Upload
others
View
10
Download
0
Embed Size (px)
Citation preview
“CONSULTORÍA PARA LA CONSTRUCCIÓN DE
TIPOLOGÍAS DE ÁREAS TERRITORIALES EN EL PAÍS EN EL
MARCO DE LA AGENDA DE COMPETITIVIDAD 2014-2018”
Consultoría solicitada por el Consejo Nacional de la Competitividad
Elaborado por: Oscar Millones Destéfano
Fecha: julio 2016
Las opiniones expresadas en esta publicación son del autor y no refleja
necesariamente los puntos de vista del Ministerio de Economía y Finanzas y del
Consejo Nacional de la Competitividad.
CONTENIDO
El documento puede ser descargado en su disco duro
o impreso únicamente para su uso personal o con
fines académicos, a condición de que incluyan en
cada ejemplar la presente nota relativa a los derechos
de autor o cualquier otra nota relativa a los derechos
de propiedad intelectual.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 2
CONTENIDO
1. Resumen ejecutivo 3 2. Introducción y antecedentes 5 3. Descripción de los objetivos, alcance y actividades a ejecutar en el desarrollo de la consultoría 6 3.1. Objetivos y alcance 6 3.2. Actividades a desarrollar 6 4. Descripción de la metodología a desarrollar en la consultoría 7 4.1. Unidades de estudio, universo poblacional y escala geográfica para la
construcción de tipologías territoriales 7 4.2. Marco conceptual vinculado a las condiciones para el desarrollo negocios
y a las economías de aglomeración 8 4.3. Marco empírico para la construcción de tipologías de áreas territoriales
basado en modelos multinomial logístico 9 4.4. Cronograma de las actividades de la consultoría 10 5. Marco conceptual sobre las condiciones para la competitividad territorial 12 5.1. Facilitadores de la inversión y de la localización empresarial 12 5.2. Economías de aglomeración y áreas geográficas de alta densidad 15 5.3. Condiciones geográficas para la competitividad territorial 16 6. Informacion y fuentes de datos a utilizar 19 6.1. Datos de empresas en regiones 19 6.2. Las municipalidades provinciales y distritales 20 6.3. Descripción de valores distritales de las variables 21 6.4. Descripción de variables socioeconómicas por urbanidad 25 7. Marco empírico y metodológico para la construcción de tipologías
de áreas territoriales 30 7.1. Extensión de los modelos lineales generalizados: balance de
desarrollos recientes 30 7.2. Riesgos en el empleo de variables categóricas 33 7.3. Modelos con variable dependiente cualitativa 36 7.4. Modelos de asociación y desarrollo de la regresión logística 37 7.5. Elección y pasos en el método de estimación 41 7.6. Variables y modelos de estimación 42 8. Estimaciones para la clasificación de municipalidades 46 8.1. Simplificación de las variables en dimensiones reducidas 46 8.2. La tipología de municipalidades: propuesta de clasificación 53 8.3. Resultados de la clasificación municipal 55 8.4. Nota sobre el software y funciones usadas 59 8.5. Uso y lectura de la tipología de municipalidades 60 9. Conclusiones y recomendaciones 64 Bibliografía 66 Anexo 1 Nota sobre interpretación de resultados con variables categóricas 70
Anexo 2 Lista de Distritos extraídos de la Tipología 72
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 3
1. Resumen ejecutivo
En esta consultoría se desarrolla un marco conceptual para construir tipología de áreas
territoriales del país en el marco de la agenda de competitividad 2014-2018. Se
desarrolla también lineamientos teóricos y empíricos para la especificación y el uso de
modelos para las firmas respecto a la decisión de elegir el espacio geográfico para sus
operaciones.
En especial, los establecimientos de la industria manufacturera eligen su(s) área para
un conjunto de actividades no necesariamente homogéneas de tal manera que se
beneficien económicamente en organizar su producción teniendo en cuenta las
condiciones del mercado, consumidores finales asociados a centros poblados en un
sistema que incluyen competidores, abastecedores de insumos y mano de obra
calificada.
El trabajo define en una primera parte los factores que dan las ventajas a las firmas para
elegir su locación óptima. Luego se presenta una metodología que sugiere el uso de
modelos tanto de la familia de elección cualitativa, integrándolos con métodos
multivariados, en un ambiente de varias dimensiones que incluyen los factores que
pertenecen al ámbito de su organización productiva (el proceso productivo y los factores
internos y externo inmediato de la firma) y un grupo de variables que pertenecen a los
territorios potenciales de operación, que es el ambiente donde se realiza la elección.
En la parte empírica, la literatura formalmente se ha apoyado en modelos de la familia
de modelos de elección discreta, tipo logaritmo lineal, logit o probit, ver por ejemplo,
Goodman (1994,1996), McFadden (1974) y Klier y Mc. Millen (2008). En este trabajo
se combinan métodos para el tratamiento de variables categóricas, base de las
clasificaciones buscadas, como modelos de partida, combinando con otros métodos
multivariados para manejo de variables observables y latentes, que son característicos
en la descripción del ambiente y de los lugares elegidos. La literatura también sugiere
el uso de información que incluyen movilidad de mano de obra, facilidades de
infraestructura, y existencia de servicios sociales.
El trabajo con esta variedad de información, demanda versatilidad en el uso de técnicas
y métodos cuantitativos. Metodologías que sirvan para crear nueva información, que
modelen el proceso de generación de los datos que finalmente determinarán las
clasificaciones buscadas. Este proceso con el trabajo de la información servirá para
sentar una metodología de clasificación de municipalidades que serán de utilidad para
para el traslado de conclusiones al diseño de política pública a varios niveles de
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 4
gobiernos sub-nacionales, al mismo tiempo que servirá de provisión de evidencia para
el apoyo de la inversión privada.
En gran parte de las estimaciones se hace uso del análisis multivariado. Se propone el
uso de estas herramientas en combinación con otros modelos estándar que permitan
caracterizar patrones geográficamente. Como se describirá, estos métodos van desde
planteamientos paramétricos, no paramétricos, exploratorios o confirmatorios,
estadísticos y/o informáticos. En este trabajo se da una revisada general de estas
técnicas en el rol de facilitar el análisis de comportamientos de agentes locales,
vinculando estos métodos como apoyo a los efectos de mejorar decisiones orientadas
a programas públicos o potenciales proyectos privados en ámbitos geográficos.
Una ventaja de las herramientas usadas es que analizan las decisiones de unidades
de análisis en un ambiente local asociadas a criterios o variables que actúan en forma
simultánea, por ejemplo, de orden administrativo o político, económico o social,
densidad económica y otras variables geográficas. El objetivo en esta parte del trabajo
es evaluar la posibilidad del uso de estas técnicas para el desarrollo de una tipología
geográfica basada en el uso de información relevante.
Del resultado de esta revisión y de su aplicación se sostiene que será posible hipotetizar
óptimas localizaciones de programas de desarrollo que sean apropiadas para las
necesidades locales, basado en una tipología geográfica que sea eficaz, en general,
para el diseño de políticas públicas y/o toma de decisiones privadas en el marco de las
iniciativas plasmadas en la Agenda de Competitividad 2014-2018.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 5
2. Introducción y antecedente
El Consejo Nacional de la Competitividad (CNC) es un órgano colegiado del Ministerio de
Economía y Finanzas el cual tiene como rol la articulación intersectorial que permite que en
el corto, mediano y largo plazo, se logren mejoras significativas en el ámbito de
competitividad en el país.
En el marco de este rol articulador, el Consejo Nacional de la Competitividad a través de la
Agenda de Competitividad 2014-2018 viene impulsado reformas las cuales están siendo
implementadas por las diversas entidades del sector público y el sector privado con la
finalidad de generar un marco que promueva el incremento sostenido de la productividad
de las empresas y de un Estado eficiente en aras de obtener un mayor nivel de bienestar
para la población así como un acceso equitativo a las oportunidades de empleo.
La Agenda de Competitividad 2014-2018 prioriza 8 líneas de trabajo: (i) Eficiencia del
gobierno e institucionalidad, (ii) infraestructura, (iii) tecnologías de la información y
comunicaciones, (iv) capital humano, (v) ciencia, tecnología e innovación, (vi) desarrollo
productivo y empresarial, (vii) internacionalización, y (viii) recursos naturales y energía.
Precisamente, una de estas líneas estratégicas corresponde a la de Facilitación de
Negocios, cuyo objetivo medular es garantizar la predictibilidad y transparencia en la
regulación y gestión del Estado.
En el marco de este objetivo, en la Agenda de Competitividad 2014-2018 se ha establecido
el Componente IV, referido a optimizar la planificación y gestión del territorio. En ese
sentido, para el cumplimiento de dicho objetivo se requiere contar con la construcción de
tipologías de áreas geográficas en el marco de la implementación de la Agenda de
Competitividad 2014-2018 acorde a una lógica de dimensión territorial. Esta propuesta se
orienta a facilitar la disponibilidad de información espacial territorial que permita caracterizar
los espacios geográficos del país mediante el uso de información pública local para la
mejora del proceso del diseño de identificación y diseño de prioridades y políticas en el
territorio peruano.
En ese sentido, se requiere elaborar una propuesta de metodología referida a la
construcción de tipologías de áreas geográficas en el marco de la implementación de la
Agenda de Competitividad 2014-2018, que permita incluir la dimensión territorial en las
iniciativas públicas de la referida agenda, así como emplear la información estadística
compilada a nivel local para la toma de decisiones.
En las secciones que siguen se abordará el desarrollo de los puntos establecidos en los
numerales 5.2, 5.3, y 5.4 del acápite 5 referido al Alcance y Descripción de la presente
consultoría.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 6
3. Descripción de los objetivos, alcance y actividades a ejecutar
en el desarrollo de la consultoría
3.1. Objetivos y alcance
Objetivo general:
Construir tipologías de áreas territoriales en el país en el marco de la implementación
de la Agenda de Competitividad 2014-2018.
Objetivos específicos:
La construcción de tipologías de áreas geográficas permitirá:
Reducir realidades multidimensionales y complejas a nivel local con la finalidad de apoyar la toma de decisiones de los hacedores de política.
Facilitar la reducción de información estadística referida al conjunto de indicadores socio-económicos y ambientales, sin la pérdida de información subyacente relevante.
Facilitar el manejo, análisis e interpretación de la información espacial para el entendimiento de diversas realidades territoriales en el país.
Permitir la evaluación de la evolución de los cambios en los indicadores estadísticos territoriales a través del tiempo.
3.2. Actividades a desarrollar Elaboración de una metodología de trabajo que contenga las siguientes secciones:
Descripción de las unidades de estudio, del universo poblacional y de la escala geográfica para la construcción de tipologías territoriales.
Definición de un marco conceptual que capture la importancia de las condiciones para el desarrollo negocios a nivel local y de las economías de aglomeración en la construcción de tipologías de áreas territoriales.
Definición de un marco empírico que permita la construcción de tipologías de áreas geográficas en el país el cual debe fundamentarse en los preceptos teóricos descritos en el marco conceptual.
Desarrollo del esquema y cronograma de trabajo que detalle las actividades a cumplir en la consultoría.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 7
4. Descripción de la metodología a desarrollar en la consultoría
La metodología de la consultoría propone abarcar los siguientes 4 componentes:
4.1. Unidades de estudio, universo poblacional y escala geográfica para la construcción de tipologías territoriales
Las definiciones de las unidades de estudio, el marco poblacional y escala geográfica
que se proponen deben ser consistentes con el marco conceptual y empírico
propuesto. En especial, la definición de las unidades de estudio comprende la revisión
y el análisis de la información estadística disponible a nivel de áreas geográficas
municipales, precisándose la fuente de obtención de datos, así como la periodicidad
del recojo de la información.
Las unidades de estudio corresponderá a las municipalidades del país, las cuales
compilan diversa información estadística disponible oficialmente con frecuencia anual.
La población a estudiar corresponde a 1838 unidades locales, las cuales serán
consideradas como la base para la construcción de tipologías de áreas territoriales. En
particular, la construcción de tipologías de áreas territoriales a nivel municipal resulta
ideal, toda vez que éste constituye el área geográfica de menor escala en la cual se
compilan estadísticas oficiales en el país, las cuales se actualizan con frecuencia anual,
por lo que la tipologías de áreas territoriales propuesta podría también ser actualizada
con dicha frecuencia.
En ese sentido, la implementación del marco empírico que se defina para la
construcción de la tipología de áreas territoriales requiere ser estimada con información
municipal a partir de bases de datos censales disponibles anualmente para proceder a
la caracterización de la totalidad de las municipalidades del país siguiendo el marco
conceptual referido a las condiciones para la competitividad territorial, y la
cuantificación de las economías de aglomeración. Para ello se emplearán dos bases
de datos disponibles en el país, las cuales contienen información a nivel municipal. El
primero corresponde a los indicadores económicos y sociales que anualmente elabora
el Instituto Nacional de Estadística e Informática (INEI) para la construcción del índice
de distribución de las transferencias intergubernamentales. La segunda base de datos
corresponde a la generada por el Ministerio de la Producción (PRODUCE), la cual
contiene información sobre la ubicación geográfica de las empresas en el país. Estas
empresas serán compiladas a escala municipal para aproximar la densidad empresarial
según municipios en el país.
La información estadística del INEI disponible a nivel municipal, así como la información
espacial de empresas del PRODUCE compilada a nivel local posibilitan la construcción
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 8
de la tipología de áreas geográficas en el marco de la Agenda de Competitividad 2014-
2018 teniendo como escala geográfica el ámbito municipal.
4.2. Marco conceptual vinculado a las condiciones para el desarrollo negocios y a las economías de aglomeración
El marco teórico sobre la base del cual se erige la construcción de tipologías de áreas
geográficas en el país se basa en la literatura de la Economía Geográfica (Fujita, et. al.
1999; Krugman, 1999; Venables, 2003, y Burgess y Venables, 2004), la cual incorpora
insumos de las ciencias económicas y de las ciencias geográficas para la compresión
de la importancia de la variable espacio en la distribución de las actividades
económicas.
Dicho marco conceptual estudia los determinantes microeconómicos del crecimiento
económico a escala local donde las variables institucionales, la infraestructura, la
innovación y el capital humano cobran especial importancia. Según Venables (2003),
y Burgess y Venables (2004) los determinantes que favorecen un mejor entorno para
el desarrollo de negocios a nivel local pueden clasificarse en facilitadores de primer y
segundo orden. Los primeros se definen como aquellas fuerzas que surgen en
espacios geográficos de escala reducida y que crean las condiciones necesarias para
la localización inicial de las actividades económicas. Por su lado, los facilitadores de
segundo orden son aquellos que refuerzan e impulsan los procesos de localización
primarios creando dinámicas espaciales acumulativas mediante la generación de
economías de escala crecientes.
La Economía Geográfica además estudia los procesos dinámicos de acumulación de
actividades económicas favorecidos por los determinantes mencionados
anteriormente. Es así que se generan espacios geográficos con actividad económica
de alta densidad, denominados en la literatura Economías de Aglomeración o clusters
empresariales (Fujita, et. al. 1999; Krugman, 1999). La incorporación de las
externalidades espaciales para explicar los procesos de acumulación de riqueza en los
lugares inicialmente favorecidos por la localización de un conjunto de actividades
económicas reconoce que la proximidad empresarial y la densidad económica
favorecen un mejor clima de negocios, la llegada de capitales, la inversión privada, los
cuales en conjunto conducen a mejoras en la productividad de las economías.
La construcción de tipologías de áreas territoriales para el Perú tomará en
consideración estas dos líneas conceptuales definidas por la literatura de la Economía
Geográfica: facilitadores de la inversión, y las economías de aglomeración. En ese
sentido, las áreas geográficas del país podrán ser clasificadas en territorios con alta,
media y baja dotaciones para atraer capitales e inversiones; y territorios con alta, media
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 9
o baja aglomeración económica, lo que en conjunto configura áreas geográficas con
condiciones altas, medias o bajas para la competitividad. La clasificación de las áreas
geográficas de este modo permitirán reducir realidades multidimensionales disimiles
para apoyar el diseño e implementación de políticas en el marco de la Agenda de
Competitividad 2014-2018.
4.3. Marco empírico para la construcción de tipologías de áreas territoriales basado en modelos multinomial logístico
El marco empírico para la construcción de tipologías de áreas territoriales se basará en
la selección de modelos lineales de regresión que sean apropiados al tema de la
consultoría, incluyendo la extensión de modelos lineales generalizados, modelos
categóricos y mixtos (Fahrmeir et al., 2013; Faraway, 2006, 2015). En especial se
considerarán los modelos de regresión logística clásica al caso en que la variable
dependiente tenga más de dos categorías (Hosmer y Lemeshow, 2000, Greene 2012).
Las unidades de análisis serán los 1867 municipios peruanos y se explorarán métodos
para que la variable dependiente represente la clasificación de los municipios con
diversas condiciones para la competitividad: alta, media o baja, lo cual es compatible
con las variables definidas por el marco conceptual establecido por la literatura de la
Economía Geográfica.
Para la implementación de la estrategia empírica, en el modelo de variable dependiente
cualitativa, se aplicarán métodos para eliminar soluciones arbitrarias reparametrizando
el modelo para una adecuada interpretación de los efectos buscados. En general la
variable respuesta puede ser nominal u ordinal. Las variables explicativas pueden ser
categóricas o cuantitativas. En los modelos de regresión multinomial se asume que los
recuentos de las categorías de Y tienen una distribución multinomial. Esta distribución
es, a su vez, una generalización de la distribución binomial.
En la presente consultoría, se propone como hipótesis inicial que la variable respuesta
(dependiente) tenga tres categorías: (i) condición de competitividad ALTA, (ii)
condición de competitividad MEDIA, y (iii) condición de competitividad BAJA.
En el marco de la familia de los modelos de asociación (Goodman, 1996), existen dos
comparaciones posibles en forma del logaritmo de la razón de probabilidades (logit),
que se expresan como una función lineal de las variables explicativas sean estas
ordinales o nominales.
La metodología para la selección de las variables explicativas que entran en el modelo
multivariado comprende dos fases:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 10
(i) Se realiza un análisis exploratorio de un modelo simple de regresión logística
simple para cada una de las variables explicativas, y se considerarán
dependiendo de su significación, su inclusión en el modelo para el análisis de
las categorías. Alternativamente se calcularán las correlaciones entre las
variables para realizar una valoración conjunta de los coeficientes del modelo y
de las correlaciones con el fin de eliminar variables que se encuentre muy
correlacionadas con el resto de variables.
(ii) Luego se procederá a identificar un modelo o conjuntos de modelos a partir del
procedimiento de las significaciones. Por ejemplo, se reducirán variables si sus
correlaciones son altas para evitar problemas de estimación. Se verá la
posibilidad de reducir dimensiones con, por ejemplo, componentes principales.
Si existen variables que se encuentran en este caso, se ajustará el modelo con
modelos especificados en forma mixta o conjunta.
