estudiar la relación que hay entre
variables latentes y observadas (Manzano, 2018) y también, permite analizar los efectos de las variables
causales sobre la soberanía alimentaria y los efectos de soberanía alimentaria sobre las variables
indicadoras.
El modelo de ecuaciones estructurales (SEM) combina modelos de regresión múltiple con modelos de
análisis factorial, permitiendo analizar simultáneamente múltiples relaciones entre variables latentes y
observadas, así como efectos directos e indirectos entre las variables Hair et al., (2017).
Por lo tanto, el objetivo fue formular y ejecutar un modelo de múltiples indicadores y múltiples causas
para cuantificar los efectos de diez variables observadas sobre el concepto soberanía alimentaria en
México mediante la pregunta ¿Qué variables explican la soberanía alimentaria en México desde la
perspectiva de los datos del Banco Mundial?
MATERIALES Y MÉTODOS
En el estudio se ocuparon variables que se relacionan íntimamente con el concepto soberanía alimentaria
identificadas a partir de la revisión documental de diversos estudios. La base de datos para el análisis
se creó a partir de datos reportados por el Banco Mundial desde 1995 a 2023 y su análisis se apoyó en
el programa RStudio-2024.12.0-467.
El periodo de estudio se definió a partir de variables relevantes en la soberanía alimentaria, por ejemplo,
prevalencia de desnutrición (% de la población), extracción anual de agua dulce para uso agrícola (%
del total de extracción de agua dulce), empleos en agricultura (% del total de empleos), cuyo registro
empezó en 1995, al menos en el caso mexicano. Las diez variables ocupadas se miden en porcentajes y
la variable rendimiento de cereales se transformó de kilogramos a toneladas a fin de facilitar la
comparación entre las variables.
Se aplicó el enfoque del análisis multivariado, el cual abarca un conjunto de técnicas estadísticas para
“analizar e interpretar relaciones entre distintas variables de manera simultánea, mediante la
construcción de modelos estadísticos para distinguir la contribución independente de cada una de ellas
en el sistema de relaciones” (Meneses, 2019, p.22) es decir, constituye una serie de técnicas y modelos
para un análisis exploratorio en búsqueda de patrones de comportamiento de los datos.
Se apoyó en la herramienta “ecuaciones estructurales” porque permite estudiar la relación que hay entre
variables latentes y observadas (Manzano, 2018) y también, permite analizar los efectos de las variables
causales sobre la soberanía alimentaria y los efectos de soberanía alimentaria sobre las variables
indicadoras.
El modelo de ecuaciones estructurales (SEM) combina modelos de regresión múltiple con modelos de
análisis factorial, permitiendo analizar simultáneamente múltiples relaciones entre variables latentes y
observadas, así como efectos directos e indirectos entre las variables Hair et al., (2017).
pág. 7213
En este modelo de ecuaciones estructurales se identifican dos componentes principales: relaciones de
las variables latentes (o constructos) con sus indicadores (o variables empíricas) y se describe la
interrelación entre los constructos (Cupani, 2012), lo que permite seleccionar hipótesis causales
relevantes, eliminando aquellas no sustentadas por la evidencia empírica.
El enfoque empírico se apoya en una variante de los modelos SEM, al tratarse varias variables
observables (indicadores) para medir la variable latente. El marco de Indicadores Múltiples y Causas
Múltiples (MIMIC) es “un modelo de ecuaciones estructurales que genera un resultado
multidimensional, incorporando distintas causas y efectos para la determinación de una variable no
observable” (Ruesga, 2020, p. 4) y permite realizar medición de los efectos directos e indirectos de las
variables de soberanía alimentaria, mediante el análisis econométrico y factorial de regresiones Almenar,
at al. (2020).
Este modelo se compone dos partes: ecuaciones estructurales y ecuaciones de cuantificación. La
primera, forma las relaciones de las variables no observables con sus causas específicas y la segunda,
relaciona los indicadores con las variables no observables; por lo tanto, la primera ecuación estructural
se presenta como:
η = γ´ xi + ζ (1)
Donde η es la variable latente, los valores γ´ son escalares, xi son los vectores de las variables causales
observadas, y ζ es el residuo vectorial (Ruesga, 2020, p. 5).
La segunda ecuación de cuantificaciones que relaciona la variable latente η con los indicadores
endógenos observables Y1, Y2, se describe como:
Yi = λi η + E (2)
Donde Yi, es el indicador observado; λi , el coeficiente de carga factorial, representa la relación entre el
indicador y la variable latente; η, variable latente y E término de error del indicador (Ruesga, 2020).
El modelo MIMIC sería: Y = λ (γ´ xi + ζ) + E (3)
Para la estimación del modelo MIMIC, se establecen múltiples variables de causas y efectos de la
soberanía alimentaria:
𝜂=𝛾1𝑥1+𝛾2𝑥2+… …+𝛾𝑞𝑥𝑞+𝜁η=γ1x1+γ2x2+… …+γqxq+ζ
En este modelo de ecuaciones estructurales se identifican dos componentes principales: relaciones de
las variables latentes (o constructos) con sus indicadores (o variables empíricas) y se describe la
interrelación entre los constructos (Cupani, 2012), lo que permite seleccionar hipótesis causales
relevantes, eliminando aquellas no sustentadas por la evidencia empírica.
El enfoque empírico se apoya en una variante de los modelos SEM, al tratarse varias variables
observables (indicadores) para medir la variable latente. El marco de Indicadores Múltiples y Causas
Múltiples (MIMIC) es “un modelo de ecuaciones estructurales que genera un resultado
multidimensional, incorporando distintas causas y efectos para la determinación de una variable no
observable” (Ruesga, 2020, p. 4) y permite realizar medición de los efectos directos e indirectos de las
variables de soberanía alimentaria, mediante el análisis econométrico y factorial de regresiones Almenar,
at al. (2020).
Este modelo se compone dos partes: ecuaciones estructurales y ecuaciones de cuantificación. La
primera, forma las relaciones de las variables no observables con sus causas específicas y la segunda,
relaciona los indicadores con las variables no observables; por lo tanto, la primera ecuación estructural
se presenta como:
η = γ´ xi + ζ (1)
Donde η es la variable latente, los valores γ´ son escalares, xi son los vectores de las variables causales
observadas, y ζ es el residuo vectorial (Ruesga, 2020, p. 5).
La segunda ecuación de cuantificaciones que relaciona la variable latente η con los indicadores
endógenos observables Y1, Y2, se describe como:
Yi = λi η + E (2)
Donde Yi, es el indicador observado; λi , el coeficiente de carga factorial, representa la relación entre el
indicador y la variable latente; η, variable latente y E término de error del indicador (Ruesga, 2020).