La implementación del marco empírico para la construcción de tipologías de áreas
territoriales a partir de información compilada a nivel municipal hará uso de método
como mínimos cuadrados generalizados, máxima verosimilitud para la estimación de
los parámetros del modelo. La significación será valorada con tests del tipo Wald. Las
estimaciones del modelo serán realizadas con las librerías de paquetes estadísticos
como R, Stata u otros.
4.4. Cronograma de las actividades de la consultoría
A continuación se presenta el cronograma de actividades de la consultoría:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 11
Tabla No.01. Cronograma de actividades de la consultoría según meses
Actividades MESES
1 2 3 4
1. Revisión de la literatura conceptual sobre las condiciones para la competitividad territorial
X
2. Revisión de la literatura conceptual sobre economías de aglomeración
X
3. Precisión de la relación “causa-efecto” entre este conjunto de variables conceptuales, el desarrollo económico local, y las economías de aglomeración
X
4. Revisión de literatura empírica cuali y cuantitativa para la construcción de tipologías de áreas territoriales
X
5. Identificación de las variables estadísticas para la construcción de tipologías de áreas territoriales
X
6. Análisis de la información estadística local que facilite la estimación de la metodología para la construcción de tipologías de áreas territoriales
X X
7. Procesamiento, sistematización y diagnóstico de los datos estadísticos municipales: información geográfica e indicadores socio-económicos y ambientales
X X
8. Estimación de metodologías empíricas para la agrupación de unidades municipales y construcción de tipologías de áreas territoriales a escala local
X
9. Análisis de sensibilidad y robustez de los resultados estimados
X X
10. Elaboración del documento final
X
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 12
5. Marco conceptual sobre las condiciones para la
competitividad territorial
El marco teórico sobre la base del cual se erige la construcción de tipologías de áreas
geográficas en el país se basa en la literatura de la Economía Geográfica (Fujita, et. al.
1999; Krugman, 1999), la cual incorpora insumos de las ciencias económicas y de las
ciencias geográficas. Este marco conceptual establece dos corrientes principales que
definen el conjunto de variables que servirán para construir las tipologías de áreas
territoriales en el país.
La primera corriente estudia los determinantes microeconómicos del crecimiento a
escala local. Esta corriente comprende a las variables que los empresarios consideran
para tomar las decisiones de la localización de sus actividades. Estas variables pueden
clasificarse en determinantes de primer y segundo orden (Venables, 2003, y Burgess
y Venables, 2004). Los primeros se definen como aquellas fuerzas que surgen en
espacios geográficos de escala reducida y que crean las condiciones necesarias para
la localización inicial de las inversiones o el establecimiento de negocios. Por su lado,
los facilitadores de segundo orden son aquellos que refuerzan e impulsan los procesos
de localización primarios creando dinámicas espaciales acumulativas mediante la
generación de economías de escala crecientes, lo cual en definitiva contribuyen al
crecimiento económico local.
La segunda corriente estudia los procesos dinámicos de acumulación de actividades
económicas, las cuales generan espacios geográficos de alta densidad, denominados
en la literatura Economías de Aglomeración. Dado que la acumulación las actividades
económicas se distribuyen de manera heterogénea en el territorio, las áreas
geográficas en el país pueden ser clasificadas en áreas con alta, media o baja
aglomeración. Además, como vimos anteriormente, las áreas geográficas pueden
también clasificarse en altos, medios o bajos niveles de los facilitadores de la inversión.
La combinación del conjunto de variables que proceden de ambas corrientes de la
literatura de la Economía Geográfica permitirán clasificar a las áreas territoriales del
país en áreas con altos, medios o bajas condiciones para la competitividad, las cuales
definen el marco conceptual que soporta la construcción de una tipología de áreas
territoriales para el Perú.
5.1. Facilitadores de la inversión y de la localización empresarial
5.1.1. Facilitadores esenciales
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 13
Los determinantes primarios para la competitividad establecen las condiciones
necesarias para el desarrollo rentable de las inversiones y de negocios. Así, constituyen
“variables requisito” para el desarrollo exitoso de las actividades económicas. La
literatura de la Economía Geográfica (Krugman, 1991, 1999; Fujita, et. al. 1999)
denomina a estas variables fuerzas centrípetas y las define como fuerzas de atracción
que sientan las bases para la aglomeración de las actividades económicas en el
espacio. Entre estas variables se encuentran: (i) la infraestructura de acceso a
mercados de producción y comercialización, (ii) el entorno institucional y (iii) los
esquemas regulatorios.
Infraestructura Una infraestructura adecuada para acceder a los mercados de producción y de
comercialización constituye uno de los principales determinantes del crecimiento
económico. Su presencia constituye un elemento que facilita el asentamiento inicial de
capitales privados y de negocios, lo cual intensifica el comercio interregional e
internacional. Entre los principales tipos de infraestructura se encuentran: (i) la básica,
(ii) la energética y (iii) de redes, encontrándose en el primer grupo se la infraestructura
de agua, desagüe y de saneamiento las cuales permiten operar a una empresa aunque
no ejercer necesariamente actividades productivas, requiriéndose para ello otro tipo de
infraestructura como la de prestación de servicios de electrificación y energía o las
pertenecientes al tercer grupo, como la infraestructura vial que facilita el acceso
empresarial a los mercados de comercialización y consumo, así como la presencia de
redes de comunicación, como los servicios de telefonía e internet, los cuales en conjunto
permiten una mayor integración, y sientan las bases para el retorno del capital invertido.
Institucionalidad La definición clara de derechos de propiedad y la existencia de un marco institucional
favorable constituyen dos aspectos importantes que determina el crecimiento
económico de las economías locales y regionales. El primero de ellos permite al
inversionista el saneamiento de derechos de propiedad y el acceso a la propiedad de la
tierra, lo cual facilita el acceso al sistema financiero y a la formalización de las prácticas
empresariales. Mientras, la mejora del entorno institucional mediante el establecimiento
de un marco normativo claro y la promoción y el desarrollo de prácticas de participación
ciudadana, permiten contar con una mayor predictibilidad para el desarrollo de las
inversiones.
Regulación Los esquemas de regulación definen la organización y la forma como se articulan los
procesos económicos en el espacio, por lo que su presencia constituye un factor
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 14
importante para el crecimiento económico. Sin embargo, si bien los esquemas
regulatorios pueden favorecer un mayor orden económico, también pueden constituirse
en potenciales desincentivadores de los flujos de capitales cuando estos son
sobrecargados incentivando la informalidad. En el mundo real, los esquemas de
regulación sobre exigidos tienden a ser burocráticos involucrando elevados costos de
transacción, implicando en algunos casos la aparición de esquemas de corrupción
destinados a favorecer a determinados sectores económicos de baja productividad, lo
cual merma el crecimiento económico.
5.1.2. Facilitadores reforzadores
Los determinantes que potencian los resultados iniciales de competitividad constituyen
fuerzas centrípetas que refuerzan los flujos de inversión iniciales y que incrementan la
causalidad acumulativa mediante la generación de economías de escala crecientes.
Estas variables surgen como consecuencia de la aglomeración de actividades
económicas, las cuales se benefician de las externalidades que en éste se generan.
Entre estos facilitadores se encuentran: (i) el efecto desbordamiento del conocimiento,
(ii) la capacidad tecnológica, y (iii) la amplitud de mercados.
Efectos desbordamiento del conocimiento La literatura empírica ha reportado la existencia de una relación directa entre los niveles
de educación de la población y una mayor crecimiento económico. Esta relación es
posible por la interacción de trabajadores de mayores niveles educativos y habilidades
con aquellos de menores capacidades, lo cual permite bajo condiciones de competencia
e información perfecta, el surgimiento del efecto desbordamiento del conocimiento. Las
consecuencias de ello se traducen en un incremento de la productividad de los
mercados laborales, lo que permite captar más trabajadores competitivos, reducir
costos de producción y generar un entorno más competitivo para el desarrollo de las
actividades económicas.
Innovación tecnológica
El acceso a tecnología y su adecuada difusión constituyen factores estructurales para
el impulso de los procesos dinámicos, dado que permiten a las empresas desenvolverse
en un entorno más competitivo. Sin embargo, para producir efectos de innovación
tecnológica mayores, es indispensable que la provisión de tecnología se concentre en
la producción de bienes y servicios que presenten mayores ventajas comparativas para
maximizar el retorno de su inversión y reducir sus costos. Además, es importante
también que la promoción de la innovación tecnológica genere espacios competitivos
para el establecimiento de procesos más eficientes a través de la mejora de la calidad
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 15
de los servicios ofrecidos, la adopción de tecnologías en sectores competitivos; la
adopción de convenios para la difusión tecnológica, entre otras.
Amplitud de mercados
La presencia de mercados densos potencia la aglomeración de las actividades
económicas dado que permiten acceder a una mayor oferta de insumos y productos a
precios competitivos. Por otro lado y adicional del factor densidad, es importante la
especialización de los mercados, que permita contar con mano de obra especializada,
con instrumentos financieros diversos a tasas de interés competitivas y una oferta de
insumos productivos amplia. Ambos factores, densidad y especialización de mercados,
son aspectos claves que permiten que una determinada área geográfica obtenga una
ventaja de localización, que resulta atractiva para que otras empresas decidan
localizarse en espacios geográficos densos.
5.2. Economías de aglomeración y áreas geográficas de alta densidad
La corriente de la literatura de la Economía Geografía que estudia las Economías de
Aglomeración realza el rol de las economías de escala externas en el establecimiento
de empresas y la llegada de capitales (Fujita, et. al. 1999; Lall y Mengistae, 2005). La
incorporación de las externalidades espaciales para explicar los procesos de
acumulación de riqueza en los lugares inicialmente favorecidos por la localización de
un conjunto de actividades económicas reconoce que la proximidad empresarial y la
densidad económica favorecen un mejor clima de negocios, pues conduce a mejoras
en la productividad y un mayor crecimiento económico.
Las Economías de Aglomeración comprenden los conceptos de Economías de
Localización y Economías de Urbanización. Las primeras corresponden a las
economías externas a la empresa pero internas a la industria; se trata de las ventajas
que se derivan de la localización concentrada de empresas pertenecientes a la misma
industria o sector productivo. Las economías de localización se refieren a ventajas
como:
La posibilidad de procesos de especialización entre empresas en el interior del
ciclo productivo sectorial y en el establecimiento de fuertes vínculos input/output
entre empresas que dan lugar a un aumento de la eficiencia conjunta (reducción
de costos o aumento de ingresos).
La reducción de costes de transacción en el interior del área entre las diversas
unidades productivas gracias a la proximidad y a la intensidad de las relaciones
personales y directas.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 16
Formación de un mercado de trabajo especializado y la acumulación localizada de
competencias técnicas que redundan en una mayor productividad.
La formación de servicios que permiten una mejor valoración de la producción
local, además de efectos de sinergia sobre la imagen de mercado de la economía
local.
De otro lado, las economías de urbanización, éstas son economías externas a la
empresa y a la industria; se trata de las ventajas típicas de un ambiente urbano, que
se derivan de la presencia de infraestructuras genéricas, utilizables por todas las
industrias y de la estrecha relación entre instituciones y actividades diferentes. Las
economías de urbanización proceden de la capacidad de la ciudad de generar factores
productivos y mercado de inputs de producción:
Mercado de trabajo amplio, diversificado, flexible y avanzado.
Acceso a un mercado de capitales eficiente, instituciones de formación superior, a
centros de investigación, centros de decisión públicos, etc.
Disponibilidad de servicios a empresas especializados.
Oferta de capacidades empresariales y directivas.
Tanto las economías de localización como urbanización se basan en la teoría
microeconómica de la producción, en la cual los agentes económicos deciden su
ubicación óptima considerando la densidad económica (aglomeración) como un factor
determinante para la localización empresarial y el incremento de la productividad. Esto
es así porque el espacio favorece una mayor aglomeración de las actividades
económicas, que reditúa a su vez en un mejor y más atractivo clima de negocios, y en
el tiempo incrementa la competitividad a partir del aprovechamiento de las economías
de escala crecientes.
Bajo estos considerandos, las áreas geográficas podrán clasificarse en zonas de alta
y baja aglomeración y en áreas con fuertes o débiles condiciones para promover el
surgimiento de espacios competitivos a nivel local. En ese sentido, la combinación de
ambas corrientes de la literatura de la Economía Geográfica definen el marco teórico
que fundamenta la construcción de las tipologías de áreas geográficas en el país, el
cual será considerado en la implementación de la estrategia del marco empírico que se
presenta en la sección 6 del presente informe.
5.3. Condiciones geográficas para la competitividad territorial
La combinación de las variables que definen los facilitadores de la inversión y de la
localización empresarial, y aquellas asociadas a las economías de aglomeración
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 17
definen el espectro sobre la base de la cual se fundamenta la construcción de la
tipología de áreas territoriales en el Perú.
En ese sentido, las áreas territoriales en el país se podrán clasificar en función a las
facilitadores esenciales y reforzadores de la inversión, así como en función a la
densidad económica de los territorios con la finalidad de identificar, diseñar e
implementar políticas públicas según características territoriales particulares. A
continuación se muestra la arquitectura para la construcción de tipologías de áreas
territoriales, la cual debiera nutrirse del uso de información municipal.
Diagrama No. 1. Arquitectura para la construcción de tipologías de áreas
territoriales según el marco conceptual de la Economía Geográfica
Tomando en cuenta la dualidad conceptual de la tipología de área territoriales en el
país (facilitadores de la inversión y economías de aglomeración), se podrán identificar
espacios geográficos con “ventajas de localización”, las cuales poseen las condiciones
que incentiva a más empresas a ubicarse en esa área geográfica. Contrariamente,
también podrán identificarse espacios deprimidos o ahuyentadores de la inversión, los
cuales poseen pobres condiciones para la competitividad dado que no cuentan con los
facilitadores que permitan el surgimiento de procesos acumulativos dinámicos.
La caracterización de las áreas geográficas del país de este modo permitirá la
identificación, diseño e implementación de iniciativas públicas en materia de
competitividad en el territorio en función a características particulares. Esto además
Alta aglomeración
Baja aglomeración
Altos facilitadores
de la inversión
Media aglomeración
Altas condiciones
para la competitividad
Baja condiciones
para la competitividad
Condiciones
medias para la competitividad
Facilitadores medios
de la inversión
Bajos facilitadores
de la inversión
NIVEL GEOGRÁFICO
PARA LA
CONSTRUCCIÓN DE TIPOLOGÍAS
TERRITORIALES
NIVEL GEOGRÁFICO 1
NIVEL GEOGRÁFICO 2
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 18
permitirá priorizar grupos o tipos de áreas geográficas en función a variables de
competitividad para la implementación de políticas públicas en el territorio. A manera
de ejemplo, en la tabla 02 se presenta una propuesta de tipos de áreas territoriales, y
su priorización de políticas, las cuales serán construidas en la sección 8 sobre la base
de la metodología propuesta en la sección 7 del presente informe.
Tabla No.02. Categorías de tipologías de áreas territoriales para la priorización
de las políticas públicas
CATEGORÍAS DE TIPOLOGÍAS DE ÁREAS TERRITORIALES
Facilitadores de la inversión
Economías de Aglomeración Facilitadores esenciales
Facilitadores reforzadores
Tipo 1 Alta prioridad: Reformas de 1ra y 2da generación
Baja Baja Alta Alta
Tipo 2 Prioridad media: Reformas de 2da. generación
Media-Alta Baja Alta Alta
Tipo 3 Baja prioridad Alta-Media-
Baja Alta-Media-
Baja Baja Baja
Tipo 4 Prioridad media: Reformas de 1ra. generación
Baja Media-Alta Media-Alta Media-Alta
Tipo 5 Baja prioridad con oportunidades para nuevas empresas
Alta-Media-Baja
Alta-Media-Baja
Baja Alta
Tipo 6 Caso de buen desempeño
Media-Alta Media-Alta Alta Alta
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 19
6. Información y fuentes de datos a utilizar
6.1. Datos de empresas en regiones
Ver la estructura regional de las empresas es un punto de partida para ver estrategias de
modelación de la distribución de variables socioeconómicas por distritos en el país. Como
se verá luego, existen patrones en las condiciones socioeconómicas de los territorios
locales que pueden explicar, por un lado, el grado de urbanidad de las regiones y distritos,
y por otro, ayudar a encontrar criterios para una clasificación de estas unidades en un
panorama no homogéneo de concentración y ubicación de las empresas. En años
recientes, por efectos de las actividades empresariales en sectores productivos, se tiene ya
una idea de la localización de las empresas.
Los estudios sobre firmas manufactureras en el país describen la población desagregada
por regiones, en cuanto a su localización, como en desigualdad en la distribución en el
número de firmas (frecuencias) ubicadas a lo largo del territorio nacional.
Así por ejemplo se tiene que la región que concentra el mayor número de empresas
manufactureras es Lima, donde se registran un 57% del total nacional, existiendo otros
polos de concentración en la costa, en la región de Arequipa con 6.7%, La Libertad con
4.7% y Callao con 3.3% (Produce 2009).
La Manufactura en las regiones con menos establecimientos, son Madre de Dios, Pasco,
Huancavelica y Tumbes. Ellas representan el 0.4%, 0.3%, 0.3% y 0.3%, de las empresas
nacionales respectivamente.
Por otro lado el Ministerio de Producción, ha diseñado un plan nacional de diversificación
productiva (PNDP) para generar ejes de desarrollo que incluyen tanto al sector dinámico
mayor de la manufactura, como a las empresas de mediano y pequeño tamaño. La
estructura de estas empresas (formales), sigue un mismo patrón de distribución con Lima
(47%), seguido de Arequipa (5.7%), La Libertad (5.2%), Piura y Cusco con (3.9% cada uno),
Junín, Lambayeque y Callao con 3.6, 3.5 y 3.2 %, respectivamente, ver Ministerio de la
Producción (2014).
Es importante centrar y atender esta información de la estructura de las empresas (nuestras
unidades de estudio) para sistematizar los datos y el análisis para el entendimiento de la
problemática del sector industrial. Se añade la información de municipios locales para
enriquecer el ambiente de variables que puedan revelar posibles patrones de elección en
este nivel desagregado, sobre la localización geográfica.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 20
Como se verá la elección de la desagregación será determinada por los resultados
exploratorios del patrón de localización en el marco de hipótesis y teorías descritas en las
secciones arriba. La gama de posibilidades en el análisis incluyen el modelar el problema
usando esquemas espaciales, el análisis patrones con modelos de nivel o jerarquía de las
empresas, y/o modelos que aprovechen la caracterización tanto cuantitativa como
cualitativa de información que se levanta en las regiones.
6.2. Las municipalidades provinciales y distritales
La disponibilidad de información reciente a nivel distrital, puede ser una primera elección,
aunque basada en hipótesis con criterios administrativos, para sistematizar patrones a
varios niveles de agregación. Una ventaja es que estas unidades geográficas tienen una
base de información ya sistematizada para una unidad geográfica de menor escala. La
adaptación de la escala será interdependiente tanto con los modelos seleccionados y
estimados como con la información industrial que al momento se dispone.
Según el INEI (2015a), el directorio del país contiene 2,437 Municipalidades de Centros
poblados inscritos en el Registro Nacional de Municipalidades (RENAMU). Para el caso
Municipalidades provinciales y distritales, las estadísticas son recogidas para 195
municipalidades provinciales y 1,643 municipalidades distritales, ver INEI (2014).
En la base de datos del presente trabajo tenemos 1867 municipalidades, tal como se
muestra en la tabla 03.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 21
Tabla No.03. Número de Municipalidades en la Base de Datos por Regiones
Región # Distritos % Dist Población %Pob
1 Amazonas 84 4.5 423898 84
2 Áncash 166 8.9 1154639 166
3 Apurímac 83 4.4 460868 83
4 Arequipa 109 5.8 1301298 109
5 Ayacucho 118 6.3 696152 118
6 Cajamarca 127 6.8 1533783 127
7 Callao 7 0.4 1028144 7
8 Cusco 111 5.9 1324371 111
9 Huancavelica 99 5.3 498556 99
10 Huánuco 82 4.4 867227 82
11 Ica 43 2.3 794919 43
12 Junín 124 6.6 1360382 124
13 La Libertad 83 4.4 1882405 83
14 Lambayeque 38 2.0 1270794 38
15 Lima 171 9.2 9985664 171
16 Loreto 53 2.8 1049364 53
17 Madre de Dios 11 0.6 140508 11
18 Moquegua 20 1.1 182333 20
19 Pasco 29 1.6 306576 29
20 Piura 65 3.5 1858617 65
21 Puno 109 5.8 1429098 109
22 San Martín 77 4.1 851883 77
23 Tacna 28 1.5 346013 28
24 Tumbes 13 0.7 240590 13
25 Ucayali 17 0.9 500543 17
Total 1867 100 31488625 1867
6.3. Descripción de valores distritales de las variables
En la tabla 04 se presentan los valores que definen los gráficos tipo “Box-Plot”, el cual
muestra un resumen de las distribuciones de las variables en los 1867 distritos analizados.
Es de notar que por la combinación de fuentes de información, se tiene, aunque en dos
variables (firmareg, y trabreg), casos de las variables económicas sobre número de firmas
y trabajadores en el distrito, un tamaño de 1866 en el total analizado.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 22
Tabla No.04. Valores críticos (de Box-Plot) en las distribuciones en variables analizadas
Box-Plots Min. 1stQu. Median Mean 3rdQu. Max. n
pob16 177 1886 4527 16866 11307 1114686 1867
pob_u 0 20.87 42.77 47.94 76.17 100 1867
nasiste 0 2.3 3.89 4.862 6.16 49.89 1867
mbajeco 0.43 14.68 22.97 25.99 34.8 84.99 1867
analf 0.22 6.3 12.02 13.7 19.92 50.42 1867
un_asiste 19.06 46.36 51.98 51.83 58.13 73.88 1867
sinagua 0.08 22.18 48.52 53.39 90.69 100 1867
sindesag 0 65.91 86.54 76.98 96.74 100 1867
sinluz 0 21.22 38.91 43.27 64.28 100 1867
nvivdec 0 1.585 5.8 14.96 19.81 98.03 1867
hacinada 0.52 14.1 21.31 23.81 31.23 86.94 1867
edusup 0 3.54 7.23 10.13 14.02 71.1 1867
firmareg 0 0 0.04 1.34 0.3175 78.51 1866
trabreg 0 0 0.04 1.34 0.26 78.93 1866
Los datos extremos de 0% y 100%, como valores mínimos y máximos para algunas
variables merecen un comentario. Estos se explican por el grado urbanidad que influye en
las características de los distritos. Así algunas variables aparecen con valores extremos,
por ejemplo de población rural, mayormente en la sierra como en Apurímac (José María
Arguedas), Ayacucho (Chaca), o Cusco (Villa Kintiarina) y otras regiones. El caso de 100%
población urbana en los distritos, están básicamente en la costa como en Lima, Callao,
Arequipa y otros.
Número de distritos a nivel de regiones Desde el punto de vista de la estructura de distritos por regiones (# distrito en cada región),
se observa una gran variedad en los niveles a lo largo de las regiones. El siguiente gráfico
muestra el número de distritos por región.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 23
Gráfico No.01. Nivel de urbanidad entre las regiones
Lima y Ancash, separados, con más distritos por un lado en contraposición a regiones
“pequeñas” en distritos como Madre de Dios Tumbes, Ucayali (sin mencionar a Callao),
seguido de Moquegua y Pasco. El resto presenta aun una variedad de rangos en distritos
los que componen regiones medias en tamaños y, como se verá luego, empujan un grado
de variedad en cuanto a la urbanidad de los mismos.
Grados de urbanidad en los distritos
Si se mira globalmente el siguiente gráfico los distritos del país, en cuanto a su urbanidad,
se notan dos patrones: una amplia dispersión en el porcentaje de urbanidad y posible dos
bolsones de extremos (baja urbanidad y alta urbanidad) entre los distritos. Esto se ve más
claro en el histograma de la derecha, que luce con forma de U, indicando que estos
bolsones se encuentran aproximadamente entre los percentiles 20 a 50 y otro de menor
frecuencia cerca del rango 90 a 100. Si se asocia el grado de urbanidad a variables
socioeconómicas se podría decir que quizá se pueda explicar la dinámica de la urbanidad
con un conjunto de variables básicas, como se tratará de desarrollar en el presente informe
de consultoría.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 24
Gráfico No.02. Grados de urbanidad y distribución en distritos
Diagrama de dispersión
El siguiente gráfico en diagrama de Box Plot, nos podrá indicar cuales serían las regiones
que conforman estos bolsones mencionados.
Gráfico No.03. Box-Plot de Urbanidad por Regiones
Excluyendo los extremos, se aprecia que la aglomeración de población urbana de bajo nivel
es conformada por regiones como Amazonas, Ancash, Apurímac, Cusco, Huancavelica, La
Libertad, Loreto, Puno, Ucayali. Y a nivel alto, Ica, Lima, Tumbes.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 25
Estas últimas regiones, presentan con Callao y Tumbes los más bajos porcentajes de
analfabetismo a nivel regional, ver siguiente gráfico 04.
Gráfico No.04. Porcentaje de analfabetismo por regiones
6.4. Descripción de variables socioeconómicas por urbanidad
Si definimos a priori dos puntos de corte en la distribución de distritos por grados de
urbanidad (porcentaje de población urbana a nivel de región), podemos construir clases
iniciales de urbanidad, que posteriormente nos servirá para trabajar nuestra ecuación de
estimación desarrollada de la sección 7.6.
Llamemos clase o estrato de distritos Bajo (B), Medio (M) y Alto (A), a aquellos distritos,
cuya población urbana (en porcentaje) se encuentra en los rangos que van de 0 a 33.3%,
mayor que este nivel al 66.6%, y mayor de este nivel a 100%, respectivamente. Según esto,
el siguiente gráfico nos muestra el número de distrito encontrados en estas tres clases.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 26
Gráfico No.05. Número de distritos por estratos Bajo, Medio y Alto
Este histograma representa la distribución en número de distritos por estrato de urbanidad.
A nivel bajo, menor de 33.3% se encuentra la mayoría de los distritos del país, y los estratos
medio y alto con número ligeramente mayor a 500 distritos, representando los de media y
alta urbanidad.
En lo que sigue presentamos la relación de algunas variables seleccionadas con este grado
de urbanidad usando los diagramas de Box-Plot.
Gráfico No.06. Analfabetismo y Educación Superior por Estratos de Urbanidad
En ambos gráficos se ve clara la relación inversa entre grado de urbanidad y mejor
performance educativo. Para el estrato de baja urbanidad, los niveles de analfabetismo son
mayores y muy menores para el nivel porcentual de logros en educación superior.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 27
Gráfico No.07. Asistencia a la Escuela por estratos de Urbanidad
En el estrato de alta urbanidad las tasas porcentuales de no asistencia son mínimos así
como menores en el tramo de niños de la edad de 6 a 11 años.
Condiciones Económicas, Servicios básicos y Vivienda En los siguientes seis diagramas del gráfico 08, igualmente, con excepción de tener
vivienda inadecuada, es clara la relación de niveles económicos y condiciones de vivienda
y grado de urbanidad. Cuando menor es la capacidad económica menor es el grado de
urbanidad. Esto está muy relacionado a las características de carencia de servicios básicos
con niveles bajos de urbanidad. En algunos de estos diagramas se hacen notar valores
atípicos, que rompen este patrón, aunque en muy menor cuantía, respecto al resto de la
distribución. Esto es un indicador al mismo tiempo de existencia grave de problemas de
distribución o inequidad de los recursos en estos servicios.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 28
Gráfico No.08. Capacidad Económica y Acceso a Servicios Básicos
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 29
El panorama global de esta sección nos indica que es posible visualizar un conjunto de
variables socioeconómicas que sean buenos indicadores de patrones de localización
geográfica, y al mismo tiempo indicadores de la dinámica demográfica de la población total
por regiones. Esto es posible visualizarlo con datos desagregados al disponer de variables
desagregadas a nivel distrital.
Una pregunta final en esta sección es ver cómo se distribuyen los recursos productivos en
términos de capacidad productiva por parte de la existencia de firmas y de trabajadores.
Los dos últimos diagramas muestran niveles de urbanidad con patrones de distribución que
son similares. Es decir, en general hay baja participación de estos factores en los distritos
del país. Igualmente se observa en los estratos de baja y media tasa de urbanidad, que
existen valores atípicos indicando que se estarían concentrando los recursos del número
de empresas y trabajadores de la localidad en solo pocos casos.
En similar forma, el patrón para el estrato de alta urbanidad muestra la misma desigual en
distribución, diferenciándose de los estratos medios y bajos solo en la escala mayor de esta
desigualdad de recursos. Esto se puede interpretar como que la distribución de recursos de
empresas y trabajadores representa una señal que es en las grandes urbes donde se
concentran más los bolsones de establecimientos de empresas y consecuentemente, la
disponibilidad de mano de obra en estos lugares.
Gráfico No.09. Distribución en % de Empresas y Trabajadores en la Región
En la siguiente sección desarrollamos la metodología a emplear en el informe de
consultoría.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 30
7. Marco empírico y metodológico para la construcción de
tipologías de áreas territoriales
7.1. Extensión de los modelos lineales generalizados: balance de desarrollos recientes
Antecedentes
Desarrollos recientes en métodos econométricos presentan mejoras interesantes en el
análisis de modelos lineales. Estos se complementan también con nuevos diseños de bases
de datos y colección de estadísticas tanto nacionales como internacionales.
Se pueden citar algunas áreas de dinamismo que dan un mejoramiento metodológico
reciente para el análisis de datos:
Mejores resultados asintóticos en estimación (resultado del mejoramiento
tecnológico en capacidad y procesamientos en informática)
Expansión de los métodos de corte transversal y series de tiempo que son
actualizados al tratamiento de mayor variedad de tipos de variables categóricas y
no observables.
Los métodos computacionales más intensivos están favoreciendo a los métodos de
estimación con información a priori (bayesianos), haciendo estos métodos más
manejables y su uso más extensivo con los datos.
Mejoramiento en la manipulación de diseños experimentales que además buscan
integrar métodos experimentales con los estudios de encuestas con enfoques en
regresión, que son limitados en diseño del levantamiento de información. Esto es
una ventaja que se tienen en cuenta en las regresiones de esta consultoría.
De estos desarrollos, se toma el tratamiento de variables categóricas. El desarrollo de estos
métodos ha sido el resultado del aprovechamiento en economía de las contribuciones de
otras áreas, desde décadas precedentes, como en psicología con modelos con variable
latentes, (Thurstone 1927, Bock y Jones 1967, Bock 1975), sociología, tablas de
contingencia, (Lazarsfeld y Henry 1968, Goodman 1979, 1991, 1994, 1996), Optimal
Scaling/Dual Scaling y métodos multivariados (Nishisato 1980, Benzecri et al., 1973, de
Leeuw, 1983), y la contribución de métodos de trabajo interdisciplinario en ciencias
naturales (Jackson, 1988; Miles y Ricklefs, 1984), diseños experimentales (Cox 1972,
Cochran 1983) y otras áreas.
En Microeconometría se aplicaron los Modelos de Variable dependiente cualitativa (Probit,
Logit, Tobit, Modelos de conteo y Mixtos, McFadden, 1974; Amemiya, 1984; Maddala, 1985;
Heckman y MaCurdy, 1986; Hsiao 1991b, Fahrmeir et al. 2013), de Panel (Anderson y Hsiao
1982; Hsiao, 1989, 1991a), modelos lineales jerárquicos, métodos multivariados
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 31
categóricos y latentes (Goldstein 1986, 1995; Joreskog, y Sorbom 1979; Asselin 2002;
Anderson T.W. 2003). Esto ha resultado en un mejor ambiente metodológico para el análisis
en geografía económica poniendo variedad de menú en el tratamiento de la información
local y su agregación.
El trabajo con datos micro y recomendaciones estadísticas Desde un punto de vista metodológico, el ámbito de la clasificación de agentes locales, o
firmas, necesita ser guiado de principios para generar información relevante de los patrones
de comportamiento local. Se consideran los lineamientos cuantitativos de Fahrmeir et. Al.
(2013), Overman & Duranton (2005), Goodman (1996), Cochran (1983), Ellison & Glaeser
(1997) y otros enfoques categóricos multivariados en información micro- local como
Nishisato (1980, 1991), De Leew (1993), Torres y Greenacre (2002). Igualmente se toma
las consideraciones de la metodología del análisis geográfico Krugman (1999), Capello
(2006, 2009). Se consideran recomendaciones y principios para el estudio empírico de
agentes locales. Entre ellos:
(i) Medición y modelos deben ser comparables entre las unidades de análisis. (ii) Visualizar en lo posible el control estadístico para la generación de datos. (iii) Construcción de indicadores de agregados basados en información local. (iv) El rol de las distribuciones micro en la agregación de datos. (v) Revisión de supuestos (diagnósticos) de las fuentes de información para evitar
sesgos y otros problemas (hetroscedasticidad, multicolinealidad, no autocorrelación).
(vi) Proponer test de significancia para las estimaciones envueltas. El primer punto nos previene de sesgos en enfrentar la heterogeneidad en la información
desagregada, sea de municipalidades, industrias, empresas. Variables como el tamaño de
población, grados de urbanización, indicadores de pobreza., que resultan de una gran
disparidad, pueden inducir a problemas de sesgos, por ejemplo, unidades o grupos que se
diferencian en 5 o más veces unos de otros, conllevan a que factores asociados a la
aglomeración o a la localización puedan correlacionar con tamaño de población del entorno.
El interés por el control de las variables, punto (ii), indica que formas distintas de
distribuciones de la información recogida, pueden representar distintas poblaciones si se
subestiman los métodos experimentales. El trabajo de clasificación busca también validar
las distribuciones supuestas en el análisis. En el tema (iii), que referiremos luego como
estrategia “bottom-up”, pueden influir en la interpretación de patrones distintos en agentes
locales o industrias si solo los miramos con una visión macro.
El punto (iv) nos previene del riesgo llamado “Modifiable Areal Unit Problem” (MAUD) es
decir, los distintos criterios de agregación empleados en el análisis espacial pueden generar
artificialmente patrones no previstos que solo se deben a algún criterio arbitrario de
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 32
agregación de las mismas unidades, por ejemplo cuando la agregación es solo por criterios
administrativos. El punto (v) nos sugiere hacer un diagnóstico de la información a usar,
empleando los procedimientos exploratorios de la información. El último criterio nos da la
capacidad de poder inferir a poblaciones representativas para poder generalizar resultados.
Enfoque interdisciplinario para el análisis de regiones
El análisis regional o local está enriqueciéndose de un enfoque global multidisciplinario.
Ejemplos que se menciona en la literatura reciente son la presencia potencial de conflictos
sociales en proyectos de desarrollo regional. Esto lleva al estudio de otros temas o
mercados conexos (laboral, implementación de servicios sociales, de justicia, existencia de
barreras de acceso al mercado local, agentes mediadores institucionales sujetos a
problemas de corrupción, etc.). Los temas de explotación de los recursos naturales,
descentralización, regionalización sugieren nuevas formas de integrar y analizar la data.
Temas como la equidad en la redistribución de los recursos (grados de mejoras o
empeoramiento de niveles de pobreza) influyen cada vez más en el modelamiento de
comportamiento de los agentes locales. Se están presentado aquí algunas variables proxis
que nos ayuden a controlar mejor los resultados y la discusión de los temas de geografía
económica.
Estrategia “de abajo hacia arriba”
En temas de estudios regionales, por ejemplo, en el modelamiento de modelos regionales
de equilibrio general, se distingue la aproximación de los datos de arriba hacia abajo (Top
down) como el tradicional para el estudio de unidades descentralizadas. Sin embargo
marcos conceptuales recientes requieren información más desagregada para estimar las
influencias de los cambios en el comportamiento a nivel local.
En los modelos de equilibrio general regionalizados la información que nutre a los modelos
y softwares convencionales es básicamente de datos desagregados. Esto implica recoger
información de mercados locales para ir agregando en jerarquías sectoriales o
administrativas los flujos que determinan finalmente el comportamiento agregado. En
estudios de geografía económica se plantea, dependiendo de la información disponible,
diseñar modelos con instancias desagregadas para ir agregando hacia variables más
macro.
En este trabajo, se emplea modelos de regresión de la familia logística para el análisis de
la información a nivel micro combinando fuentes como Produce (2013), INEI (datos
municipales 2016), y MEF (inversión pública en gobiernos locales). En la sección 8 se
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 33
estiman modelos logísticos, que ayudarán a entender el enfoque en las estimaciones de los
marcos teóricos planteados.
7.2. Riesgos en el empleo de variables categóricas
En el uso de variables categóricas con más de dos opciones como variables independientes
se presenta el problema de multicolinealidad perfecta si se especifica un modelo de
regresión estimando una media general de los datos. En esta sección se da una idea este
problema y de que trata su solución.
En modelos lineales el modelamiento de la media y la estimación de su alternativa, la
estimación de sus efectos ha sido un problema discutido en el capítulo de extensión de los
modelos de regresión lineal, especialmente en los temas de diseños experimentales.
La tradición clásica del tratamiento de modelos experimentales, resultado de los desarrollos
de Ronald Fisher y otros, formalmente se presentan con discusiones del tipo laboratorio.
Se define una variable de interés (variable respuesta) a observar en los experimentos, que
se aplicó con éxito en temas de la producción agrícola. Pero después su aplicación a otras
áreas como industria, ingeniería, administración, ciencias de la conducta y otras áreas,
estos métodos han servido para guiar mejor el recojo de la información y su análisis.