El modelo MIMIC sería: Y = λ (γ´ xi + ζ) + E (3)
Para la estimación del modelo MIMIC, se establecen múltiples variables de causas y efectos de la
soberanía alimentaria:
𝜂=𝛾1𝑥1+𝛾2𝑥2+… …+𝛾𝑞𝑥𝑞+𝜁η=γ1x1+γ2x2+… …+γqxq+ζ
pág. 7214
Para el estudio, la variable latente (η, soberanía alimentaria) está determinada linealmente y sujeta a una
perturbación (ζ) por un conjunto de causas exógenas observables (X), y el modelo de medición vincula
los indicadores (y) y la variable latente (η):
De manera genérica el modelo MIMIC se presenta de la siguiente forma:
Figura 1. Modelo genérico del modelo MIMIC
Fuente: Gempp & Thieme (2014).
De los procesos en la estimación del modelo MIMIC, el primer análisis fue confirmar las relaciones
entre la variable latente y sus variables causas e indicadores de acuerdo con los signos esperados (Véase
figura 2). Después de estimar las relaciones con sus respectivos parámetros, los resultados del modelo
se ocuparon para construir la gráfica Path (figura 3) para observar las correlaciones observadas a través
de caminos causales entre variables, la gráfica antes mencionada fue desarrollada por Sewell Wright en
1921. También se estimó el índice de soberanía alimentaria como variable latente durante el periodo de
estudio.
Por su parte, para la estimación del modelo se apoyó en el programa RStudio. Se consideraron ocho
variables causa (exportación de alimentos, importación de alimentos, rentas totales de los recursos
naturales, mano de obra, valor agregado agrícola, rendimiento de cereales, extracción de agua dulce,
crecimiento poblacional), dos variables indicadoras (emisión agrícola de óxido nitroso y prevalencia de
desnutrición) y una variable latente (soberanía alimentaria), a partir de los cuales se construyó la figura
3.
Para el estudio, la variable latente (η, soberanía alimentaria) está determinada linealmente y sujeta a una
perturbación (ζ) por un conjunto de causas exógenas observables (X), y el modelo de medición vincula
los indicadores (y) y la variable latente (η):
De manera genérica el modelo MIMIC se presenta de la siguiente forma:
Figura 1. Modelo genérico del modelo MIMIC
Fuente: Gempp & Thieme (2014).
De los procesos en la estimación del modelo MIMIC, el primer análisis fue confirmar las relaciones
entre la variable latente y sus variables causas e indicadores de acuerdo con los signos esperados (Véase
figura 2). Después de estimar las relaciones con sus respectivos parámetros, los resultados del modelo
se ocuparon para construir la gráfica Path (figura 3) para observar las correlaciones observadas a través
de caminos causales entre variables, la gráfica antes mencionada fue desarrollada por Sewell Wright en
1921. También se estimó el índice de soberanía alimentaria como variable latente durante el periodo de
estudio.
Por su parte, para la estimación del modelo se apoyó en el programa RStudio. Se consideraron ocho
variables causa (exportación de alimentos, importación de alimentos, rentas totales de los recursos
naturales, mano de obra, valor agregado agrícola, rendimiento de cereales, extracción de agua dulce,
crecimiento poblacional), dos variables indicadoras (emisión agrícola de óxido nitroso y prevalencia de
desnutrición) y una variable latente (soberanía alimentaria), a partir de los cuales se construyó la figura
3.
pág. 7215
Variables indicadoras (efectos)
Son aquellas variables observadas y se utilizaron para medir o reflejar la variable latente que no es
observada directamente. Para la selección de estas variables se recurrió a la teoría del constructo aplicada
a la (soberanía alimentaria), en donde se consideró que las diez variables seleccionadas tienen relación
con este concepto abstracto que, por ello, no puede ser medida de forma directa.
De las variables indicadores, la importancia de la primera variable “prevalencia de desnutrición” (PD),
radica en que la razón de ser de la soberanía alimentaria es erradicar el hambre (Edelman et al. 2014):
en consecuencia, se espera un signo negativo.
H1: A mayor soberanía alimentaria, menor prevalencia de desnutrición.
La segunda variable, Emisión Agrícola de Óxido Nitroso (EAON), es importante por los costos
medioambientales que se generan en el proceso de producción, consumo de combustibles fósiles,
emisión de carbono en la industrialización y en el procesamiento de alimentos (Bernstein, 2015). Este
concepto alude a un horizonte de mediano o largo plazo, pero en el corto plazo puede existir una relación
directa. Por lo tanto, se espera un signo positivo.
H2 A mayor emisión agrícola de óxido nitroso, mayor impacto negativo sobre la soberanía alimentaria.
Variables causa (explicativas)
La tercera variable considerada fue Exportación de alimentos (EALI) y su importancia radica en que
“han disminuido los ingresos de los pequeños agricultores en los mercados locales y, a largo plazo, esto
ha servido para socavar la viabilidad de la agricultura a pequeña escala” (Edelman, et al., 2014, p. 7);
además la industria agroalimentaria es primordial desde la perspectiva económica basada en la
exportación (Binimelis et al., 2014). No obstante, en el corto plazo las exportaciones suelen reflejar que
el consumo nacional se encuentra aparentemente satisfecho. Por lo tanto, el signo esperado es positivo.
H3 A mayor exportación de alimentos, mayor nivel de soberanía alimentaria.
La cuarta variable considerada fue “Importación de alimentos” (M) como segunda variable causa,
porque “ha simplificado las dietas de manera poco saludable por una variedad de alimentos altamente
procesados que han desplazado cada vez más a las variedades genéticamente más diversas (y
nutricionalmente ricas) (Edelman, et al. 2014, p. 7). Se espera un signo negativo, porque la soberanía
alimentaria se ha medido directamente con el nivel de importaciones y su objetivo ha sido la disminución
Variables indicadoras (efectos)
Son aquellas variables observadas y se utilizaron para medir o reflejar la variable latente que no es
observada directamente. Para la selección de estas variables se recurrió a la teoría del constructo aplicada
a la (soberanía alimentaria), en donde se consideró que las diez variables seleccionadas tienen relación
con este concepto abstracto que, por ello, no puede ser medida de forma directa.
De las variables indicadores, la importancia de la primera variable “prevalencia de desnutrición” (PD),
radica en que la razón de ser de la soberanía alimentaria es erradicar el hambre (Edelman et al. 2014):
en consecuencia, se espera un signo negativo.
H1: A mayor soberanía alimentaria, menor prevalencia de desnutrición.
La segunda variable, Emisión Agrícola de Óxido Nitroso (EAON), es importante por los costos
medioambientales que se generan en el proceso de producción, consumo de combustibles fósiles,
emisión de carbono en la industrialización y en el procesamiento de alimentos (Bernstein, 2015). Este
concepto alude a un horizonte de mediano o largo plazo, pero en el corto plazo puede existir una relación
directa. Por lo tanto, se espera un signo positivo.
H2 A mayor emisión agrícola de óxido nitroso, mayor impacto negativo sobre la soberanía alimentaria.