Con el desarrollo de la informática y el álgebra de matrices se ha “modernizado” el enfoque
de diseños experimentales hacia el mayor empleo de modelos de regresión. Se dice que
resulta útil su aplicación, para simplificar el uso, a veces engorroso, de fórmulas y tablas de
recopilación de datos que, según el diseño aplicado a cada caso, va complejizando el
tratamiento de la información. Se facilita también el empleo de variables escondidas
(“lurking variables”) y su especificación para el mejoramiento de las estimaciones, ver por
ejemplo Montgomery (2012). Sin embargo, aunque el enfoque de regresión simplifica y
facilita el trabajo con la información, los fundamentos clásicos del diseño experimental
(Ronald Fisher, David Cox) siguen siendo válidos. Estos principios son fundamentales para
validar e interpretar los resultados del análisis.
Modelos con constante general
Un modelo de regresión lineal clásica simple se define como:
ixx
iy
2211
Donde interesa el estudio de la variable dependiente (resultado del experimento i
y ) por ej.,
demora (tiempo en meses) de ejecución de un proyecto público municipal desde su inicio.
Tenemos interés de estimar el efecto de un tratamiento como es el de si la unidad de
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 34
análisis usa tecnologías de informática TIC´s (T) o no usa (NT). La información para dos
grupos de municipalidades seleccionados aleatoriamente representativas en el uso o no
de Tic´s se resume, para un modelo simple, como:
2
1
011
101
101
101
011
14
6
8
12
TNTCteyi
Aquí 1 sería el efecto del grupo NT y 2 el efecto del grupo de municipios con T que
ordenando en dos grupos, puede simplificarse como:
1n1n
ε
2
12
i01i
01i
1i
y
La pregunta es ¿se podrán estimar los 3 parámetros de esta especificación?. Se observa
que la matriz X no tiene rango lleno, hay multicolinealidad perfecta, rango(X) < k=3 , luego
la respuesta es NO, no se podrán estimar los tres parámetros.
Posible solución
Una solución práctica es eliminar una columna de la matriz X lo que implica estimar dos
parámetros en vez que tres. Por ejemplo, la matriz resultante sería
11
01
0
11
X
que ordenando por grupos es de la forma
02
i
1i
1i
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 35
Esto se puede interpretar como que estamos pasando del vector de 3 parámetros originales
a otro de 2 parámetros. Por ejemplo:
de
12
1
2
1
a
Sin embargo, al hacer esto, lo que se estima ya no es lo mismo, es ahora:
NTT
NT 1
Esta reducción de parámetros se conoce también como re-parametrización del modelo.
Hecho esto, se prosigue como si tuviéramos un nuevo sistema de ecuaciones normales. En
el nuevo sistema, hay cálculo del estimado(s) de un nivel 1NT
y de delta:
NTT
con nuevas interpretaciones respectivas en los nuevos parámetros.
Esquema de un planteamiento general en la solución
El problema de reparametrización se resuelve al encontrar una matriz C, no necesariamente
cuadrada (si no, habría que usar inversa generalizada en ese caso ver Searle, 1999), tal
que convierta las X y los parámetros como:
1
*
* C
XCX
Luego el modelo original tipo:
Xy
…se convierte en un modelo estimable como:
uXy *
Finalmente al estimar el nuevo modelo identificado será necesario interpretar los nuevos
parámetros de un modelo relacionado pero distinto al modelo original. Se debe mantener
presente la nueva interpretación de parámetros.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 36
Para los objetivos de este trabajo se aplica esta sugerencia, como veremos en siguiente
sección, a los modelos de la familia logística, esta vez con variable categórica en la variable
dependiente.
7.3. Modelos con variable dependiente cualitativa
Se propone en esta sección el modelo multinomial logístico como marco empírico para la
construcción de tipologías de áreas territoriales en el país.
El modelo multinomial es una extensión de los modelos de regresión logística clásica que
permite el análisis empírico de un modelo en el que la variable dependiente tenga más de
dos categorías (Hosmer y Lemeshow, 2000, Greene 2012). Este esquema es compatible
con las categorías territoriales conceptuales de alta, media y baja condiciones para la
competitividad establecida por la literatura de la Economía Geográfica.
En el modelo multinomial una de las categorías de la variable dependiente se considera
como referencia, y cada una de las restantes categorías se compara con ella. Esto permite
estudiar los modelos cambiando ligeramente la definición e interpretación de los efectos
estimados. Si la variable dependiente tiene tres categorías, como la clasificación en:
1- ALTA condición de competitividad,
2- MEDIA condición de competitividad y
3- BAJA condición de competitividad,
Se sugiere dos comparaciones posibles en la forma del logaritmo de la razón de
probabilidades (logit), que se expresa como una función lineal de las variables explicativas:
𝐿𝑛𝑝𝑘
𝑝3= ∑ 𝑋𝑗𝛽𝑘𝑗 =𝑚
𝑗=0 𝑋𝛽𝑘 , 𝑘 = 1,2
…o alternativamente como:
𝑝𝑘 =𝑒𝑥𝑝(𝑋𝛽𝑘)
1+𝑒𝑥𝑝(𝑋𝛽1)+𝑒𝑥𝑝(𝑋𝛽2), 𝑘 = 1,2
con
𝒑𝒌 = 𝐏𝐫(𝒀𝒌 = 𝟏/𝑿), 𝒌 = 𝟏, 𝟐 𝒚 𝒑𝟑 = 𝟏 − (𝒑𝟏 + 𝒑𝟐)
𝒀 = (𝒀𝟏, 𝒀𝟐, 𝒀𝟑) es un vector tridimensional con distribución Multinomial (𝟏, 𝒑𝟏 , 𝒑𝟐, 𝒑𝟑 )
𝑿 es una matriz con 𝒎 + 𝟏 columnas, la primera con valor de unos para todos los casos
(𝑿𝟎 = 𝟏) y el resto con las 𝒎 variables explicativas
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 37
𝜷𝒌 es el vector de 𝒎 + 𝟏 parámetros de la regresión para la k-ésima categoría de
repuesta.
Esquema de la información necesaria para la estimación
Para un caso simple de dos categorías la información de respuestas se concibe codificadas
como 0: usualmente la categoría base y 1: la categoría a comparar. La sección anterior nos
ayuda a ver la relación entre las constantes en la estimación y los otros parámetros del
modelo.
Esto se ve claro en un caso sencillo de un modelo lineal de dos opciones. El siguiente es el
esquema de tratamiento, por ejemplo en el estado de default del R.
Matriz diseño:
2n1n
.........
2
1
δ
1
1 1
1 1
................
0 1
0 1
0 1
2n1ny
11ny
.............
1ny
2y
1y
Notar que si bien en este diseño se tiene una columna para la constante, lo que se estima
no es un efecto general sino solo el nivel referencial de la variables especificada
mencionada (1 ) como se ha sugerido antes. El anexo 1 ilustra cómo este diseño nos lleva
a las estimaciones de la especificación dada.
7.4. Modelos de asociación y desarrollo de la regresión logística
Se puede decir que los modelos de regresión logística en su aplicación en economía,
provienen cronológicamente de tres fuentes: (i) Modelos de comparación de pares (Bock y
Jones 1967), (ii) Modelos de Asociación y Correlación (Goodman 1991, 1994, 1996), y (iii)
Adaptación de estos modelos en economía y ciencias sociales (McFadden 1974, Agresti,
1996).
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 38
Resumimos en esta sección la familia de los modelos de Asociación pues de esta óptica
derivamos los modelos de estimación de la regresión logística que usaremos luego. Se
puede decir que el modelo Regresión Logística es un caso especial de modelos de
Asociación. Este link incluye la especificación del modelo Logit. El vínculo se aclara con el
concepto de chance (odds) en la elección entre dos opciones. Resumamos esta idea con
un ejemplo simple de la siguiente manera.
Odds-ratio
ODD.- Es la probabilidad de que un evento ocurra respecto a la probabilidad de que no
ocurra.
Supongamos que para una región disponemos de información individual de dos variables
categóricas (A y B) sobre el nivel de alfabetismo (A/NA) y género (H/M) respectivamente.
Si agregamos esta información y cruzamos las dos variables obtendremos una tabla de
contingencia, cuyas cuatro celdas son frecuencias conjuntas (medida en miles) de estas
dos variables categóricas:
Si dado el grupo de H se selecciona al azar un elemento de la columna H decimos que la
chance ODD A H de obtener una persona del grupo A en términos de NA es:
ODD A H = 5.04
2
6
46
2
21
11 n
n
Igualmente dado el grupo M, el ODD de tener una persona del grupo A en términos de NA
es:
ODD A M = 31
3
4
14
3
22
12 n
n
A B
H M Total
A 2 3 5
NA 4 1 5
Total 6 4 10
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 39
O sea, la “chance” (odds) de estar en la clase A es mayor (=3) para el caso de mujeres M
que para el grupo de hombres (H).
Alternativamente, el odd-ratio para H (de estar en clase A) respecto de M es menor que
1:
166.0
6
1
3
5.0
Mde A odd
Hde A odd
22
12
21
11
n
n
n
n
Si esta chance fuese igual para H y M entonces 22
12
21
11
n
n
n
n , lo que daría un odd-ratio=1:
1
22
12
21
11
n
n
n
n
RATIOODD
Esto indicaría que no hay asociación entre variables A y B. Ambos grupos tienen la misma
chance de estar en la clase A. es pues, un indicador de asociación o independencia,
conocido también como “cross-product ratio”:
1221
2211
nn
nn
Modelo de Asociación o de Logaritmo Lineal (LL)
Así como el odd-ratio nos da un índice de asociación de dos variables categóricas y
chequea si estas son independientes, el modelo de asociación LL chequea la hipótesis de
si las frecuencias observadas en una distribución conjunta pueden ser descritas bajo el
siguiente modelo:
Bj
λ Ai
λu e
ijf
ln fij
= u+ i
A + j
B
Donde:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 40
ijf son las frecuencias esperadas en la tabla (ij
E ) en este caso las ij
n
λA
i son los efectos de cada nivel de la variable A.
Bj
λ los efectos de cada nivel de la variable B
u es un efecto global de la tabla
ODD y modelos de Asociación (LL)
Relacionando las definiciones del ODD, con los parámetros del modelo de L-L, se tiene:
ODD A H = AA
BAu
BAu
ee
e
n
n21
12
11
21
11
y tomando logaritmo se tiene:
ln LOGITp
p
n
n AA
1ln21
21
11
con A. clase en estén no H de elemento un que Prob.-1
A clase en esté H de elemento un que Prob.
p
p
LOGIT
Se define un Logit como el ln(ODD). Hay un cambio de estrategia en esta definición
respecto al ODD vista en los modelos de asociación. Mientras que en la definición de ODD
no hay roles para las variables (ver Millones y Bazán 2009), en la definición del Logit, este
concepto se puede “explicar” con un conjunto de variables independientes. En el modelo
logit se generalizará con links en variables independientes X´s de la forma:
jzje
p
1
11
…con jrjrjjjz ,1122110 ....
…o reescribiendo
βx
βx
e
e)xob(Y
'
'
11Pr
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 41
El cambio mayor aquí es que hay una conexión entre 1jp y el vector de sx´ . Dos
comentarios que son importantes mencionar para aplicaciones que siguen son:
El cambio de análisis sugiere considerar modelos confirmatorios.
Es una extensión también considerar otros métodos multivariados para la distribución conjunta para estimar los parámetros del modelo.
7.5. Elección y pasos en el método de estimación
Software e iteraciones
Como la variable dependiente es categórica, en ningún caso es recomendable usar MCO
como método de estimación, pues el modelo así es heteroscedástico, ver Greene, (2012).
Por lo que se usarán métodos alternativos que nos conducen a procesos iterativos para
estimar los parámetros.
Los paquetes/funciones sugeridos para la estimación de parámetros son provistas por
software convencional, ver por ejemplo librerías como lmlogit, ggplot, corrplot, Hmisc y otros
del paquete estadístico R se tendrán en cuenta.
Caso de Regresión Logarítmica
En el caso de que exista sólo una variable explicativa dicotómica (𝑋 = 0/1), la versión LL
(exponencial) del coeficiente de regresión de esa variable, para la categoría k de respuesta,
es el odds ratio (OR):
𝑶𝑹𝒌 =𝒑𝒌(𝑿=𝟏)/𝒑𝟑(𝑿=𝟏)
𝒑𝒌(𝑿=𝟎)/𝒑𝟑(𝑿=𝟎)=
𝒆𝒙𝒑(𝜷𝒌𝟎+𝜷𝒌𝟏)
𝒆𝒙𝒑(𝜷𝒌𝟎)= 𝒆𝒙𝒑(𝜷𝒌𝟏), 𝒌 = 𝟏, 𝟐
Aplicado al tema de municipalidades, el OR representa la probabilidad relativa de una
municipalidad de clasificarse en la categoría k de la variable respuesta ijY frente a hacerlo
en la categoría de referencia (tercera, en este caso) para un elemento con un valor de 𝑿 =
1 comparado con uno que tenga un valor 𝑿 = 0.
Si la variable 𝑿 es ordinal o continua, el OR compara la probabilidad relativa asociada a un
cambio unitario en la variable 𝑿. En general, en un modelo con más de una variable
explicativa, el coeficiente de cualquier variable tiene esta misma interpretación
considerando constante los valores del resto de variables. En ese caso, el OR se dice que
está ajustado o controlado por dichas variables.
Cuando se introduce en el modelo un término de interacción entre dos variables (el producto
de ellas), por ejemplo 𝑋1 y 𝑋2, debe tenerse en cuenta que el OR de cada una ya no es la
exponencial de su coeficiente, sino que depende de los valores de esta otra variable:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 42
𝑶𝑹𝒌(𝑿𝟏) = 𝐞𝐱𝐩(𝜷𝒌𝟏 + 𝜷𝒌𝟏𝟐𝑿𝟐)
𝑶𝑹𝒌(𝑿𝟐) = 𝐞𝐱𝐩(𝜷𝒌𝟐 + 𝜷𝒌𝟏𝟐𝑿𝟏)
Especificación y estimación de ecuaciones
Después del diagnóstico inicial de las variables seleccionadas, prosigue la estimación en
partes o etapas. En la primera etapa se estima un modelo simple de regresión logística
simple o multinomial para cada una de las variables explicativas.
Las correlaciones entre variables nos dan criterios para una valoración conjunta de
potenciales problemas de colinealidad, nos dan una primera idea de los coeficientes del
modelo a fin de eliminar variables que se encuentren poco correlacionadas.
Alternativamente si hay altas correlaciones nos sugerirán el uso complementario de
modelos de reducción de dimensiones.
En una etapa de evaluación, se usan criterios de parsimonia o de bondad de ajuste que nos
facilitan la elección entre especificaciones alternativas. Dependiendo de los resultados
previos del diagnóstico y evaluación la elección de modelos quedará reforzado con
estimación por como mínimos cuadrados generalizados y/o máxima verosimilitud.
En la siguiente sección se presentan las variables y métodos de elección del modelo. Se
presentarán las variables empleadas y la estrategia en las estimaciones.
7.6. Variables y modelos de estimación
Variables disponibles del ambiente distrital que enfrentan las empresas incluyen:
Niños que no asisten a la escuela (%) Población con muy baja capacidad económica (%) Tasa de Analfabetismo (%) Población con niña o niño de 6 a 11 años que asiste a escuela (%) Población sin agua dentro de vivienda (%)
En este marco definiremos una tipología con indicadores provenientes de las fuentes
mencionadas en la sección 6. Aquí la agrupamos en variables de identificación y control, y
variables socioeconómicas
:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 43
Variables de identificación y control
id Identificación del distrito
ubigeo Codigo de ubicación geográfica
reg Region o departamento del distrito
pro Provincia a que pertenece el distrito
dis Control de código del distrito
Variables socioeconómicas
Nombre Etiqueta
1 pob16 Población proyectada 2016
2 pob_u Urbana 2007 (%)
3 no_asiste Niños que no asisten a la escuela (%)
4 muy_bajo_eco Población con muy baja capacidad económica (%)
5 analf Tasa de Analfabetismo Total (%)
6 un+_asiste % de población con al menos una niña o niño de 6 a 11 años que
asiste a la escuela
7 sin_agua % de población sin agua dentro de la vivienda
8 sin_desag % de población sin desagüe dentro de la vivienda
9 sin_alumbrado % de población sin alumbrado eléctrico
10 sin_viv_adec % de población con vivienda inadecuada
11 hacinada % de población con hacinamiento
12 edu_sup Educación superior en % del TOTAL
13 empresa_reg % de empresas respecto a la región
14 trabaj_reg % de trabajadores respecto a la región
La variable región o departamentos se han identificado como:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 44
Variables y etiquetas para regiones
Región Etiqueta
1 Amazonas ama
2 Áncash anc
3 Apurímac apu
4 Arequipa are
5 Ayacucho aya
6 Cajamarca caj
7 Callao cal
8 Cusco cus
9 Huancavelica huav
10 Huánuco huan
11 Ica ica
12 Junín jun
13 La Libertad lib
14 Lambayeque lam
15 Lima lim
16 Loreto lor
17 Madre de Dios mad
18 Moquegua moq
19 Pasco pas
20 Piura piu
21 Puno pun
22 San Martín sma
23 Tacna tac
24 Tumbes tum
25 Ucayali uca
Especificación del modelo y ecuaciones
Las ecuaciones para la estimación se presentan en el marco de modelos de asociación y
correlación vistas en la sección anterior. La clasificación de las unidades de análisis
(distritos en este trabajo) nos permitirán determinar frecuencias una vez que se haya
establecido las clasificaciones del marco teórico.
Esta presentación general se presenta para tener más flexibilidad en la modelación de las
variables disponibles, al mismo tiempo que sirve para usar marcos metodológicos más
amplios, por ejemplo, como se dijo antes, el modelo logit multinomial es un caso especial
de los modelos de asociación.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 45
En el análisis simple de las clasificaciones, por ejemplo, de dos variables, el estudio de la
asociación (tablas de contingencia) se basan en el cálculo de índices simples tales como
correlación biserial, indicador 2G ,
2H , o los test chi-cuadrado 2 de Pearson.
Por otro lado el estudio de modelos más complejos, generalizados del test 2 chequea la
hipótesis de independencia (es decir si las frecuencias observadas pueden ser descritas
por sus marginales u otros patrones), en los modelos de asociación estas hipótesis (y otras
más de la familia de los modelos de asociación), pueden ser descritas bajo el siguiente
esquema o modelo:
Bj
λ Ai
λu e ijf
λ λ Bj
Ai u ijf ln
Donde:
ij
f son las frecuencias esperadas (ij
E ) o (ij
n ).
Aiλ Los efectos de cada nivel de la variable A,
Bjλ Los efectos de cada nivel de la variable B,
u es un efecto global de la tabla
En la clasificación de las unidades de estudio que determinan frecuencias observadas, se asume:
una distribución multinomial de las frecuencias observadas
el mejor estimador de ni.n
ip es ip
ósea, un estimador MV
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 46
8. Estimaciones para la clasificación de municipalidades
La clasificación de municipalidades se realiza en dos fases:
1 Simplificación de las variables en las dimensiones propuestas
2 Clasificación de las municipalidades acorde a los criterios del marco conceptual
Con los resultados de estos dos componentes se presenta una propuesta de clasificación
en las categoría Alto, Medio y Bajo para los distritos del estudio.
8.1. Simplificación de las variables en dimensiones reducidas
Las variables de la sección 7.6, corresponden a las categorías de áreas territoriales con
dimensiones o variables fundamentales (latentes) en el modelo de estimación. Esto significa
que para aproximarlas deben usarse las variables observables disponibles que se han
presentado en la sección anterior.
Las dimensiones son:
A.- Facilitadores esenciales B.- Facilitadores reforzadores C.- Economías de aglomeración
Las dos primeras dimensiones (esenciales y reforzadoras) representan variables que
cumplen el rol de ser facilitadoras de la inversión, mientras que las variables de
aglomeración son determinantes en la atracción y consolidación de la inversión.
A.- Facilitadores esenciales Correlaciones entre las variables Se calcularon los coeficientes de correlación de Pearson, para diez variables relacionadas
a esta dimensión, como se observa en la siguiente tabla 5. Las unidades de análisis son los
distritos del país, con un número de 1867 y sin valores perdidos. Se incluye la variable
porcentaje de población urbana [1,], que se definirá como una de las variables reforzadoras
en la siguiente sección, para explorar potenciales relaciones entre estas dos dimensiones.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 47
Tabla No.05. Correlaciones entre diez variables pre-elegidas
ryx [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
pourb nasis bajec analf 1+asis sagua sdesa sluz svivad hacin
[1,]porub 1 -0.41 -0.49 -0.6 -0.41 -0.48 -0.69 -0.71 -0.06 -0.36
[2,]nasis -0.41 1 0.33 0.39 0.51 0.31 0.36 0.49 0.19 0.5
[3,]bajec -0.49 0.33 1 0.73 0.41 0.22 0.44 0.43 -0.2 0.18
[4,]analf -0.6 0.39 0.73 1 0.47 0.25 0.48 0.5 -0.13 0.22
[5,]a+asi -0.41 0.51 0.41 0.47 1 0.26 0.32 0.39 0 0.44
[6,]sagua -0.48 0.31 0.22 0.25 0.26 1 0.59 0.48 0.2 0.36
[7,]sdesa -0.69 0.36 0.44 0.48 0.32 0.59 1 0.61 0.17 0.36
[8,]sluz -0.71 0.49 0.43 0.5 0.39 0.48 0.61 1 0.22 0.53
[9,]sviv -0.06 0.19 -0.2 -0.1 0 0.2 0.17 0.22 1 0.29
[10,]haci -0.36 0.5 0.18 0.22 0.44 0.36 0.36 0.53 0.29 1
Índice de variables
[1,]
[2,]
[3,]
[4,]
[5,]
[6,]
[7,]
[8,]
[9,]
[10,]
pob_u
no_asiste
muy_bajo_eco
analf
1_mas_asiste
sin_agua
sin_desag
sin_luz
sin_viv_adec
hacinada
Las variables esenciales muestran un rango de moderada correlación entre ellas, con
excepción de la variable [9,], “condición sin vivienda adecuada” que es resaltada en negrita.
Por esta razón se decide excluir por ser variable poco informativa en esta en esta primera
parte (dimensión de esenciales) de reducción de información. Como se ha mencionado la
variable [1,], población urbana (pob_u) se empleará para la siguiente dimensión de
reforzadores.
Estadísticas básicas Al final se incluyeron un total de ocho variables (8) para el siguiente paso. Un resumen de
las estadísticas básicas de estas variables aparece en la siguiente tabla 6.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 48
Tabla No.06. Estadísticas para 8 variables seleccionadas en dimensión esencial
Var.
esenciales
V1 no_asiste
V2
muy_bajo_eco
V3 analf
V4
1_mas_asiste
V5 sin_agua
V6 sin_desag
V7 sin_luz
V8 hacinada
V1 V2 V3 V4
Min. : 0.000 Min. : 0.43 Min. : 0.22 Min. :19.06
1st Qu.: 2.300 1st Qu.:14.68 1st Qu.: 6.30 1st Qu.:46.35
Median : 3.890 Median :22.97 Median :12.02 Median :51.98
Mean : 4.862 Mean :25.99 Mean :13.70 Mean :51.83
3rd Qu.: 6.160 3rd Qu.:34.80 3rd Qu.:19.93 3rd Qu.:58.13
Max. :49.890 Max. :84.99 Max. :50.42 Max. :73.88
V5 V6 V7 V8
Min. : 0.08 Min. : 0.00 Min. : 0.00 Min. : 0.52
1st Qu.: 22.18 1st Qu.: 65.91 1st Qu.: 21.22 1st Qu.:14.10
Median : 48.52 Median : 86.54 Median : 38.91 Median :21.31
Mean : 53.39 Mean : 76.98 Mean : 43.27 Mean :23.81
3rd Qu.: 90.69 3rd Qu.: 96.73 3rd Qu.: 64.28 3rd Qu.:31.23
Max. :100.00 Max. :100.00 Max. :100.00 Max. :86.94
Las cifras indican valores de porcentajes que definen a la variable dada respecto a los
totales de las poblaciones respectivas a nivel de la región. Las cuatro primeras (V1 a V4)
se refieren más a condiciones educativas y de escolaridad. La gran diferencia entre los
valores del 3er cuartil y el máximo valor (porcentajes) nos indican que hay mucha disparidad
en estas variables, resultado de la desigualdad económica así como de los indicadores
educativos.
Se observa también que las variables de condiciones de la vivienda (V5 a V8) tienen un
valor igual a cero o casi cero para algunos distrititos y que corresponden a los distritos
pobres, usualmente de baja población urbana. Más abajo se comenta sobre valores
extremos de 0% y 100% encontrados para el caso de población urbana.
Componentes Principales Aunque existen varios métodos de reducción de las variables disponibles, se hará uso aquí
al método de reducción por componentes principales (ACP). El objetivo del método de ACP
es reducir la dimensionalidad de un conjunto de variables observables recomendada
cuando se utiliza grandes bases de datos que son generalmente difíciles de manejar e
interpretar en el análisis de información.
En general, habrá un número de componentes principales igual al número de variables, en
este caso ocho. La siguiente tabla nos da un resumen de estos componentes.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 49
Tabla No.07. Importancia de componentes: Proporción de varianza explicada
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8
Standard deviation 1.9805 1.0734 0.9851 0.73418 0.68857 0.59715 0.56757 0.51296
Proportion of Variance 0.4903 0.1440 0.1213 0.06738 0.05927 0.04457 0.04027 0.03289
Cumulative Proportion 0.4903 0.6343 0.7556 0.82300 0.88227 0.92684 0.96711 1.00000
La tabla nos indica que los dos primeros componentes explican el 49% y 14% de la
información de las variables originales. Es decir los dos primeros componentes acumulan
un 63% de la variabilidad de los datos originales.
Variables y Componentes
En cada componente se puede detallar la relación de estos componentes con las variables
originales.
Tabla No.08. Rotación de los componentes
PC1 PC2 PC3 PC4 PC5
[1,] 0.3495758 0.16471631 -0.42013635 0.01045826 -0.814841977
[2,] 0.3407351 -0.57053532 0.05989572 0.09053098 0.029208528
[3,] 0.3697577 -0.51171861 0.02977618 0.05966083 0.018848222
[4,] 0.3417599 -0.06939894 -0.48024744 -0.61166891 0.357425272
[5,] 0.3081361 0.37370739 0.49194554 -0.50930031 -0.080160890
[6,] 0.3814772 0.07579719 0.46886612 0.00449482 0.009192252
[7,] 0.4067533 0.14073853 0.13398780 0.48623865 0.061780584
[8,] 0.3197731 0.46419401 -0.32950742 0.34374622 0.443558596
Atendiendo a los dos primeros componentes el siguiente gráfico resume la relación entre
las ocho variables. Es decir se observa similitud entre las variables que se comportan en
pares: Sin agua y hacinamiento; analfabetismo y muy bajo nivel económico; y por último
niños no asisten con al menos uno no asiste a la escuela.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 50
Gráfico No.10. Relación entre variables esenciales
Para los efectos de este trabajo solo usaremos el primer componente como representativo
de estas variables, gráficamente es la proyección de estos puntos sobre el eje pc1.
Puntaje por distritos en dimensión esencial Hasta cierto punto, la reducción de las variables originales es una transformación de estas
en un nuevo conjunto de variables que son como factores primarios “originadores” de las
variables observadas. En términos estadísticos o informáticos son como procesos
generadores de los datos y pueden idearse como una combinación lineal de los datos
originales. El siguiente es parte del puntaje global por 1867 distritos en los 2 primeros
componentes:
Tabla No.09. Puntajes para los distritos en dos primeras dimensiones
PC1 PC2
[1,] -3.3444277036 -0.484775168
[2,] -1.0354816907 0.772324650
Etc..
[1864,] 1.1745452110 2.195271857
[1865,] 0.7842861886 1.746042250
[1866,] 1.1647485599 1.048845155
[1867,] 3.3610079079 1.383378585
En nuestro caso el pc1, asociada a las variables seleccionadas en este grupo, servirá para
calcular los puntajes para los distritos de la base de datos (proyecciones sobre el eje pc1).
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 51
B.- Facilitadores reforzadores
Para la dimensión de variables reforzadoras se siguió el mismo método de las variables
esenciales. Se postulan como variables reforzadoras a las variables porcentaje de
población urbana (V1-pob_u) respecto al total de la región, porcentaje de la población
distrital en el nivel de educación superior (V2-edu_sup). El siguiente cuadro resume las
estadísticas básicas de estas dos variables.
Tabla No.10. Estadísticas de %Población Urbana y %Educación Superior
V1 %Pob. Urbana V2 % Ed.Superior
Min. : 0.00 Min. : 0.00
1st Qu.: 20.87 1st Qu.: 3.54
Median : 42.77 Median : 7.23
Mean : 47.94 Mean :10.13
3rd Qu.: 76.17 3rd Qu.:14.03
Max. :100.00 Max. :71.10
Como se observa en esta tabla hay distritos con 0% de población urbana, así como distritos
en que este porcentaje es de 100%. Por otro lado el máximo porcentaje de porcentaje
alcanzado de educación superior fue de 71.1%. El gráfico siguiente ilustra una gran
desigualdad en la distribución de esta variable, en su nivel porcentual alcanzado en los
distritos del país.
Gráfico No.11. Distribución del % de Ed. Superior
La descripción de los componentes principales de este grupo de reforzadores, se resumen
en la siguiente tabla:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 52
Tabla No.11. Importancia y estadísticas de los componentes principales
Importance of components:
PC1 PC2
Standard deviation 1.2792 0.6031
Proportion of Variance 0.8181 0.1819
Cumulative Proportion 0.8181 1.0000
PC1 PC2
Min. :-5.9412 Min. :-1.91584
1st Qu.:-0.8675 1st Qu.:-0.36578
Median : 0.2749 Median : 0.05391
Mean : 0.0000 Mean : 0.00000
3rd Qu.: 1.0433 3rd Qu.: 0.32822
Max. : 1.8603 Max. : 3.54624
Para el presente trabajo se usó el primer componente con explicación del 81.8% de la
dimensión de reforzadores. Usualmente estos coeficientes están en un rango negativo y
positivo cercano a cero. Para pc1 el rango es de -5.94 a 1.86.
C.- Facilitadores de Aglomeración
Siguiendo el proceso de simplificación anterior se tiene que las variables de aglomeración
serán representadas por dos variables: % de empresas y % de trabajadores respecto a la
región. Las estadísticas básicas de estas variables son:
Tabla No.12. Estadísticas para dimensión de aglomeración
%empresa_reg %trabaj_reg
Min. : 0.00 Min. : 0.00
1st Qu.: 0.00 1st Qu.: 0.00
Median : 0.04 Median : 0.04
Mean : 1.34 Mean : 1.34
3rd Qu.: 0.32 3rd Qu.: 0.26
Max. :78.51 Max. :78.93
Las grandes distancias entre los valores del 3er cuartil y valores máximos, indican una
distribución extremadamente sesgada a los valores altos. El histograma para estas
variables es muy sesgada hacia la derecha o alternativamente completamente
representada por valores bajos. Sin embrago, una representación razonable de estas
variables se puede apreciar en los histogramas para los logaritmos de estas variables:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 53
Gráfico No.12. Histograma de logaritmos de los % de empresas y trabajadores
Por otro lado, estas variables están altamente correlacionadas (0.98), como también se
puede apreciar en el siguiente gráfico de dispersión:
Gráfico No.13. Dispersión % empresas, % trabajadores
Cabe mencionar que en este caso no será necesario reducir la dimensión en componentes
como se ha hecho antes. La dimensión propuesta para la aglomeración, a diferencia de las
dimensiones anteriores, será simplemente tomar el promedio aritmético de ambas
variables. Este promedio será el indicador de la dimensión de aglomeración.
8.2. La tipología de municipalidades: propuesta de clasificación
En la sección 8.1 se han planteado y calculado factores esenciales, reforzadores y de
aglomeración. Estos componentes, se asume, son los procesos generadores de datos para
el marco conceptual y que nos servirán para la clasificación de distritos como input para el
diseño de políticas establecidas en la tabla 2.
Para formar una tipología con las categorías definidas en el marco conceptual de la sección
5, se procede a categorizar las dimensiones encontradas bajo los siguientes grupos:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 54
Baja/media/alta condiciones para la competitividad (facilitadores esenciales,
reforzadores )
Baja/ media/alta aglomeración
Se tienen que definir criterios para dividir las dimensiones encontradas y adecuarlas a estas
categorías. Esto implica definir dos puntos de cortes (o umbrales) para definir las categoría
de la tipología. Con esto se podrá calcular las frecuencias en cada grupo. Los resultados a
comentar luego, en parte depende de definición de los umbrales que elijamos.
Repasando el objetivo del trabajo de querer discriminar en 3 grupos de acuerdo a algún
criterio estadístico para saber quiénes están arriba y abajo en las clases de la tipología, se
tiene usualmente el uso de los umbrales de referencia de -1.5 vs 1.5 para los casos de
trabajo de reducción de dimensiones, sea no paramétricos y/o variables categóricas, ver
i.e., Benzécri et al. 1974, Nishisato (1994).
En nuestro caso de uso de variables continuas se está proponiendo valores alrededor de -
1.1 y 1.1, como punto de partida. En las variables que asumen normalidad y se trabajan
con valores estandarizados similares a los de las distribuciones t y z, estos valores
transformados van, en promedio, de -3 a 3.
Entonces los criterios para las dos primeras dimensiones (esenciales y reforzadoras), dado
que se construyen bajo la reducción con componentes principales se toman como cortes -
1.1 y 1.1, que determinarán los valores para bajo, medio y alto. Se espera que estos
umbrales darán un poder aceptable de identificación de las unidades en estos rangos. En
todo caso esto puede ser un supuesto inicial. Otros criterios como cuartiles, terciles, etc.,
pueden ser no operativos por cuanto no diferenciarían entre dimensiones la caracterización
de grupos dentro de la dimensión.
El tratamiento para la dimensión de aglomeradores es algo distinto. Como no se hizo la
reducción de variables con componentes principales, teniendo escalas no estandarizadas
se propone cortes razonables de acuerdo al rango de los valores que resultan del indicador
propuesto para esta dimensión. Como se verá en siguiente sección, estos valores extremos
de mínimo y máximo son de 0 y 78.2 respectivamente. Valores usados en una reducción
por ACP, no sería recomendables para esta escala por la gran cantidad de ceros y valores
muy bajos para esta dimensión, esto se comentará luego.
Se propone en este caso probar con umbrales de 10 y 40 como clasificadores iniciales y
ver cómo se comportan en la caracterización conjunta de las tres dimensiones.
El resultado de estos criterios para las tres dimensiones (facilitadores esenciales,
reforzadores y aglomeradores) dan las clasificaciones para las municipalidades de la base
de datos que se comentan a continuación.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 55
8.3. Resultados de la clasificación municipal
Aplicando los umbrales señalados arriba para las dimensiones de facilitadores esenciales,
reforzadores y aglomeradores, en la siguiente tabla se muestran los resultados que se
obtuvieron para los grupos de distritos expresados en número de distritos por grupos según
de Alto (A), Medio (M) y Bajo (B):
Tabla No.13. Tipología para la dimensión del trabajo
Dimensiones: Esenciales
fre %
1: B 428 22.92
2: M 966 51.74
3: A 473 25.33
Total 1867 100
Reforzadores
fre %
1: B 113 6.05
2: M 1499 80.29
3: A 255 13.66
Total 1867 100
Aglomeradores
fre %
1: B 1809 96.95
2: M 41 2.197
3: A 16 0.857
Total 1866 100
Los grupos con facilitadores “esenciales” y “reforzadores”, en la clase central (Media: M),
presentan aproximadamente el 51% y 80% respectivamente de sus grupos. Esto es
indicativo de las distribuciones de ambas dimensiones: donde el componente principal para
reforzadores tiene una desviación estándar menor que el grupo de esenciales (ver tabla 14
abajo) y ante umbrales fijos, colecciona más casos para este grupo. Esto al mismo tiempo
es una recomendación favorable en el sentido de mantener umbrales fijos, para luego ver
cómo se comportan las distribuciones de los grupos.
Tabla No.14. Estadísticas básicas de las dimensiones
N Mínimo Máximo Media Desv. típ.
ese 1866 -8.47 5.40 0.00 1.98
ref 1866 -1.86 5.94 0.00 1.28
agl 1866 0.00 78.72 1.34 5.97
Comparando la distribución de la dimensión de aglomeradores con las otras, es interesante
notar la alta frecuencia (96.9%) de casos para la clase baja B. Aproximadamente solo 2%
y 1% representan los casos de la clase media y alta, respectivamente. La gran disparidad
en este grupo de aglomeradores, que se ve en la Tabla de tipología, se deduce de la gran
distancia entre su media de 1.34% comparado con su valor máximo de 78.7%. Dicho de
otro modo la dimensión de aglomeradores tiene una desviación típica de casi 6. Este tema
resulta interesante para la interpretación global que se presenta más abajo.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 56
Por ahora cabe comentar que el bajo puntaje de aglomeración mostrado por la dimensión
de aglomeración por la mayoría de distritos, ayudará en la interpretación (simplificación) de
la tipología en general, por cuanto la “gran” (media y alta) aglomeración solo se presenta
en relativamente en pocos distrititos; por lo que queda en el siguiente paso es identificar a
estos distritos que conforman la gran aglomeración.
Interpretación de los resultados de la tipología
En esta sección se analizan los resultados para las dimensiones de facilitadores esenciales y reforzadores. Un primer análisis es ver cruce de la dimensión reforzadores con esenciales y luego considerar los resultados de aglomeración. En la tabla siguiente se presenta el cruce de los ese vs reforzadores.