Variables causa (explicativas)
La tercera variable considerada fue Exportación de alimentos (EALI) y su importancia radica en que
“han disminuido los ingresos de los pequeños agricultores en los mercados locales y, a largo plazo, esto
ha servido para socavar la viabilidad de la agricultura a pequeña escala” (Edelman, et al., 2014, p. 7);
además la industria agroalimentaria es primordial desde la perspectiva económica basada en la
exportación (Binimelis et al., 2014). No obstante, en el corto plazo las exportaciones suelen reflejar que
el consumo nacional se encuentra aparentemente satisfecho. Por lo tanto, el signo esperado es positivo.
H3 A mayor exportación de alimentos, mayor nivel de soberanía alimentaria.
La cuarta variable considerada fue “Importación de alimentos” (M) como segunda variable causa,
porque “ha simplificado las dietas de manera poco saludable por una variedad de alimentos altamente
procesados que han desplazado cada vez más a las variedades genéticamente más diversas (y
nutricionalmente ricas) (Edelman, et al. 2014, p. 7). Se espera un signo negativo, porque la soberanía
alimentaria se ha medido directamente con el nivel de importaciones y su objetivo ha sido la disminución
pág. 7216
de la dependencia de alimentos del exterior, a través de la producción de éstos internamente (Martin &
Wagner, 2018). Por lo tanto, también se esperaría un signo negativo.
H4 A mayor importación de alimentos, menor soberanía alimentaria,
La quinta variable fue “Rentas Totales de los Recursos Naturales” (RTRN), como variable causa, porque
a largo plazo es factor de pérdida de biodiversidad en beneficio de grandes corporaciones (Moreno-
Calles et al. 2016). Pero al tratarse del corto plazo, el país podría observar repunte en la soberanía
alimentaria a costa de la sobreexplotación de los recursos naturales lo cual podría influir, temporalmente
de manera positiva en el nivel de soberanía alimentaria véase (cuadro 1).
H5 A menores Rentas Totales de los Recursos Naturales, mayor nivel de soberanía alimentaria.
La sexta variable fue “Trabajadores en el sector agrícola” (% de total PEA), se representó como (MO);
esta variable es imprescindible, ya que los trabajadores del campo son los encargados de producir
alimentos; por lo tanto, se espera un signo positivo para este variable.
H6 A mayor número de trabajadores en agricultura, mayor nivel de soberanía alimentaria.
Como séptima variable, se ocupó el “Valor agregado agrícola” (AVA); se espera un signo positivo, ya
que en la economía la producción agrícola es esencial para cubrir la demanda interna de alimentos y al
transformar los productos agrícolas se permitiría el mejoramiento en la nutrición básica, reducción del
desperdicio, mejora en el ingreso de los agricultores y sustitución de importaciones de productos
(Castellano & Goizueta, 2016; Peña, 2016) véase (cuadro 1).
H7 A mayor valor agregado agrícola, mayor nivel de soberanía alimentaria.
La octava variable fue “Rendimiento de los cereales” (RC) y se esperaría un signo positivo, aunque esta
variable depende de los recursos para aumentar la productividad y la producción; por ejemplo, acceso a
la tierra, agua, semillas, fertilizantes, financiamiento, maquinaria y tecnología agrícola entre otros, ya
que sin estos los cultivos no se podrían cosechar véase, (cuadro 1).
H8 a mayor rendimiento de cereales, mayor nivel de soberanía alimentaria.
La novena variable fue “Extracción anual de agua dulce para uso agrícola” (% del total de extracción de
agua dulce), es importante al tratarse de un recurso vital para la existencia de la humanidad, a corto
plazo se espera un signo positivo.
H9 A mayor extracción de agua dulce para la agricultura, mayor soberanía alimentaria
de la dependencia de alimentos del exterior, a través de la producción de éstos internamente (Martin &
Wagner, 2018). Por lo tanto, también se esperaría un signo negativo.
H4 A mayor importación de alimentos, menor soberanía alimentaria,
La quinta variable fue “Rentas Totales de los Recursos Naturales” (RTRN), como variable causa, porque
a largo plazo es factor de pérdida de biodiversidad en beneficio de grandes corporaciones (Moreno-
Calles et al. 2016). Pero al tratarse del corto plazo, el país podría observar repunte en la soberanía
alimentaria a costa de la sobreexplotación de los recursos naturales lo cual podría influir, temporalmente
de manera positiva en el nivel de soberanía alimentaria véase (cuadro 1).
H5 A menores Rentas Totales de los Recursos Naturales, mayor nivel de soberanía alimentaria.
La sexta variable fue “Trabajadores en el sector agrícola” (% de total PEA), se representó como (MO);
esta variable es imprescindible, ya que los trabajadores del campo son los encargados de producir
alimentos; por lo tanto, se espera un signo positivo para este variable.
H6 A mayor número de trabajadores en agricultura, mayor nivel de soberanía alimentaria.
Como séptima variable, se ocupó el “Valor agregado agrícola” (AVA); se espera un signo positivo, ya
que en la economía la producción agrícola es esencial para cubrir la demanda interna de alimentos y al
transformar los productos agrícolas se permitiría el mejoramiento en la nutrición básica, reducción del
desperdicio, mejora en el ingreso de los agricultores y sustitución de importaciones de productos
(Castellano & Goizueta, 2016; Peña, 2016) véase (cuadro 1).
H7 A mayor valor agregado agrícola, mayor nivel de soberanía alimentaria.
La octava variable fue “Rendimiento de los cereales” (RC) y se esperaría un signo positivo, aunque esta
variable depende de los recursos para aumentar la productividad y la producción; por ejemplo, acceso a
la tierra, agua, semillas, fertilizantes, financiamiento, maquinaria y tecnología agrícola entre otros, ya
que sin estos los cultivos no se podrían cosechar véase, (cuadro 1).
H8 a mayor rendimiento de cereales, mayor nivel de soberanía alimentaria.
La novena variable fue “Extracción anual de agua dulce para uso agrícola” (% del total de extracción de
agua dulce), es importante al tratarse de un recurso vital para la existencia de la humanidad, a corto
plazo se espera un signo positivo.
H9 A mayor extracción de agua dulce para la agricultura, mayor soberanía alimentaria
pág. 7217
“Crecimiento poblacional” (Pob), es variable causa por su relación directa en el aumento de la
producción agrícola ante el aumento de mano de obra que se dispondría para la producción de alimentos
(Hernández & Rodríguez, 2024) véase (cuadro 1). Pero, en algunos intervalos de tiempo podría
observarse un efecto contrario, debido especialmente a la sobrepoblación rural y se espera un efecto
negativo, por tanto:
H10 A mayor crecimiento poblacional, menor nivel de la soberanía alimentaria.
Variable latente (no observada)
Soberanía alimentaria, concepto abstracto de estudio, que no es observada directamente, pero se puede
estimar a través de las variables indicadoras (EAON y PD).
Cuadro 1. Definición de variables causa e indicadoras de soberanía alimentaria.