Tabla No.15. Tabla de contingencia de Reforzadores vs. Esenciales
Reforzadores vs Esenciales (# distritos)
ese
ref 1: B 2: M 3: A Total
1: B 272 159 0 431
2: M 156 752 150 1058
3: A 0 55 322 377
Total 428 966 472 1866
Porcentajes de la tabla ref X ese
% ese
ref 1: B 2: M 3: A
1: B 63.55 16.46 0.00
2: M 36.45 77.85 31.78
3: A 0.00 5.69 68.22
Total % 100 100 100
En la izquierda de esta tabla se observa cada celda del cruce de las dos dimensiones
mostrando las frecuencias de las combinaciones de cada grupo B, M, A. Se nota que las
frecuencias de la diagonal que son relativamente altas, sugiere una asociación positiva
entre las dimensiones esenciales versus reforzadores. Esta interpretación se refuerza con
el resultado de tener frecuencia cero de las esquinas opuestas. Viendo la tabla de la
derecha, en términos porcentuales (con base al total de cada columna), en la diagonal están
el 63%, 77%, y 68% de los casos de los grupos Bajo, Medio y Alto respectivamente. Los
grupos extremos contrarios, Alto de esenciales y Alto de reforzadores, tienen cero de
frecuencias con sus grupos opuestos Bajos. Esto indica débil o casi nula relación negativa
entre las dimensiones.
Aglomeradores y los otros grupos Una idea interesante a proponer es que, además que comprobar asociación entre estas
dimensiones por medio del comportamiento de las frecuencias de sus categorías, sería útil
interpretar una secuencia entre las variables mismas (Esenciales, Reforzadores y
Aglomeradores). Esta idea es sugerida o derivada del marco conceptual presentado en la
sección 5. Esto es, facilitadores esenciales sientan las bases para la consecución de
facilitadores reforzadores que luego favorecen las condiciones que generan procesos de
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 57
aglomeración. Esta secuencia, a su vez, hace tener algunas hipótesis adicionales. Por
ejemplo, es “más probable” ascender de clase con la categoría más cercana, sea de esta
migración de bajo a medio o de medio a alto.
El siguiente punto considera las tablas de contingencia que nos dan información del estado
de estas relaciones en un momento dado del tiempo, ver la siguiente tabla 16.
Tabla No.16. Aglomeradores versus otros grupos
reforzadores
aglom. 1: B 2: M 3: A Total
1: B 431 1052 326 1809
2: M 0 6 35 41
3: A 0 0 16 16
Total 431 1058 377 1866
esenciales
aglom. 1: B 2: M 3: A
1: B 428 959 422 1809
2: M 0 7 34 41
3: A 0 0 16 16
428 966 472 1866
Según el resultado de esta tabla vemos un patrón común del sentido secuencial. Es decir
los ceros en la diagonal inferior de cada tabla nos indican que sería poco probable que
distrito de grupos “inferiores” accedan a estados superiores. Por ejemplo en la izquierda el
grupo de reforzadores Medios muestran cierta “transición” al grupo medio y ninguna al
grupo alto. Para el grupo de reforzadores bajos hay ausencia de distritos en categorías más
altas de los grupos aglomeradores. Es el mismo patrón para la tabla de la derecha.
Ciertamente estas hipótesis podrían ser evaluadas con información de estos distritos en
forma de panel.
¿Quiénes están en las celdas de las dimensiones? Un último resultado a presentar sería ver cuáles son los pocos distritos que son clasificados
como medianos o altos aglomeradores. Igualmente es interesante chequear cuales son los
distritos que conforman las sub-tablas presentadas que combinan las categorías B, M, A.
de las dimensiones trabajadas.
A manera de ilustración, la siguiente tabla presenta los distritos de la categoría de Alta Aglomeración.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 58
Tabla No.17. Relación de distritos en grupo Alto de Aglomeradores
Base Nivel Alto # distritos
Datos Aglomerador 16
id ubigeo reg distrito
224 21801 2 CHIMBOTE
251 30101 3 ABANCAY
443 50101 5 AYACUCHO
561 60101 6 CAJAMARCA
688 70101 7 CALLAO
806 90101 9 HUANCAVELICA
905 100101 10 HUANUCO
1154 130101 13 TRUJILLO
1237 140101 14 CHICLAYO
1446 160101 16 IQUITOS 18/
1499 170101 17 TAMBOPATA
1510 180101 18 MOQUEGUA
1712 211101 21 JULIACA
1810 230101 23 TACNA 24/
1838 240101 24 TUMBES
1851 250101 25 CALLERIA
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 59
Tabla No.18. Relación de distritos en grupo Medio de Aglomeradores
Base Nivel Medio # distritos Base Nivel Medio # distritos
Datos Aglomerador 41 Datos Aglomerador 41
id ubigeo reg distrito id ubigeo reg distrito
1 1 10101 1 CHACHAPOYAS 21 1030 120101 12 HUANCAYO
2 22 10201 1 BAGUA 22 1034 120107 12 CHILCA
3 78 10701 1 BAGUA GRANDE 23 1039 120114 12 EL TAMBO
4 85 20101 2 HUARAZ 24 1155 130102 13 EL PORVENIR
5 232 21809 2 NUEVO CHIMBOTE 25 1241 140105 14 JOSE LEONARDO ORTIZ
6 260 30201 3 ANDAHUAYLAS 26 1275 150101 15 LIMA
7 334 40101 4 AREQUIPA 27 1453 160108 16 PUNCHANA
8 337 40104 4 CERRO COLORADO 28 1456 160113 16 SAN JUAN BAUTISTA
9 345 40112 4 PAUCARPATA 29 1457 160201 16 YURIMAGUAS
10 452 50110 5 SAN JUAN BAUTISTA 30 1527 180301 18 ILO
11 634 60801 6 JAEN 31 1530 190101 19 CHAUPIMARCA
12 693 70106 7 VENTANILLA 32 1542 190113 19 YANACANCHA
13 695 80101 8 CUSCO 33 1551 190301 19 OXAPAMPA
14 699 80105 8 SAN SEBASTIAN 34 1559 200101 20 PIURA
15 700 80106 8 SANTIAGO 35 1560 200104 20 CASTILLA
16 702 80108 8 WANCHAQ 36 1604 200601 20 SULLANA
17 906 100102 10 AMARILIS 37 1624 210101 21 PUNO
18 950 100601 10 RUPA-RUPA 27/ 38 1733 220101 22 MOYOBAMBA
19 987 110101 11 ICA 39 1791 220901 22 TARAPOTO
20 1001 110201 11 CHINCHA ALTA 40 1819 230110 23 CRNEL.GREGORIO ALBARRA
continúa …. 41 1855 250105 25 YARINACOCHA
Hay 16 distritos clasificados con aglomeración Alta y 41 con clasificación Media, en total 57
distritos aglomeradores “grandes”. El resto de distritos (1866-57=1809) son distritos en el
estrato Bajo.
8.4. Nota sobre el software y funciones usadas
En el cálculo de los componentes principales, usando el software R, se encuentran
básicamente dos opciones. La función PRINCOM y la función PCA.
En la función PRINCOMP se usa el método sin rotación de componentes. Es posible aún
calcular los puntajes para las unidades de análisis (distritos) pero en su uso se advierte que
los signos de los componentes son arbitrarios. Para estudios de estructura, esto es
permisible, ya que interesa ver la estructura entre variables, y el cálculo de los niveles de
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 60
posición de las unidades de análisis queda en un segundo plano (no están disponibles en
el uso default).
En la función PCA, la rotación permite usar directamente los coeficientes de los
componentes principales, para calcular la posición relativa de las unidades de análisis. En
esta opción se ofrece gráficos (plots) de la relación componentes-variables, así como
también gráficos para los puntajes de las unidades de análisis y su relación con las variables
(biplots). En este documento se usa la función PCA.
Las recomendaciones para el uso de los biplots, son tratar de usar los primeros (o algunos)
de los componentes principales que conserven la mayor parte de la variación presentada
en las variables originales. Cuando un porcentaje alto o relativamente alto de la varianza es
explicado por pocos factores, resultan interesantes construir biplots para análisis adicional
de los sujetos/objetos estudiados. De esta manera, la visualización de las variables y
unidades de análisis que subyacen a la estructura original se simplifica con observación
directa de los gráficos.
En el presente estudio solo se calculan los puntajes, ya que en una primera aproximación
resulta complejo la visualización de un gran número de unidades de estudio (1686 distritos).
ACP ha sido estudiada como una técnica para reducir la dimensión de los conjuntos de
datos en métodos multivariados. Hay aplicaciones en áreas de agro-química y CCSS y en
otros softwares, para el estudio de datos composicionales (ver, Thio- Henestrosa y
Fernández, 2005; Bazán et al. 2011).
8.5. Uso y lectura de la tipología de municipalidades
En esta sección se presenta la tipología municipalidades en función a estratos Alto, Medio
y Bajo según las 3 variables: esenciales, reforzadoras y de aglomeración que provienen del
marco conceptual plasmado en la sección 5.
En la tabla 19 se presenta el resultado de la tipología de municipalidades para las variables
esenciales y reforzadoras. Como se aprecia, en la tabla 19, la combinación de los diferentes
estratos alto, medio y bajo de las variables esenciales y reforzadoras da como resultado
una tabla de 3x3 con 9 posibles etiquetas, dos de las cuales no contiene información para
ninguna municipalidad, teniéndose en definitiva 7 grupos de municipalidades como se
muestra a continuación.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 61
Tabla No.19. Tipología de municipalidades para las variables esenciales y
reforzadoras.
Los 7 grupos de municipalidades plasmados en la tabla 19 pueden ser etiquetados de la
siguiente forma:
Grupo I. Municipalidades en el Estrato 1.1: Esencial Bajo, Reforzador Bajo (B, B)
En este grupo se encuentran 272 municipalidades las cuales corresponderían a
municipalidades esencialmente rurales y en las cuales los servicios básicos de agua,
luz y saneamiento son limitados.
Grupo II. Relación de municipalidades en el Estrato 1.2: Esencial Bajo, Reforzador
Medio (B, M)
Este grupo contiene a 156 municipalidades, los cuales son municipios periurbanos, que
mantienen aún brechas importantes en los temas de infraestructura básica.
Grupo III. Relación de municipalidades en el Estrato 2.1: Esencial Medio, Reforzador
Bajo (M, B)
En este grupo se encuentran 159 municipalidades con menores problemas en el acceso
a los servicios básicos que en los 2 grupos anteriores pero siguen siendo esencialmente
rurales, y con niveles bajos de educación secundaria.
Grupo IV. Relación de municipalidades en el Estrato 2.2: Esencial Medio, Reforzador
Medio (M, M)
Este grupo contiene la mayor cantidad de municipalidades dentro de la tipología para
las variables esenciales y reforzadoras con 752 municipios. Esto indica que
aproximadamente el 40% de las municipalidades del país mantiene niveles intermedios
de acceso a servicios básico, y son periurbanos.
Grupo V. Relación de municipalidades en el Estrato 2.3: Esencial Medio, Reforzador
Alto (M, A)
Este grupo contiene a 55 municipalidades, los cuales son básicamente urbanos, y con
niveles aceptables de estudiantes en educación secundaria, pero mantiene aún
deficiencias en la provisión efectiva de servicios públicos básicos.
1: Bajo (B) 2: Medio (M) 3: Alto (A) Total %
1: Bajo (B) 272 159 0 431 23,1
2: Medio (M) 156 752 150 1058 56,7
3: Alto (A) 0 55 322 377 20,2
Total 428 966 472 1866 100,0
% 22,9 51,8 25,3 100,0
Re
forz
ado
r
EsencialDimensión/Estrato
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 62
Grupo VI. Relación de municipalidades en el Estrato 3.2: Esencial Alto, Reforzador
Medio (A, M)
En este grupo se encuentran 150 municipalidades, los cuales poseen una adecuada
provisión relativa de servicios públicos básicos en áreas periurbanas. Además, estos
distritos mantienen niveles intermedios de estudiantes en educación secundaria.
Grupo VII. Relación de municipalidades en el Estrato 3.3: Esencial Alto, Reforzador
Alto (A, A)
Este grupo contiene a 322 municipalidades los cuales corresponden a municipalidades
urbanas y con una alta cobertura de servicios públicos esenciales.
Estos 7 grupos de municipios pueden ser considerados como base para el diseño de
políticas públicas de desarrollo local dado que permiten identificar potencialidades y
limitantes a nivel de municipios con énfasis en los temas de infraestructura y servicios
públicos básicos, que bien podrían guiar la formulación de las metas que se establecen en
el Plan de Incentivos Municipales que implementa el Ministerio de Economía y Finanzas.
Además, esta tipología permite identificar grupos de municipios que cuentan con las
condiciones para desarrollar procesos acumulativos dinámicos asociados a los temas de
competitividad.
Por ejemplo, las municipalidades contenidas en los grupos VI, y VII (estratos 3.2 o 3.3)
serían los candidatos ideales para la implementación de reformas de segunda generación
orientados a los temas de competitividad que se establecen en la Agenda de Competitividad
2014-2018. Para ello sin embargo, la información de los grupos de municipalidades
contenidos en la tabla 19, debe ser complementada con aquella que procede de la taba 20,
las cuales contiene información sobre los niveles de aglomeración de las municipalidades
del país aproximada por el número de empresas y de trabajadores por municipio.
Tabla No.20. Tipología de municipalidades para la variable de aglomeración
Dimensión/Estrato Frecuencia %
1: Bajo (B) 1809 96,9
2: Medio (M) 41 2,2
3: Alto (A) 16 0,9
Total 1866 100,0
Aglomeración
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 63
De esta manera, combinando los 7 grupos de municipalidades de la tabla 19 con los 3
grupos de municipios de la tabla 20, se obtiene información valiosa que permite
focalizar/priorizar con mayor precisión las áreas geográficas en las cuales debieran
implementarse iniciativas vinculadas a los temas de competitividad, dado que corresponden
a municipalidades que poseen actividad económica densa, y a la vez condiciones de
infraestructura y de servicios públicos adecuadas para aprovechar de mejor manera las
políticas públicas asociadas a innovación, tecnología, capacitación laboral, entre otras. El
listado de municipios correspondientes a las tablas 19 y 20 se detallan en el Anexo 2.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 64
9. Conclusiones y recomendaciones
Conclusiones
La caracterización de las áreas geográficas del país propuesta en el presente informe permitirá la identificación, diseño e implementación de iniciativas públicas en materia de competitividad en el territorio en función a características particulares asociada a cada grupo de municipalidades.
La tipología además permitirá priorizar grupos o tipos de áreas geográficas en función del valor delas dimensiones respectivas para la implementación de políticas públicas a medida en el territorio.
La propuesta de tipología se sustenta en el análisis categórico y el uso de información cualitativa. Es necesario y viable tener marcos conceptuales para delinear una estrategia en la comprensión de los patrones espaciales y la dinámica que envuelve los procesos de localización industrial. La presente tipología municipal se sustenta en el marco conceptual de la Economía Geográfica.
Se ha señalado en la literatura empírica que es poco frecuente encontrar trabajos y usos de herramientas o modelos que simultáneamente utilicen toda la variedad de escalas en las variables. Sería de interés integrar ambas fuentes (cuali-cuanti) de información. De esta manera se entenderá los patrones espaciales y los procesos de la interacción hombre-naturaleza de enfoques de geografía local.
Los métodos de cruces de variables categóricos o de categorías de variables de grupos como las usadas en este trabajo aportarán en la inclusión de información que ayude a dimensionar y caracterizar más integralmente el enfoque cuantitativo.
El diseño de clases o grupos categóricos es un incentivo para el analista en la búsqueda de inclusión de modelos de análisis con estratos de tratamiento quasi-experimental, algo que cada vez es más necesario en los métodos no experimentales o de levantamiento de información por encuestas.
Con la sugerencia del reporte del Banco Mundial (World Bank 2009), se ha actualizado el debate de posibles alternativas de políticas públicas, en especial en el ámbito de la Economía Geográfica. Tipologías desagregadas con información disponible relacionada, por ejemplo, a programas públicos tendrán implicancias regionales, por ejemplo, desarrollo de infraestructura, detección de aspectos adversos en transporte, efectividad y equidad en el gato público. El reporte mencionado hace un llamado para que por ejemplo el fomento del crecimiento de estudios tipo “bottom-up”, y en esta línea se ha desarrollado la presente tipología municipal.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 65
Recomendaciones
La presente tipología podría mejorarse/potenciarse con la inclusión de información adicional de sectores productivos (Agrícola, Silvicultura, Transporte) con la finalidad de enriquecer el modelamiento de las empresas según sectores productivos y modos de localización.
Estudios de corte trasversal como el de este trabajo sugieren recoger información en otros puntos del tiempo para comprobar la hipótesis de transición de estadísticas en las dimensiones/estadios propuestos con la finalidad de enriquecer la caracterización de factores dinámicos, por ejemplo, de migración entre grupos identificados por la taxonomía.
En el marco dela literatura de la Economía Geográfica es posible extender el análisis a las interacciones locales de los agentes incluyendo procesos de aprendizajes dentro de las regiones estudiadas. Una extensión de la presente propuesta de tipología involucraría el recojo de información más desagregada, incluso cualitativa por ejemplo vía entrevista a agentes claves de la región como gerentes municipales líderes de grupos comunitarios y empresarios exitosos y otros agentes de opinión, todo esto empujando la disponibilidad de variables categóricas. Combinando multivariados con análisis de correspondencia se tendría un menú más amplio e interesante para indagar hipótesis a nivel local.
La literatura en métodos multivariados también ha señalado, por ejemplo, la ventaja de reducir información desde una gama de variables a ser seleccionadas con el espacio geográfico, para poder delimitar patrones emergentes, su caracterización y para su potencial uso en la clasificación de unidades en el análisis geográfico. Estos temas descritos podrían potenciar la tipología de municipalidades desarrollada en el presente trabajo.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 66
Bibliografía
Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Hoboken, NJ: Wiley. Amemiya, T. (1973). Regression analysis when the dependent variable is truncated normal. Econometrica 41, 997–1016. Amemiya, T. (1984). Tobit models: A survey. Journal of Econometrics 24, 3–61. Alvarez J.C.(2007) Application of Complex Adaptive Systems Theory to Ica Wine and Grape Cluster. Anderson T.W. (2003) An introduction to Multivariate Statistical Analysis. 3rd. Ed. New Jersey: Wiley. Anderson, T.W. and C. Hsiao (1982). “Formulation and Estimation of Dynamic Models Using Panel
Data”, Journal of Econometrics, 18, 47-82.
Asselin L. (2002) Multidimentional Poverty, Theory, IDRC, in MIMAP Training Session on Multidimensional Poverty, Quebec. Bazan J. L., Sulmont D., Calderón A. (2011). Las organizaciones políticas en las elecciones presidenciales peruanas de 2011 usando análisis de componentes principales. Reporte, Proyecto DGI, PUCP. Bazán J. L, Sulmont, D., Calderón, A., Millones, O. (2010). Modelos de regresion en el intervalo unitario con aplicaciones en el análisis de resultados electorales. Proyecto DGI 2011-0173. Benzécri, J. P. et al. (1973). L’ Analyse des Données. Tome (Vol. 1): La Taxinomie.Tome 2: L’Analyse des Correspondances. Dunod, Paris. Bock D. R. y Jones L.V. (1968). The Measurement and Prediction of Judgment and Choice. San Francisco: Holden-Day. Bock D. (1975), Multivariate Statistical Methods in the Behavioral Research. New York: McGraw-Hill. Bock R.D. (1996) “The Nominal Categories Model” Cap 2 en van der Linden W. & Hambleton R.