Variables Definición Signos
esperados
Variables indicadores
EAON (y2) Emisión Agrícola de óxido nitroso +
PD (y3) Prevalencia de desnutrición -
Variables causa
EALI(x1) Exportación de alimentos (% de exportaciones de mercaderías) +
IMALI(y4) Importación de alimentos (% de importación de mercaderías) -
RTRN(x2) Rentas Totales de los Recursos Naturales (% del PIB) +
MO (x15) Trabajadores en al sector agrícola (% de total PEA +
AVA (x5) Valor agregado agrícola (% PIB) +
RC (x14) Rendimiento de cereales +
HO (x9) Extracción anual de agua dulce para uso agrícola (% del total de
extracción de agua dulce)
+
Pob (x3) Crecimiento poblacional -
Fuente: Elaboración propia.
RESULTADOS Y DISCUSIÓN
Las variables utilizadas en el modelo presentaron normalidad, lo cual fue comprobado a través del Test
Jarque Bera, concordando con la hipótesis nula de que los datos siguen una distribución normal véase
(cuadro 2).
“Crecimiento poblacional” (Pob), es variable causa por su relación directa en el aumento de la
producción agrícola ante el aumento de mano de obra que se dispondría para la producción de alimentos
(Hernández & Rodríguez, 2024) véase (cuadro 1). Pero, en algunos intervalos de tiempo podría
observarse un efecto contrario, debido especialmente a la sobrepoblación rural y se espera un efecto
negativo, por tanto:
H10 A mayor crecimiento poblacional, menor nivel de la soberanía alimentaria.
Variable latente (no observada)
Soberanía alimentaria, concepto abstracto de estudio, que no es observada directamente, pero se puede
estimar a través de las variables indicadoras (EAON y PD).
Cuadro 1. Definición de variables causa e indicadoras de soberanía alimentaria.
Variables Definición Signos
esperados
Variables indicadores
EAON (y2) Emisión Agrícola de óxido nitroso +
PD (y3) Prevalencia de desnutrición -
Variables causa
EALI(x1) Exportación de alimentos (% de exportaciones de mercaderías) +
IMALI(y4) Importación de alimentos (% de importación de mercaderías) -
RTRN(x2) Rentas Totales de los Recursos Naturales (% del PIB) +
MO (x15) Trabajadores en al sector agrícola (% de total PEA +
AVA (x5) Valor agregado agrícola (% PIB) +
RC (x14) Rendimiento de cereales +
HO (x9) Extracción anual de agua dulce para uso agrícola (% del total de
extracción de agua dulce)
+
Pob (x3) Crecimiento poblacional -
Fuente: Elaboración propia.
RESULTADOS Y DISCUSIÓN
Las variables utilizadas en el modelo presentaron normalidad, lo cual fue comprobado a través del Test
Jarque Bera, concordando con la hipótesis nula de que los datos siguen una distribución normal véase
(cuadro 2).
pág. 7218
Cuadro 2. Prueba Jarque Bera Test (valor P) de normalidad univariada.
Jarque Bera Test
X-squared = 2.7569 df = 2 p-value = 0.252
Fuente: Elaboración propia en apoyo del software RStudio.
Figura 2. Matriz de correlaciones.
Fuente: Elaboración propia con datos del Banco Mundial (1995-2023) en apoyo del software RStudio.
De acuerdo con la Figura 2, cinco variables tienen una fuerte correlación mayor a 90% (Crecimiento de
la población, Rendimiento de cereales, Prevalencia de desnutrición, Mano de obra y Extracción de agua),
lo que permite evitar problemas de colinealidad al tratarse de una variable indicadora (PD) y cuatro
variables causa (Pob, RC, MO, HO).
Asimismo, el 60% de las variables pasaron la prueba de la hipótesis véase (Figura 3); por ejemplo, se
esperaba un signo positivo en RTRN, MO, HO, EAON y signos negativos en PD Pob y fue lo que se
obtuvo; es decir, el aumento de la soberanía alimentaria está asociada a una disminución de la
prevalencia de desnutrición, exportación, el rendimiento de cereales, el crecimiento poblacional, a
excepción de valor agregado agrícola, importaciones, extracción de agua dulce para la agricultura,
número de trabajadores en la agricultura y emisión agrícola de Óxido nitroso (véase Anexo 1).
El valor agregado agrícola presentó signo negativo, contrario a lo esperado, es decir, cuando disminuye
el valor agregado agrícola, aumenta el nivel de soberanía alimentaria, esto podría suceder cuando se
Cuadro 2. Prueba Jarque Bera Test (valor P) de normalidad univariada.
Jarque Bera Test
X-squared = 2.7569 df = 2 p-value = 0.252
Fuente: Elaboración propia en apoyo del software RStudio.
Figura 2. Matriz de correlaciones.
Fuente: Elaboración propia con datos del Banco Mundial (1995-2023) en apoyo del software RStudio.
De acuerdo con la Figura 2, cinco variables tienen una fuerte correlación mayor a 90% (Crecimiento de
la población, Rendimiento de cereales, Prevalencia de desnutrición, Mano de obra y Extracción de agua),
lo que permite evitar problemas de colinealidad al tratarse de una variable indicadora (PD) y cuatro
variables causa (Pob, RC, MO, HO).
Asimismo, el 60% de las variables pasaron la prueba de la hipótesis véase (Figura 3); por ejemplo, se
esperaba un signo positivo en RTRN, MO, HO, EAON y signos negativos en PD Pob y fue lo que se
obtuvo; es decir, el aumento de la soberanía alimentaria está asociada a una disminución de la
prevalencia de desnutrición, exportación, el rendimiento de cereales, el crecimiento poblacional, a
excepción de valor agregado agrícola, importaciones, extracción de agua dulce para la agricultura,
número de trabajadores en la agricultura y emisión agrícola de Óxido nitroso (véase Anexo 1).
El valor agregado agrícola presentó signo negativo, contrario a lo esperado, es decir, cuando disminuye
el valor agregado agrícola, aumenta el nivel de soberanía alimentaria, esto podría suceder cuando se
pág. 7219
prioriza la producción local y no el procesamiento del producto agrícola a gran escala, a fin de garantizar
la disponibilidad de productos básicos haciendo énfasis en la autosuficiencia alimentaria. Esto puede
ocurrir también cuando una parte importante de la producción no pasa por el mercado.
En contraste, contrario a lo esperado, el signo de las importaciones fue positivo, por lo tanto, el país no
tiene control sobre el sistema alimentario, ya que conforme aumentan las importaciones, se evidencia la
falta de capacidad del país en producción, acceso a tecnologías, semillas, entre otras. Es decir, aunque
se priorice la autosuficiencia con la producción local, las importaciones son necesarias para
complementar la oferta limitada. El signo contrario a lo esperado en el caso de las importaciones puede
deberse a que muchas de ellas son materia prima de las cuales se requieren mayores cantidades para
generar internamente una mayor disponibilidad de alimentos.
Lo anterior dejó claro que el 50% de las variables, tienen una relación estrecha y en la misma dirección
con la soberanía alimentaria, y a medida que aumenta el valor de estas variables la soberanía alimentaria
aumenta.
También las pruebas de ajuste del modelo son significativas como se indica en el Cuadro 3.
Cuadro 3. Pruebas de validación modelo MIMIC.
Test ModeloC Parámetros
P>Chi2 0.627 >0.05
RMSEA 0.000 0-0.10
Akaike (AIC) 9.689 Positivos
Bayesian (BIC) 26.097 Positivos
Comparative Fit Index (CFI) 1.000 >0.7
Tucker-Lewis Index (TLI) 1.023 >0.7
SRMR 0.026 0-0.05
Fuente: Elaboración propia con datos del Banco mundial (1995-2023) en RStudio
De todos los modelos realizados la más representativa figura en el Cuadro 3, modelo que tiene un ajuste
aceptable y representa bien la relación entre las variables observadas; además, el modelo tiene un ajuste
razonablemente bien y una alta verosimilitud relativa en los datos.
prioriza la producción local y no el procesamiento del producto agrícola a gran escala, a fin de garantizar
la disponibilidad de productos básicos haciendo énfasis en la autosuficiencia alimentaria. Esto puede
ocurrir también cuando una parte importante de la producción no pasa por el mercado.
En contraste, contrario a lo esperado, el signo de las importaciones fue positivo, por lo tanto, el país no
tiene control sobre el sistema alimentario, ya que conforme aumentan las importaciones, se evidencia la
falta de capacidad del país en producción, acceso a tecnologías, semillas, entre otras. Es decir, aunque
se priorice la autosuficiencia con la producción local, las importaciones son necesarias para
complementar la oferta limitada. El signo contrario a lo esperado en el caso de las importaciones puede
deberse a que muchas de ellas son materia prima de las cuales se requieren mayores cantidades para
generar internamente una mayor disponibilidad de alimentos.
Lo anterior dejó claro que el 50% de las variables, tienen una relación estrecha y en la misma dirección
con la soberanía alimentaria, y a medida que aumenta el valor de estas variables la soberanía alimentaria
aumenta.
También las pruebas de ajuste del modelo son significativas como se indica en el Cuadro 3.
Cuadro 3. Pruebas de validación modelo MIMIC.
Test ModeloC Parámetros
P>Chi2 0.627 >0.05
RMSEA 0.000 0-0.10
Akaike (AIC) 9.689 Positivos
Bayesian (BIC) 26.097 Positivos
Comparative Fit Index (CFI) 1.000 >0.7
Tucker-Lewis Index (TLI) 1.023 >0.7
SRMR 0.026 0-0.05
Fuente: Elaboración propia con datos del Banco mundial (1995-2023) en RStudio
De todos los modelos realizados la más representativa figura en el Cuadro 3, modelo que tiene un ajuste
aceptable y representa bien la relación entre las variables observadas; además, el modelo tiene un ajuste
razonablemente bien y una alta verosimilitud relativa en los datos.
pág. 7220
En suma, de acuerdo con las relaciones causales directas e indirectas entre las diez variables observadas
y latente (soberanía alimentaria), se observó que el 50% de las variables tuvieron relaciones causales
directas (importación, renta total de los recursos naturales, empleos en la agricultura y extracción de
agua dulce), y el resto presentó relaciones causales indirectas (véase Figura 3). De las variables
indicadores, la prevalencia de desnutrición presentó relación indirecta mientras que la emisión de Óxido
nitroso agrícola fue positiva.
Figura 3. Modelo Path de las relaciones entre las variables indicadoras, causales y soberanía
alimentaria en México.
Fuente: Elaboración propia
Por lo tanto, como resultado se confirman seis hipótesis de diez, de acuerdo con los resultados del
modelo de múltiples indicadores y múltiples causas; además el índice de soberanía alimentaria para cada
observación en el conjunto de variables presentó tendencia negativa.
En los últimos tiempos, el concepto soberanía alimentaria se ha adaptado al cambio de una economía
abierta y no solamente en priorizar la agricultura sostenible, sino también en la distribución y producción
de alimentos. Por ejemplo, se observó que las exportaciones tuvieron un impacto indirecto sobre la
variable latente, mientras que las relaciones causales de las importaciones fueron de manera directa, lo
que coincide con otros estudios como el de Moreno-Sáenz (2016), quien evidenció que México tiene
una creciente dependencia de las importaciones de maíz.
En suma, de acuerdo con las relaciones causales directas e indirectas entre las diez variables observadas
y latente (soberanía alimentaria), se observó que el 50% de las variables tuvieron relaciones causales
directas (importación, renta total de los recursos naturales, empleos en la agricultura y extracción de
agua dulce), y el resto presentó relaciones causales indirectas (véase Figura 3). De las variables
indicadores, la prevalencia de desnutrición presentó relación indirecta mientras que la emisión de Óxido
nitroso agrícola fue positiva.
Figura 3. Modelo Path de las relaciones entre las variables indicadoras, causales y soberanía
alimentaria en México.
Fuente: Elaboración propia
Por lo tanto, como resultado se confirman seis hipótesis de diez, de acuerdo con los resultados del
modelo de múltiples indicadores y múltiples causas; además el índice de soberanía alimentaria para cada
observación en el conjunto de variables presentó tendencia negativa.
En los últimos tiempos, el concepto soberanía alimentaria se ha adaptado al cambio de una economía
abierta y no solamente en priorizar la agricultura sostenible, sino también en la distribución y producción
de alimentos. Por ejemplo, se observó que las exportaciones tuvieron un impacto indirecto sobre la
variable latente, mientras que las relaciones causales de las importaciones fueron de manera directa, lo
que coincide con otros estudios como el de Moreno-Sáenz (2016), quien evidenció que México tiene
una creciente dependencia de las importaciones de maíz.
pág. 7221
También se encontró que el modelado de múltiples causas y múltiples indicadores tuvo un buen ajuste
de acuerdo con variables analizadas, como lo evidenció acertadamente (Posey et al., 2015), así como
Ruesga, et al., (2020), pero hacia el enfoque de una economía sumergida o en el caso de la soberanía
alimentaria (Vergara et al., 2022) mostró que el modelo cumple con los parámetros para analizar la
variable soberanía alimentaria.
CONCLUSIONES
El presente estudio, permitió determinar el impacto de las diez variables sobre la soberanía alimentaria
en México, y al tratarse de uno de los grandes retos del país, se evidenció que las variables de mayor
impacto fueron, rendimiento de cereales, crecimiento poblacional y prevalencia de desnutrición.
En cuanto al comercio internacional, la variable de mayor impacto fue exportaciones en un 32%. La
disposición de los recursos naturales, presentaron relación directa. Además, la disponibilidad de
trabajadores en la agricultura beneficia a la soberanía alimentaria.