(eds.) Handbook of Modern Item Response Theory. Springel.
Capello R. (2006). La Economía regional tras cincuenta años: Desarrollos recientes y desafíos futuros. Investigaciones Regionales, otoño, número 009. Asociación Española de Ciencia Regional. Alcalá de Henares, España. Pp 169-192. Capello R. (2009). Recent Theoretical Directions and Future Challenges in Regional Economics. Recent Theoretical Directions and Future Challenges in Regional Economics. Cochran,W.G. (1983). Planning and analysis of observational studies. New York, Wiley.
Cooke P. (2007). To construct Regional Advantage from Innovation Systems First Build Policy Platforms, Vol. 15: 179-194. Routledge. Cox,D.R. (1972).Regression models and life tables (with discussion). J. Royal Statist. Soc., B, 34, 187-220.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 67
Costa S. (2008) Constructed Advantage: The Next paradigm After Competitive Advantage?. Escola de Gestao do Proto. (EGP). Disertación de Tesis de Master en Administración de Negocios. Croissant, Y. (2011). mlogit: multinomiallogitmodel. R packageversion 0.2-1. http://CRAN.R-project.org/package=mlogit De Leeuw, (1993). Fitting distances by least squares. Tech. Repport. No. 130. Los Angeles CA: Interdivisional Program in Statistics, UCLA. Ellison, G. and Glaeser, E. L. (1997). ‘Geographic Concentration in U.S. Manufacturing Industries: A Dartboard Approach’. Journal of Political Economy 105(5):889-927. Fahrmeir, L., Kneib, T. y Lang, S. (2013) Regression: Models, Methods, and Applications. Springer. Faraway, J.J. (2006). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. London: Chapman and Hall. Faraway, J.J. (2015). Linear Model with R. Second Edition. CRC press. Foro Económico Mundial (2015). Informe de Competitividad Global. 150 factores determinantes del crecimiento, para 140 países que cada año.
Fujita, M.; Krugman, P. y Venables, A. J. (1999). The Spacial Economy. Cities, regions and
international trade. The MIT Press.
Goldstein, H. (1986). Multilevel mixed linear model analysis using iterative generalised least squares.
Biometrika, 73, 43-56.
Goldstein, H. (1995). Multilevel Statistical Models. 5th edition.
Greenacre, M. J. (1984). Theory and application of correspondence analysis. London: Academic
Press.
Greene W. G. (2012). Econometric Analysis, 7th Ed. Prentice Hall.
Goodman L. (1979). Multiplicative models for the analysis of occupational movility tables and other
kinds of cross-classification tables. Am. J. Sociol., 84, 804-819.
Goodman L. (1991). Measures, models, and graphical displays in the analysis of cross-classified
data, with discussion, Journal of the American Statistical Association, 86, 1085–1138.
Goodman L. (1994). On quasi-independence and quasi-dependence in contingency tables, with
special reference to ordinal triangular contingency tables, Journal of the American Statistical
Association, 89, 1059–1063.
Goodman L. (1996). A single general method for the analysis of cross-classified data: Reconciliation
and synthesis of some methods of Pearson, Yule, and Fisher, and also some methods of
correspondence analysis and association analysis, Journal of the American Statistical Association,
91, 408–428.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 68
Heckman, J.J. and T.E. MaCurdy (1986). Labor Econometrics. In Z. Griliches and M.D. Intriligator
(eds), Handbook of Econometrics III, North-Holland, Amsterdam.
Hosmer, D.W., y Lemeshow, S. (2000). Applied Logistic Regression. Second Edition. Wiley Series in
Probability and Statistics.
Jackson D.A. (1998). Fish communities in lakes of the Black and Hollow River watersheds, Ontario.
Thesis University of Toronto, Toronto, Ontario, Canada.
Hsiao, C. (1991a). Identification and estimation of dichotomous latent variables models using panel
data. Review of Economic Studies 58, 717–31.
Hsiao, C. (1989). Consistent estimation for some non-linear errors-in-variables models. Journal of
Econometrics 41, 159–85.
Hsiao C. y Pesaran M.H. (2004). Random Coefficient Panel Data Models. WP, CWPE 0434.
Kendall D.G. (1971) Seriation from abundance measures, pp:215-252. In F-R- Hodson, D.G. Kendall,
and P. Tautu, editors. Mathematics in the archeological and historical sciences. Edinburgh University
Press, Edinburgh, Scotland.
INEI (2005). Directorio Nacional de Municipalidades Provinciales Distritales y de Centros Poblados
2015. Instituto Nacional de Estadística e Informática. En:http://iinei.inei.gob.pe/microdatos/
INEI (2014). Resultados de las Estadísticas Municipals en el Perú. En:
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1145/index.html
INEI (2015). Encuesta Nacional de Hogares 2015, Módulo 1, Vivienda. Disponible en:
http://webinei.inei.gob.pe/anda_inei/index.php/catalog/ENC_HOGARES. Joreskog,K.G. and Sorbom,D. (1979). Advances in factor analysis and structural equation models.
Cambridge, MA. Abt books.
Krugman, P. (1991). "Increasing Returns and Economic Geography". Journal of Political Economy,
Vol. 99, No 3, pp. 483-499.
Krugman, P. (1999). "The Role of Geography in Development". Annual World Bank Conference in
Development Economics of the World Bank.
Lazarsfeld, P.F., and Henry, N.W. (1968). Latent structure analysis. Boston: Houghton Mill.
Leamer, E. 1983. "Let's Take the Con Out of Econometrics." American Economic Review 73, 1: 31-
43.
Maddala, G. S. (1985). Limited-Dependent and QualitativeVariables in Econometrics. Cambridge
University Press, Cambridge.
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 69
McFadden, D. and K. Train. (2000). “Mixed MNL models for discrete response.”Journal of Applied
Econometrics, 15(5): 447–470.
McFadden, D. (1974). “Conditional logit analysis of qualitative choice behaviour”. In Frontiers in
Econometrics, ed. P. Zerembka, 105–142. New York: Academic Press.
Miles D.R. y R.E. Ricklefs (1984). The correlation between ecology and morphology in deciduis forest passerine birds. Ecology 65:1629-1640. Millones, O. y Bazán, J. (2009). “Un marco metodológico para el trabajo empírico en Economía: el caso de las variables. Revista Economia, Vol 32, No. 64. pp: 109-126 Dpto. Economia, PUCP. Ministerio de la Producción (2014). Las MIPYMES en cifras. Dirección General de Estudios Económicos, Evaluación y Competitividad Territorial. Montgomery D. C. (2012). Design and analysis of experiments. Fith edition. New York: John Wiley & Son. Nishisato, S (1980). Dual scaling and its applications (Vol. 24) University of Toronto Press. Nishisato S. Nishisato I. (1994). Dual scaling in a nutshell. Micro Stats, Toronto, Canada. Duranton, G. and Overman, H. G. (2005). ‘Testing for Localization Using Micro-Geographic Data’. Review of Economic Studies 72(4):1077-106. Produce (2009). Resultado de las regiones de la Actividad Económica de la Industria Manufacturera. Ministerio de la Producción. Dirección de Competitividad. Searle S.R. (1971). Linear Models. Wiley & Son.
Searle S.R. (1974) Restrictions on models and constraints on solutions in analysis of variance.
Departments of Biometrics and Statistics. Paper. BU-533-M. Cornell University. Ithaca, N. Y.
Searle S. R. (1999). Analysis of Variance for data having unequal numbers of observations in the subclases. Paper BU-658a-M. Biometrics Unit, Cornell University, Ithaca, New York.
Thio-Henestrosa, S. y Martín-Fernández, J. (2005) Dealing with compositional data: the freeware coDaPack. En Marine Micropaleontology 7:773-793.
Thurstone L.L. (1927). Law of comparative judgment. Psychological Review. 34: 278-286.
Torres, A. y Greenacre, M. (2002). Dual scaling and correspondence analysis of preferences, paired compairsons and ratings. International Journal of Research in Marketing, 19, 401-405. Vogel, Edgar H.; Soto, Fabián A.; Castro, María E.; Solar, Paola A. (2006). Modelos matemáticos del condicionamiento clásico: evolución y desafíos actuales. Revista Latinoamericana de Psicología, vol. 38, núm. 2, 2006, pp. 215-243. World Bank. 2009. World Development Report 2009: Reshaping Economic Geography. World Bank.
https://openknowledge.worldbank.org/handle/10986/5991
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 70
Anexo 01. Nota sobre interpretación de resultados con variables categóricas.
Del modelo básico como X y , la información tiene el arreglo de la forma:
2n1n
.........
2
1
δ
1
1 1
1 1
................
0 1
0 1
0 1
2n1ny
11ny
.............
1ny
2y
1y
O en forma compacta:
εδ
1
2i
2i
01i
y
Luego la estimación en este caso de variables categóricas es como:
'2i 0
'2i
'1iXX'
2n
2n
2n
2n
1n
2i
2i
01i
2n1nXX'
'2
i 0
'2
i'1i
yX'
22
2211
2
21
2
1
yn
ynyn
y
yy
y
y
Y el stimador usual para el caso lineal (MCO) es:
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 71
δ
1 X'Y-(X'X) 1
212
22
21
1
nnn
nn
nn
12
1
22
2211
yy
y
yn
ynyn
Y lo importante es notar que lo que se obtiene son:
δde estimado es12
1de estimadoes 1
yy
y
Concluyendo:
-En casos de variables no categóricas se estiman niveles como ( 1 y 2 ), mientras
que en modelos con variables categóricas este proceso solo nos lleva a estimaciones
del tipo: nivel 1 y la diferencia de niveles .
- Es usual en software elegir que esta diferencia o contraste es respecto al primer
grupo: 12μμδ
- En la evaluación de este tipo de problema un test para la hipótesis que 0 es
equivalente al test de niveles de la forma 21 .
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 72
Anexo 02. Grupos de municipios de la tipología
La siguiente colección de tablas muestra la lista de distritos determinados por la tipología
desarrollada en este trabajo. Esta lista tiene el carácter preliminar y sujeto a ajustes, según
se ha indicado. Los ajustes básicamente tienen que ver con los supuestos de cortes usados
en las dimensiones propuestas.
Se presenta primero un índice de las tablas que se anexan. Las tablas de 1 al 9, muestran
las celdas de las interacciones entre las dimensiones de Esenciales versus Reforzadores.
Por ejemplo tabla BB significa lista de distritos del grupo combinado Esenciales B con
reforzadores B, que es la celda 1 de la tabla de este cruce y que tiene 272 distritos (resaltado
abajo en amarillo). Algunas Tablas tienen cero frecuencias, se presentan sin distritos para
ayudar a identificar las frecuencias “cero” del texto.
Las tablas dos últimas tablas aglo 2 y aglo 3 muestran los distritos categorizados como
Aglomeradores Medios y Altos, comentada en el texto de la sección 8. Es importante
señalar que cada lista representa cada celda de la tabla básica discutidas en el texto del
trabajo.
INDICE de TABLAS del Anexo
Celda Tabla Esenciales Reforzadores # distritos
1 BB B B 272
2 BM B M 156
3 BA B A 0
4 MB M B 159
5 MM M M 752
6 MA M A 55
7 AB A B 0
8 AM A M 150
9 AA A A 322
aglo2 Aglomeradores Medio 41
aglo3 Aglomeradores Alto 16
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 73
I. Relación de municipalidades en el Estrato 1.1: Esencial Bajo, Reforzador Bajo (B, B), 272 municipalidades
id ubigeo distrito id ubigeo distrito id ubigeo distrito
1 3 10103 BALSAS 92 627 60612 SANTO DOMINGO DE LA CAPILLA 182 943 100505 JIRCAN
2 26 10205 IMAZA 93 628 60613 SANTO TOMAS 183 947 100509 PUÑOS
3 40 10401 NIEVA 94 629 60614 SOCOTA 184 951 100602 DANIEL ALOMIA ROBLES
4 41 10402 EL CENEPA 95 633 60703 HUALGAYOC 185 952 100603 HERMILIO VALDIZAN
5 42 10403 RIO SANTIAGO 96 636 60803 CHONTALI 186 955 100606 MARIANO DAMASO BERAUN
6 45 10503 COCABAMBA 97 637 60804 COLASAY 187 956 100607 PUCAYACU 26/
7 56 10514 PISUQUIA 98 638 60805 HUABAL 188 958 100701 HUACRACHUCO
8 62 10520 SANTA CATALINA 99 640 60807 POMAHUACA 189 959 100702 CHOLON 25/ 28/
9 67 10602 CHIRIMOTO 100 642 60809 SALLIQUE 190 960 100703 SAN BUENAVENTURA
10 77 10612 VISTA ALEGRE 101 643 60810 SAN FELIPE 191 962 100705 SANTA ROSA DE ALTO YANAJANCA 28/
11 82 10705 JAMALCA 102 644 60811 SAN JOSE DEL ALTO 192 963 100801 PANAO
12 84 10707 YAMON 103 648 60903 HUARANGO 193 964 100802 CHAGLLA
13 106 20305 MIRGAS 104 652 60907 TABACONAS 194 965 100803 MOLINO
14 107 20306 SAN JUAN DE RONTOY 105 656 61004 GREGORIO PITA 195 966 100804 UMARI
15 109 20402 ACOCHACA 106 658 61006 JOSE MANUEL QUIROZ 196 968 100902 CODO DEL POZUZO
16 137 20702 SAN NICOLAS 107 659 61007 JOSE SABOGAL 197 969 100903 HONORIA
17 176 21206 PAMPAROMAS 108 662 61103 CALQUIS 198 970 100904 TOURNAVISTA
18 178 21208 SANTA CRUZ 109 676 61204 TUMBADEN 199 971 100905 YUYAPICHIS
19 182 21302 CASCA 110 679 61303 CATACHE 200 978 101007 SAN MIGUEL DE CAURI
20 183 21303 ELEAZAR GUZMAN BARRON 111 680 61304 CHANCAYBAÑOS 201 982 101104 APARICIO POMARES
21 186 21306 LLUMPA 112 681 61305 LA ESPERANZA 202 1056 120135 SANTO DOMINGO DE ACOBAMBA
22 187 21307 LUCMA 113 683 61307 PULAN 203 1060 120203 ANDAMARCA
23 212 21603 PAROBAMBA 114 684 61308 SAUCEPAMPA 204 1119 120603 LLAYLLA
24 213 21604 QUINUABAMBA 115 696 80102 CCORCA 205 1121 120605 PAMPA HERMOSA
25 240 21908 RAGASH 116 713 80304 CHINCHAYPUJIO 206 1123 120607 RIO NEGRO
26 241 21909 SAN JUAN 117 722 80404 LARES 207 1124 120608 RIO TAMBO
27 244 22002 CASCAPARA 118 724 80406 SAN SALVADOR 208 1174 130302 BAMBAMARCA
28 247 22005 QUILLO 119 728 80502 CHECCA 209 1175 130303 CONDORMARCA
29 249 22007 SHUPLUY 120 733 80507 QUEHUE 210 1183 130502 CALAMARCA
30 255 30105 HUANIPACA 121 744 80702 CAPACMARCA 211 1185 130504 HUASO
31 261 30202 ANDARAPA 122 745 80703 CHAMACA 212 1187 130602 AGALLPAMPA
32 295 30409 LUCRE 123 746 80704 COLQUEMARCA 213 1203 130803 CHILLIA
33 306 30503 COYLLURQUI 124 747 80705 LIVITACA 214 1206 130806 HUAYO
34 308 30505 MARA 125 748 80706 LLUSCO 215 1207 130807 ONGON
35 317 30608 RANRACANCHA 126 749 80707 QUIÑOTA 216 1215 130902 CHUGAY
36 319 30610 EL PORVENIR 34/ 127 753 80803 COPORAQUE 217 1216 130903 COCHORCO
37 322 30703 GAMARRA 128 758 80808 ALTO PICHIGUA 218 1217 130904 CURGOS
38 444 50102 ACOCRO 129 760 80902 ECHARATE 219 1218 130905 MARCABAL
39 445 50103 ACOS VINCHOS 130 769 80911 INKAWASI 14/ 220 1219 130906 SANAGORAN