Finalmente, el modelado del modelo múltiples causas y múltiples indicadores aplicado a este contexto
cumplió adecuadamente con los parámetros de ajuste y mostró que el concepto de estudio en México
tiene tendencia negativa, aunque para respaldar este último resultado, las futuras investigaciones podrían
aplicar otras metodologías a fin de confirmar lo antes dicho.
REFERENCIAS BIBLIOGRÁFICAS
Agarwal, B. (2014). Food sovereignty, food security and democratic choice: critical contradictions,
difficult conciliations. The Journal of Peasant Studies, 41(6), 1247–1268.
https://doi.org/10.1080/03066150.2013.876996
Al Shamsi, K.B.; Compagnoni, A.; Timpanaro, G.; Cosentino, S.L.; Guarnaccia, P. A (2018). Sustainable
Organic Production Model for “Food Sovereignty” in the United Arab Emirates and Sicily-
Italy. Sustainability 10, 620. https://doi.org/10.3390/su10030620 [Google Scholar] [CrossRef]
[Green Version]
Almenar, V., Sánchez, JL. & Sapena, J. (2020) Measuring the shadow economy and its drivers: the case
of peripheral EMU countrieS. Economic Research Ekonomska Istraživanja, 33:1, 2904-2918,
https://doi.org/10.1080/1331677X.2019.1706601
También se encontró que el modelado de múltiples causas y múltiples indicadores tuvo un buen ajuste
de acuerdo con variables analizadas, como lo evidenció acertadamente (Posey et al., 2015), así como
Ruesga, et al., (2020), pero hacia el enfoque de una economía sumergida o en el caso de la soberanía
alimentaria (Vergara et al., 2022) mostró que el modelo cumple con los parámetros para analizar la
variable soberanía alimentaria.
CONCLUSIONES
El presente estudio, permitió determinar el impacto de las diez variables sobre la soberanía alimentaria
en México, y al tratarse de uno de los grandes retos del país, se evidenció que las variables de mayor
impacto fueron, rendimiento de cereales, crecimiento poblacional y prevalencia de desnutrición.
En cuanto al comercio internacional, la variable de mayor impacto fue exportaciones en un 32%. La
disposición de los recursos naturales, presentaron relación directa. Además, la disponibilidad de
trabajadores en la agricultura beneficia a la soberanía alimentaria.
Finalmente, el modelado del modelo múltiples causas y múltiples indicadores aplicado a este contexto
cumplió adecuadamente con los parámetros de ajuste y mostró que el concepto de estudio en México
tiene tendencia negativa, aunque para respaldar este último resultado, las futuras investigaciones podrían
aplicar otras metodologías a fin de confirmar lo antes dicho.
REFERENCIAS BIBLIOGRÁFICAS
Agarwal, B. (2014). Food sovereignty, food security and democratic choice: critical contradictions,
difficult conciliations. The Journal of Peasant Studies, 41(6), 1247–1268.
https://doi.org/10.1080/03066150.2013.876996
Al Shamsi, K.B.; Compagnoni, A.; Timpanaro, G.; Cosentino, S.L.; Guarnaccia, P. A (2018). Sustainable
Organic Production Model for “Food Sovereignty” in the United Arab Emirates and Sicily-
Italy. Sustainability 10, 620. https://doi.org/10.3390/su10030620 [Google Scholar] [CrossRef]
[Green Version]
Almenar, V., Sánchez, JL. & Sapena, J. (2020) Measuring the shadow economy and its drivers: the case
of peripheral EMU countrieS. Economic Research Ekonomska Istraživanja, 33:1, 2904-2918,
https://doi.org/10.1080/1331677X.2019.1706601
pág. 7222
Ambalam, K. (2014). Food Sovereignty in the Era of Land Grabbing: An African Perspective. Journal
of Sustainable Development; Vol. 7, No. 2. URL: http://dx.doi.org/10.5539/jsd.v7n2p121
Bernstein, H. (2015). Soberania alimentar: uma perspectiva cética. Sociologias, 276-336. doi:
http://dx.doi.org/10.1590/15174522-017003912
Binimelis, R., Rivera-Ferre, M.G., Tendero, G., Badal, M., Heras, M., Gamboa, G., & Ortega, M. (2014).
Adapting established instruments to build useful food sovereignty indicators. Development
Studies Research, 1(1), 324-339. https://doi.org/10.1080/21665095.2014.973527.
Bustos, S., Sáez, L., Martínez, H., Lutz, M., Huenchuleo, C., Cid, F., et al. (2022). Definición de un
marco conceptual, análisis crítico de la situación nacional, gobernanza y líneas de acción en
seguridad y soberanía alimentaria para avanzar en la elaboración de una estrategia nacional.
Santiago: Oficina de Estudios Políticas Agrarias-Ministerio de Agricultura de Chile.
Carmona-Silva, S. J.L., Sánchez-Flores, L., Cruz-De los Ángeles, J.A. (2020). ¿Es posible una soberanía
alimentaria en México? Revista Iberoamericana de las Ciencias Sociales y Humanísticas.
https://doi.org/10.23913/ricsh.v9i18.210
Castellano, A., Goizueta, ME. (2016). El valor agregado en origen como política de desarrollo
agroalimentario y agroindustrial. Revista Realidad Económica 306, pp. 104-129.
https://biblat.unam.mx/hevila/RealidadeconomicaBuenosAires/2016/no306/5.pdf
Cupani, M. (2012). Análisis de Ecuaciones Estructurales: conceptos, etapas de desarrollo y un ejemplo
de aplicación. Revista Tesis. Nº 1. pp. 186-199. Disponible en
https://rdu.unc.edu.ar/bitstream/handle/11086/22039/16.pdf?sequence=1&isAllowed=y
Dekeyser, K., Korsten, L. & Fioramonti, L. Food sovereignty: shifting debates on democratic food
governance. Food Sec. 10, 223–233 (2018). https://doi.org/10.1007/s12571-017-0763-2
Edelman, M. (Ed.). (2016). Critical Perspectives on Food Sovereignty: Global Agrarian
Transformations, Volume 2 (1st ed.). Routledge. https://doi.org/10.4324/9781315689562
Edelman, M., Weis, T., Baviskar, A., Borras, S. M., Holt-Giménez, E., Kandiyoti, D., & Wolford, W.
(2014). Introduction: critical perspectives on food sovereignty. The Journal of Peasant
Studies, 41(6), 911–931. https://doi.org/10.1080/03066150.2014.963568
Ambalam, K. (2014). Food Sovereignty in the Era of Land Grabbing: An African Perspective. Journal
of Sustainable Development; Vol. 7, No. 2. URL: http://dx.doi.org/10.5539/jsd.v7n2p121
Bernstein, H. (2015). Soberania alimentar: uma perspectiva cética. Sociologias, 276-336. doi:
http://dx.doi.org/10.1590/15174522-017003912
Binimelis, R., Rivera-Ferre, M.G., Tendero, G., Badal, M., Heras, M., Gamboa, G., & Ortega, M. (2014).
Adapting established instruments to build useful food sovereignty indicators. Development
Studies Research, 1(1), 324-339. https://doi.org/10.1080/21665095.2014.973527.
Bustos, S., Sáez, L., Martínez, H., Lutz, M., Huenchuleo, C., Cid, F., et al. (2022). Definición de un
marco conceptual, análisis crítico de la situación nacional, gobernanza y líneas de acción en
seguridad y soberanía alimentaria para avanzar en la elaboración de una estrategia nacional.
Santiago: Oficina de Estudios Políticas Agrarias-Ministerio de Agricultura de Chile.
Carmona-Silva, S. J.L., Sánchez-Flores, L., Cruz-De los Ángeles, J.A. (2020). ¿Es posible una soberanía
alimentaria en México? Revista Iberoamericana de las Ciencias Sociales y Humanísticas.
https://doi.org/10.23913/ricsh.v9i18.210
Castellano, A., Goizueta, ME. (2016). El valor agregado en origen como política de desarrollo
agroalimentario y agroindustrial. Revista Realidad Económica 306, pp. 104-129.
https://biblat.unam.mx/hevila/RealidadeconomicaBuenosAires/2016/no306/5.pdf
Cupani, M. (2012). Análisis de Ecuaciones Estructurales: conceptos, etapas de desarrollo y un ejemplo
de aplicación. Revista Tesis. Nº 1. pp. 186-199. Disponible en
https://rdu.unc.edu.ar/bitstream/handle/11086/22039/16.pdf?sequence=1&isAllowed=y
Dekeyser, K., Korsten, L. & Fioramonti, L. Food sovereignty: shifting debates on democratic food
governance. Food Sec. 10, 223–233 (2018). https://doi.org/10.1007/s12571-017-0763-2
Edelman, M. (Ed.). (2016). Critical Perspectives on Food Sovereignty: Global Agrarian
Transformations, Volume 2 (1st ed.). Routledge. https://doi.org/10.4324/9781315689562
Edelman, M., Weis, T., Baviskar, A., Borras, S. M., Holt-Giménez, E., Kandiyoti, D., & Wolford, W.
(2014). Introduction: critical perspectives on food sovereignty. The Journal of Peasant
Studies, 41(6), 911–931. https://doi.org/10.1080/03066150.2014.963568
pág. 7223
Gempp, R., & Thieme, C. (2014). Determinación de la importancia de los atributos de calidad percibida
en la satisfacción usuaria: un modelo mimic basado en clases latentes. Multidisciplinary
Business Review, 7(1), 11–17. Recuperado a partir de
https://journalmbr.net/index.php/mbr/article/view/341
Hair Jr. Joseph F., Black William C., Babin Barry J., Anderson Rolph E. (2017). Multivariate Data
Analysis. (Eighth edition). Cengage Learning EMEA.
Hernández-Gutierrez, JC., López-Rodríguez, G. (2024). El crecimiento económico de México durante
el porfiriato. Revista ANALÉCTICA. vol. 10, núm. 64
https://doi.org/10.5281/zenodo.12209749
Lever, J., Krzywinski, M., y Altman, N. (2017). Points of Significance: Principal component analysis.
Nature Methods 14(7):641-642. DOI:10.1038/nmeth.4346
Levkoe, Charles Z. & Blay-Palmer, Alison (2018). Food Counts: Food Systems Report Cards, Food
Sovereignty and the Politics of Indicators. Canadian Food Studies, 5(3), 49-75.
López-Giraldo, LA., y Franco-Giraldo, Á. (2015). Revisión de enfoques de políticas alimentarias: entra
la seguridad y la soberanía alimentaria (2000-2013). Cuadernos de Saúde Pública, 317(7), 1355-
1369. https://doi.org/10.1590/0102-311X00124814
Manzano Patiño, A. (2018). Introducción a los modelos de ecuaciones estructurales. Investigación En
Educación Médica, 7(25), 67-72. https://doi.org/10.1016/j.riem.2017.11.002
Martin, W., & Wagner, L. (2018). How to grow a city: cultivating an urban agriculture action plan
through concept mapping. Agriculture & food security, 7(1), 33. doi:
https://doi.org/10.1186/s40066-018-0186-0
Martínez Martínez, V., Pérez Zamorano, A., Hernández Ortíz, J., Esteban Macías, J., & Barrios Puente,
G. (2024). El papel de las instituciones en la Soberanía Alimentaria: Un enfoque de economía
institucional en los programas sociales en México. Revista Latinoamericana Ogmios, 4(11), 1–
17. https://doi.org/10.53595/rlo.v4.i11.106.
Martínez Martínez, V., Pérez Zamora, A. Hernández Ortíz, J. & Barrios Puente, G.(2025). Soberanía
alimentaria en méxico: un análisis comparativo de sus determinantes. Revista. FAGROPEC.
Vol. 17(1), ppt 7-27. https://doi.org/10.47847/fagropec.v17n1a1
Gempp, R., & Thieme, C. (2014). Determinación de la importancia de los atributos de calidad percibida
en la satisfacción usuaria: un modelo mimic basado en clases latentes. Multidisciplinary
Business Review, 7(1), 11–17. Recuperado a partir de
https://journalmbr.net/index.php/mbr/article/view/341
Hair Jr. Joseph F., Black William C., Babin Barry J., Anderson Rolph E. (2017). Multivariate Data
Analysis. (Eighth edition). Cengage Learning EMEA.
Hernández-Gutierrez, JC., López-Rodríguez, G. (2024). El crecimiento económico de México durante
el porfiriato. Revista ANALÉCTICA. vol. 10, núm. 64
https://doi.org/10.5281/zenodo.12209749
Lever, J., Krzywinski, M., y Altman, N. (2017). Points of Significance: Principal component analysis.
Nature Methods 14(7):641-642. DOI:10.1038/nmeth.4346
Levkoe, Charles Z. & Blay-Palmer, Alison (2018). Food Counts: Food Systems Report Cards, Food
Sovereignty and the Politics of Indicators. Canadian Food Studies, 5(3), 49-75.
López-Giraldo, LA., y Franco-Giraldo, Á. (2015). Revisión de enfoques de políticas alimentarias: entra
la seguridad y la soberanía alimentaria (2000-2013). Cuadernos de Saúde Pública, 317(7), 1355-
1369. https://doi.org/10.1590/0102-311X00124814
Manzano Patiño, A. (2018). Introducción a los modelos de ecuaciones estructurales. Investigación En
Educación Médica, 7(25), 67-72. https://doi.org/10.1016/j.riem.2017.11.002
Martin, W., & Wagner, L. (2018). How to grow a city: cultivating an urban agriculture action plan
through concept mapping. Agriculture & food security, 7(1), 33. doi:
https://doi.org/10.1186/s40066-018-0186-0
Martínez Martínez, V., Pérez Zamorano, A., Hernández Ortíz, J., Esteban Macías, J., & Barrios Puente,
G. (2024). El papel de las instituciones en la Soberanía Alimentaria: Un enfoque de economía
institucional en los programas sociales en México. Revista Latinoamericana Ogmios, 4(11), 1–
17. https://doi.org/10.53595/rlo.v4.i11.106.
Martínez Martínez, V., Pérez Zamora, A. Hernández Ortíz, J. & Barrios Puente, G.(2025). Soberanía
alimentaria en méxico: un análisis comparativo de sus determinantes. Revista. FAGROPEC.
Vol. 17(1), ppt 7-27. https://doi.org/10.47847/fagropec.v17n1a1
pág. 7224
Melgoza, G. (1972). Sociología de la esperanza. (Curso de orientación vocacional). Jalapa.
Meneses, J. (2019). Introducción al análisis multivariante. Universitat Oberta de Catalunya. Primera
Edición. FUOC. Barcelona. Disponible en
https://femrecerca.cat/meneses/publication/introduccion-analisis-multivariante/introduccion-
analisis-multivariante.pdf
Moreno-Calles, A.I., Casas, A., Rivero-Romero, A.D. Romero-Bautista, YA, Rangel-Landa, S., Fisher-
Ortíz RA., Alvarado-Ramos, F., Vallejo-Ramos, M. & Santos-Fita, D.
(2016). Ethnoagroforestry: integration of biocultural diversity for food sovereignty in
Mexico. Journal of Ethnobiology Ethnomedicine. 12, 54. https://doi.org/10.1186/s13002-016-
0127-6
Moreno-Sáenz, Lucero Ivone, González-Andrade, Salvador, & Matus-Gardea, Jaime Arturo. (2016).
Dependencia de México a las importaciones de maíz en la era del TLCAN. Revista mexicana
de ciencias agrícolas, 7(1), 115-126. Recuperado en 25 de diciembre de 2024, de
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-
09342016000100115&lng=es&tlng=es.
Ningrum, V.; Subroto, A. (2020). Do the state and market affect the farmer’s sovereignty? Study of
organic agriculture in indonesia. In IOP Conference Series: Earth and Environmental Science;
IOP Publishing: Bristol, UK, 2020; Volume 436, p. 012011. DOI:10.1088/1755-
1315/436/1/012011 [Google Scholar]
Peña, K. (2016). Social Movements, the State, and the Making of Food Sovereignty in Ecuador. Latin
American Perspectives, 43(1), 221-237. https://doi.org/10.1177/0094582X15571278
Posey, C., Roberts, T. L., Lowry, P., & Bennett, R. J. (2015). Multiple Indicators and Multiple Causes
(MIMIC) Models as a Mixed-Modeling Technique: A Tutorial and an Annotated Example.
Communications of the Association for Information Systems, 36, pp-pp.
https://doi.org/10.17705/1CAIS.03611
RPubs - Introducción al Análisis Multivariado. (s. f.). https://rpubs.com/PieroValles/718141
Melgoza, G. (1972). Sociología de la esperanza. (Curso de orientación vocacional). Jalapa.
Meneses, J. (2019). Introducción al análisis multivariante. Universitat Oberta de Catalunya. Primera
Edición. FUOC. Barcelona. Disponible en
https://femrecerca.cat/meneses/publication/introduccion-analisis-multivariante/introduccion-
analisis-multivariante.pdf
Moreno-Calles, A.I., Casas, A., Rivero-Romero, A.D. Romero-Bautista, YA, Rangel-Landa, S., Fisher-
Ortíz RA., Alvarado-Ramos, F., Vallejo-Ramos, M. & Santos-Fita, D.
(2016). Ethnoagroforestry: integration of biocultural diversity for food sovereignty in
Mexico. Journal of Ethnobiology Ethnomedicine. 12, 54. https://doi.org/10.1186/s13002-016-
0127-6
Moreno-Sáenz, Lucero Ivone, González-Andrade, Salvador, & Matus-Gardea, Jaime Arturo. (2016).
Dependencia de México a las importaciones de maíz en la era del TLCAN. Revista mexicana
de ciencias agrícolas, 7(1), 115-126. Recuperado en 25 de diciembre de 2024, de
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-
09342016000100115&lng=es&tlng=es.
Ningrum, V.; Subroto, A. (2020). Do the state and market affect the farmer’s sovereignty? Study of
organic agriculture in indonesia. In IOP Conference Series: Earth and Environmental Science;
IOP Publishing: Bristol, UK, 2020; Volume 436, p. 012011. DOI:10.1088/1755-
1315/436/1/012011 [Google Scholar]
Peña, K. (2016). Social Movements, the State, and the Making of Food Sovereignty in Ecuador. Latin
American Perspectives, 43(1), 221-237. https://doi.org/10.1177/0094582X15571278
Posey, C., Roberts, T. L., Lowry, P., & Bennett, R. J. (2015). Multiple Indicators and Multiple Causes
(MIMIC) Models as a Mixed-Modeling Technique: A Tutorial and an Annotated Example.
Communications of the Association for Information Systems, 36, pp-pp.
https://doi.org/10.17705/1CAIS.03611
RPubs - Introducción al Análisis Multivariado. (s. f.). https://rpubs.com/PieroValles/718141
pág. 7225
Ruesga, S. M., Pérez, L., & Delgado, J. L. (2020). Estimación del Tamaño de la Economía Sumergida
en Ecuador a través del Modelo MIMIC. Revista espacios (Vol.41. n° 12,
pp.16). http://www.1.revistaespacios.com/a20v41n12/20411216.html
Ruiz-Almeida, Adriana & Rivera-Ferre, Marta Guadalupe (2019). Internationally- Based Indicators to
Measure Agri-Food Systems Sustainability Using Sovereignty as a Conceptual Framework.
Food Security, (11), 1321-1337.
Vergara-Romero, A.; Jimber-del-Río, J.-A.; Márquez-Sánchez, F. (2022). Food Autonomy within Food
Sovereignty: Evidence from a Structural Model. Agronomy 12, 1141.
https://doi.org/10.3390/agronomy12051141
Ruesga, S. M., Pérez, L., & Delgado, J. L. (2020). Estimación del Tamaño de la Economía Sumergida
en Ecuador a través del Modelo MIMIC. Revista espacios (Vol.41. n° 12,
pp.16). http://www.1.revistaespacios.com/a20v41n12/20411216.html
Ruiz-Almeida, Adriana & Rivera-Ferre, Marta Guadalupe (2019). Internationally- Based Indicators to
Measure Agri-Food Systems Sustainability Using Sovereignty as a Conceptual Framework.
Food Security, (11), 1321-1337.
Vergara-Romero, A.; Jimber-del-Río, J.-A.; Márquez-Sánchez, F. (2022). Food Autonomy within Food
Sovereignty: Evidence from a Structural Model. Agronomy 12, 1141.
https://doi.org/10.3390/agronomy12051141