40 448 50106 OCROS 131 771 80913 VILLA KINTIARINA 23/ 221 1220 130907 SARIN
41 456 50114 VINCHOS 132 774 81003 CCAPI 222 1221 130908 SARTIMBAMBA
42 462 50204 MARIA PARADO DE BELLIDO 133 776 81005 HUANOQUITE 223 1229 131008 SITABAMBA
43 463 50205 PARAS 134 777 81006 OMACHA 224 1233 131104 SAYAPULLO
44 470 50402 AYAHUANCO 135 783 81103 CHALLABAMBA 225 1258 140202 CAÑARIS
45 472 50404 IGUAIN 136 784 81104 COLQUEPATA 226 1259 140203 INCAHUASI
46 474 50406 SANTILLANA 30/ 137 790 81204 CCARHUAYO 227 1450 160105 LAS AMAZONAS
47 478 50410 UCHURACCAY 13/ 138 791 81205 CCATCA 228 1452 160107 NAPO
48 479 50411 PUCACOLPA 21/ 139 795 81209 MARCAPATA 229 1454 160110 TORRES CAUSANA
49 480 50412 CHACA 30/ 140 796 81210 OCONGATE 230 1458 160202 BALSAPUERTO
50 484 50504 CHILCAS 141 798 81212 QUIQUIJANA 231 1461 160210 SANTA CRUZ
51 485 50505 CHUNGUI 142 810 90105 CUENCA 232 1467 160305 URARINAS
52 486 50506 LUIS CARRANZA 143 821 90116 VILCA 233 1470 160403 YAVARI
53 490 50510 ANCHIHUAY 10/ 144 822 90117 YAULI 234 1471 160404 SAN PABLO
54 519 50708 UPAHUACHO 145 827 90203 ANTA 235 1490 160702 CAHUAPANAS
55 559 51107 SAURAMA 146 832 90208 ROSARIO 236 1491 160703 MANSERICHE
56 562 60102 ASUNCION 147 834 90302 ANCHONGA 237 1492 160704 MORONA
57 563 60103 CHETILLA 148 838 90306 CONGALLA 238 1493 160705 PASTAZA
58 564 60104 COSPAN 149 844 90312 SECCLLA 239 1494 160706 ANDOAS
59 565 60105 ENCAÑADA 150 850 90406 COCAS 240 1497 160803 TENIENTE MANUEL CLAVERO
60 571 60111 NAMORA 151 853 90409 MOLLEPAMPA 241 1555 190305 POZUZO
61 574 60202 CACHACHI 152 859 90502 ANCO 242 1558 190308 CONSTITUCIÓN 6/
62 575 60203 CONDEBAMBA 153 860 90503 CHINCHIHUASI 243 1570 200202 FRIAS
63 576 60204 SITACOCHA 154 861 90504 EL CARMEN 244 1572 200204 LAGUNAS
64 578 60302 CHUMUCH 155 864 90507 PAUCARBAMBA 245 1574 200206 PACAIPAMPA
65 579 60303 CORTEGANA 156 867 90510 PACHAMARCA 246 1576 200208 SAPILLICA
66 580 60304 HUASMIN 157 868 90511 COSME 3/ 247 1581 200303 EL CARMEN DE LA FRONTERA
67 583 60307 MIGUEL IGLESIAS 158 875 90607 PILPICHACA 248 1582 200304 HUARMACA
68 584 60308 OXAMARCA 159 878 90610 SAN ANTONIO DE CUSICANCHA 249 1583 200305 LALAQUIZ
69 585 60309 SOROCHUCO 160 896 90714 SALCABAMBA 250 1584 200306 SAN MIGUEL DE EL FAIQUE
70 587 60311 UTCO 161 899 90717 SURCUBAMBA 251 1585 200307 SONDOR
71 588 60312 LA LIBERTAD DE PALLAN 162 900 90718 TINTAY PUNCU 31/ 252 1586 200308 SONDORILLO
72 590 60402 ANGUIA 163 901 90719 QUICHUAS 16/ 253 1596 200410 YAMANGO
73 591 60403 CHADIN 164 902 90720 ANDAYMARCA 17/ 254 1627 210104 ATUNCOLLA
74 593 60405 CHIMBAN 165 903 90721 ROBLE 31/ 255 1637 210114 TIQUILLACA
75 594 60406 CHOROPAMPA 166 907 100103 CHINCHAO 29/ 256 1651 210213 SAN JUAN DE SALINAS
76 595 60407 COCHABAMBA 167 908 100104 CHURUBAMBA 257 1652 210214 SANTIAGO DE PUPUJA
77 596 60408 CONCHAN 168 910 100106 QUISQUI 258 1658 210305 CORANI
78 597 60409 HUAMBOS 169 911 100107 SAN FRANCISCO DE CAYRAN 259 1660 210307 ITUATA
79 600 60412 MIRACOSTA 170 912 100108 SAN PEDRO DE CHAULAN 260 1679 210604 INCHUPALLA
80 604 60416 SAN JUAN DE LICUPIS 171 913 100109 SANTA MARIA DEL VALLE 261 1681 210606 ROSASPATA
81 605 60417 TACABAMBA 172 917 100113 SAN PABLO DE PILLAO 29/ 262 1709 211003 PEDRO VILCA APAZA
82 607 60419 CHALAMARCA 173 920 100203 COLPAS 263 1719 211204 PATAMBUCO
83 611 60504 GUZMANGO 174 922 100205 HUACAR 264 1741 220203 BAJO BIAVO
84 617 60602 CALLAYUC 175 924 100207 SAN RAFAEL 265 1747 220303 SAN MARTIN
85 618 60603 CHOROS 176 927 100307 CHUQUIS 266 1748 220304 SANTA ROSA
86 620 60605 LA RAMADA 177 928 100311 MARIAS 267 1761 220506 PINTO RECODO
87 621 60606 PIMPINGOS 178 933 100322 SILLAPATA 268 1771 220605 PAJARILLO
88 622 60607 QUEROCOTILLO 179 936 100402 CANCHABAMBA 269 1853 250103 IPARIA
89 624 60609 SAN JUAN DE CUTERVO 180 938 100404 PINRA 270 1854 250104 MASISEA
90 625 60610 SAN LUIS DE LUCMA 181 942 100504 JACAS GRANDE 271 1860 250203 TAHUANIA
91 626 60611 SANTA CRUZ 272 1861 250204 YURUA
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 74
II. Relación de municipalidades en el Estrato 1.2: Esencial Bajo, Reforzador Medio (B, M), 156 municipalidades
id ubigeo distrito id ubigeo distrito
1 79 10702 CAJARURO 91 984 101106 OBAS
2 80 10703 CUMBA 92 985 101107 PAMPAMARCA
3 86 20102 COCHABAMBA 93 1116 120504 ULCUMAYO
4 136 20701 SAN LUIS 94 1120 120604 MAZAMARI
5 138 20703 YAUYA 95 1122 120606 PANGOA 22/
6 156 21007 HUACHIS 96 1173 130301 BOLIVAR
7 184 21304 FIDEL OLIVAS ESCUDERO 97 1194 130613 SINSICAP
8 201 21503 CONCHUCOS 98 1201 130801 TAYABAMBA
9 211 21602 HUAYLLAN 99 1204 130804 HUANCASPATA
10 239 21907 QUICHES 100 1205 130805 HUAYLILLAS
11 242 21910 SICSIBAMBA 101 1211 130811 SANTIAGO DE CHALLAS
12 265 30206 HUAYANA 102 1214 130901 HUAMACHUCO
13 269 30210 PAMPACHIRI 103 1223 131002 ANGASMARCA
14 271 30212 SAN ANTONIO DE CACHI 104 1224 131003 CACHICADAN
15 273 30214 SAN MIGUEL DE CHACCRAMPA 105 1272 140310 SALAS
16 276 30217 TUMAY HUARACA 106 1378 150716 SAN ANTONIO
17 282 30303 HUAQUIRCA 107 1410 150904 COCHAMARCA
18 284 30305 OROPESA 108 1448 160103 FERNANDO LORES
19 286 30307 SABAINO 109 1451 160106 MAZAN
20 290 30404 CHAPIMARCA 110 1459 160205 JEBEROS
21 304 30501 TAMBOBAMBA 111 1460 160206 LAGUNAS
22 307 30504 HAQUIRA 112 1462 160211 TENIENTE CESAR LOPEZ ROJAS
23 309 30506 CHALLHUAHUACHO 113 1464 160302 PARINARI
24 313 30604 HUACCANA 114 1465 160303 TIGRE
25 316 30607 URANMARCA 115 1466 160304 TROMPETEROS
26 323 30704 HUAYLLATI 116 1468 160401 RAMON CASTILLA
27 324 30705 MAMARA 117 1469 160402 PEBAS
28 325 30706 MICAELA BASTIDAS 118 1473 160502 ALTO TAPICHE
29 326 30707 PATAYPAMPA 119 1477 160506 PUINAHUA
30 327 30708 PROGRESO 120 1479 160508 SOPLIN
31 333 30714 CURASCO 121 1482 160511 YAQUERANA
32 387 40404 CHACHAS 122 1486 160604 PAMPA HERMOSA
33 413 40516 TAPAY 123 1488 160606 VARGAS GUERRA
34 420 40603 CAYARANI 124 1489 160701 BARRANCA
35 433 40802 ALCA 125 1496 160802 ROSA PANDURO 11/
36 436 40805 PAMPAMARCA 126 1498 160804 YAGUAS 11/
37 437 40806 PUYCA 127 1504 170202 FITZCARRALD
38 450 50108 QUINUA 128 1539 190110 TICLACAYAN
39 461 50203 LOS MOROCHUCOS 129 1546 190204 PAUCAR
40 475 50407 SIVIA 130 1547 190205 SAN PEDRO DE PILLAO
41 481 50501 SAN MIGUEL 131 1548 190206 SANTA ANA DE TUSI
42 482 50502 ANCO 132 1554 190304 PALCAZU
43 483 50503 AYNA 133 1556 190306 PUERTO BERMUDEZ
44 488 50508 TAMBO 134 1569 200201 AYABACA
45 489 50509 SAMUGARI 5/ 135 1579 200301 HUANCABAMBA
46 505 50615 SAN CRISTOBAL 136 1644 210206 CHUPA
47 507 50617 SAN PEDRO 137 1657 210304 COASA
48 514 50703 CORONEL CASTAÑEDA 138 1661 210308 OLLACHEA
49 525 50806 OYOLO 139 1677 210602 COJATA
50 538 50909 SAN SALVADOR DE QUIJE 140 1693 210710 VILAVILA
51 552 51012 VILCANCHOS 141 1699 210806 NUÑOA
52 560 51108 VISCHONGO 142 1705 210903 HUAYRAPATA
53 602 60414 PION 143 1721 211206 QUIACA
54 682 61306 NINABAMBA 144 1740 220202 ALTO BIAVO
55 687 61311 YAUYUCAN 145 1757 220502 ALONSO DE ALVARADO
56 729 80503 KUNTURKANKI 146 1758 220503 BARRANQUITA
57 739 80605 PITUMARCA 147 1764 220509 SHANAO
58 750 80708 VELILLE 148 1779 220708 SHAMBOYACU
59 756 80806 PICHIGUA 149 1783 220802 AWAJUN
60 765 80907 KIMBIRI 23/ 150 1797 220907 HUIMBAYOC
61 781 81101 PAUCARTAMBO 151 1801 220911 PAPAPLAYA
62 811 90106 HUACHOCOLPA 152 1808 221004 SHUNTE
63 826 90202 ANDABAMBA 153 1858 250201 RAYMONDI
64 830 90206 PAUCARA 154 1859 250202 SEPAHUA
65 833 90301 LIRCAY 155 1863 250302 IRAZOLA
66 839 90307 HUANCA-HUANCA 156 1867 250401 PURUS
67 840 90308 HUAYLLAY GRANDE
68 843 90311 SANTO TOMAS DE PATA
69 847 90403 AURAHUA
70 849 90405 CHUPAMARCA
71 895 90713 QUISHUAR
72 904 90722 PICHOS 32/
73 909 100105 MARGOS
74 914 100110 YARUMAYO
75 916 100112 YACUS 4/
76 919 100202 CAYNA
77 923 100206 SAN FRANCISCO
78 929 100313 PACHAS
79 932 100321 SHUNQUI
80 934 100323 YANAS
81 935 100401 HUACAYBAMBA
82 944 100506 MIRAFLORES
83 967 100901 PUERTO INCA
84 973 101002 BAÑOS
85 974 101003 JIVIA
86 975 101004 QUEROPALCA
87 976 101005 RONDOS
88 977 101006 SAN FRANCISCO DE ASIS
89 979 101101 CHAVINILLO
90 983 101105 JACAS CHICO
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 75
III. Relación de municipalidades en el Estrato 2.1: Esencial Medio, Reforzador Bajo (M, B), 159 municipalidades
id ubigeo distrito id ubigeo distrito
1 17 10117 QUINJALCA 81 764 80906 QUELLOUNO
2 20 10120 SOLOCO 82 767 80909 VILCABAMBA
3 23 10202 ARAMANGO 83 780 81009 YAURISQUE
4 31 10304 COROSHA 84 782 81102 CAICAY
5 49 10507 LONGUITA 85 785 81105 HUANCARANI
6 55 10513 OCUMAL 86 808 90103 ACORIA
7 57 10515 PROVIDENCIA 87 824 90119 HUANDO
8 61 10519 SAN JUAN DE LOPECANCHA 88 837 90305 CHINCHO
9 70 10605 LIMABAMBA 89 842 90310 SAN ANTONIO DE ANTAPARCO
10 74 10609 OMIA 90 874 90606 OCOYO
11 95 20111 PIRA 91 886 90702 ACOSTAMBO
12 129 20605 ATAQUERO 92 888 90704 AHUAYCHA
13 130 20606 MARCARA 93 889 90705 COLCABAMBA
14 132 20608 SAN MIGUEL DE ACO 94 891 90707 HUACHOCOLPA
15 146 20904 CUSCA 95 892 90709 HUARIBAMBA 32/
16 173 21203 HUATA 96 894 90711 PAZOS
17 177 21207 PUEBLO LIBRE 97 897 90715 SALCAHUASI
18 227 21804 MACATE 98 898 90716 SAN MARCOS DE ROCCHAC
19 236 21904 CASHAPAMPA 99 921 100204 CONCHAMARCA
20 246 22004 MATACOTO 100 937 100403 COCHABAMBA
21 250 22008 YANAMA 101 945 100507 MONZON
22 253 30103 CIRCA 102 949 100511 TANTAMAYO
23 257 30107 PICHIRHUA 103 961 100704 LA MORADA 25/
24 264 30205 HUANCARAY 104 986 101108 CHORAS
25 266 30207 KISHUARA 105 1038 120113 CULLHUAS
26 267 30208 PACOBAMBA 106 1046 120124 PARIAHUANCA
27 268 30209 PACUCHA 107 1062 120205 COCHAS
28 279 30220 JOSÉ MARÍA ARGUEDAS 19/ 108 1064 120207 HEROINAS TOLEDO
29 299 30413 SORAYA 109 1089 120411 JANJAILLO
30 300 30414 TAPAIRIHUA 110 1104 120426 POMACANCHA
31 314 30605 OCOBAMBA 111 1118 120602 COVIRIALI
32 315 30606 ONGOY 33/ 34/ 112 1125 120609 VIZCATÁN DEL ENE 22/
33 318 30609 ROCCHACC 33/ 113 1134 120709 TAPO
34 321 30702 CURPAHUASI 114 1153 120909 YANACANCHA
35 379 40309 HUANUHUANU 115 1184 130503 CARABAMBA
36 447 50105 CHIARA 116 1188 130604 CHARAT
37 451 50109 SAN JOSE DE TICLLAS 117 1189 130605 HUARANCHAL
38 454 50112 SOCOS 118 1190 130606 LA CUESTA
39 455 50113 TAMBILLO 119 1193 130611 SALPO
40 508 50618 SAN PEDRO DE PALCO 120 1195 130614 USQUIL
41 556 51104 CONCEPCION 121 1202 130802 BULDIBUYO
42 557 51105 HUAMBALPA 122 1213 130813 URPAY
43 566 60106 JESUS 123 1226 131005 MOLLEPATA
44 567 60107 LLACANORA 124 1231 131102 LUCMA
45 570 60110 MATARA 125 1268 140306 MORROPE
46 572 60112 SAN JUAN 126 1368 150706 CUENCA
47 592 60404 CHIGUIRIP 127 1393 150731 SANTO DOMINGO DE LOS OLLERO
48 598 60410 LAJAS 128 1396 150802 AMBAR
49 599 60411 LLAMA 129 1401 150807 LEONCIO PRADO
50 601 60413 PACCHA 130 1431 151019 LINCHA
51 610 60503 CUPISNIQUE 131 1553 190303 HUANCABAMBA
52 612 60505 SAN BENITO 132 1571 200203 JILILI
53 613 60506 SANTA CRUZ DE TOLED 133 1575 200207 PAIMAS
54 619 60604 CUJILLO 134 1578 200210 SUYO
55 632 60702 CHUGUR 135 1589 200403 CHALACO
56 639 60806 LAS PIRIAS 136 1607 200604 LANCONES
57 645 60812 SANTA ROSA 137 1626 210103 AMANTANI
58 647 60902 CHIRINOS 138 1628 210105 CAPACHICA
59 649 60904 LA COIPA 139 1631 210108 HUATA
60 650 60905 NAMBALLE 140 1633 210110 PAUCARCOLLA
61 651 60906 SAN JOSE DE LOURDES 141 1636 210113 SAN ANTONIO
62 654 61002 CHANCAY 142 1640 210202 ACHAYA
63 663 61104 CATILLUC 143 1641 210203 ARAPA
64 664 61105 EL PRADO 144 1643 210205 CAMINACA
65 666 61107 LLAPA 145 1648 210210 SAMAN
66 668 61109 NIEPOS 146 1656 210303 AYAPATA
67 669 61110 SAN GREGORIO 147 1663 210310 USICAYOS
68 670 61111 SAN SILVESTRE DE COCHAN 148 1670 210407 ZEPITA
69 672 61113 UNION AGUA BLANCA 149 1675 210505 CONDURIRI
70 674 61202 SAN BERNARDINO 150 1680 210605 PUSI
71 675 61203 SAN LUIS 151 1683 210608 VILQUE CHICO
72 686 61310 UTICYACU 152 1700 210807 ORURILLO
73 711 80302 ANCAHUASI 153 1715 211104 CARACOTO
74 725 80407 TARAY 154 1724 211209 ALTO INAMBARI
75 730 80504 LANGUI 155 1725 211210 SAN PEDRO DE PUTINA PUNCU
76 731 80505 LAYO 156 1728 211303 COPANI
77 734 80508 TUPAC AMARU 157 1730 211305 OLLARAYA
78 754 80804 OCORURO 158 1766 220511 ZAPATERO
79 757 80807 SUYCKUTAMBO 159 1768 220602 CAMPANILLA
80 763 80905 OCOBAMBA
IV. Relación de municipalidades en el Estrato 2.2: Esencial Medio, Reforzador Medio (M, M), 752 municipalidades
id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito
1 2 10102 ASUNCIÓN 91 153 21004 CHAVIN DE HUANTAR 181 332 30713 VIRUNDO 271 542 51002 ALCAMENCA 361 804 81306 OLLANTAYTAMBO 451 1071 120214 SAN JOSE DE QUERO 541 1418 151006 CACRA 631 1642 210204 ASILLO 721 1784 220803 ELIAS SOPLIN VARGAS
2 5 10105 CHILIQUIN 92 154 21005 HUACACHI 182 339 40106 CHIGUATA 272 543 51003 APONGO 362 807 90102 ACOBAMBILLA 452 1074 120302 PERENE 542 1419 151007 CARANIA 632 1645 210207 JOSE DOMINGO CHOQUEHUANCA722 1785 220804 NUEVA CAJAMARCA
3 6 10106 CHUQUIBAMBA 93 155 21006 HUACCHIS 183 341 40108 LA JOYA 273 544 51004 ASQUIPATA 363 809 90104 CONAYCA 453 1075 120303 PICHANAQUI 543 1420 151008 CATAHUASI 633 1646 210208 MUÑANI 723 1786 220805 PARDO MIGUEL
4 7 10107 GRANADA 94 157 21008 HUANTAR 184 344 40111 MOLLEBAYA 274 546 51006 CAYARA 364 812 90107 HUAYLLAHUARA 454 1076 120304 SAN LUIS DE SHUARO 544 1421 151009 CHOCOS 634 1647 210209 POTONI 724 1787 220806 POSIC
5 8 10108 HUANCAS 95 158 21009 MASIN 185 347 40114 POLOBAYA 275 547 51007 COLCA 365 813 90108 IZCUCHACA 455 1078 120306 VITOC 545 1423 151011 COLONIA 635 1649 210211 SAN ANTON 725 1788 220807 SAN FERNANDO
6 9 10109 LA JALCA 96 159 21010 PAUCAS 186 351 40118 SAN JUAN DE SIGUAS 276 548 51008 HUAMANQUIQUIA 366 814 90109 LARIA 456 1080 120402 ACOLLA 546 1424 151012 HONGOS 636 1650 210212 SAN JOSE 726 1789 220808 YORONGOS
7 10 10110 LEIMEBAMBA 97 160 21011 PONTO 187 352 40119 SAN JUAN DE TARUCANI 277 549 51009 HUANCARAYLLA 367 815 90110 MANTA 457 1081 120403 APATA 547 1427 151015 HUANGASCAR 637 1653 210215 TIRAPATA 727 1790 220809 YURACYACU
8 11 10111 LEVANTO 98 161 21012 RAHUAPAMPA 188 353 40120 SANTA ISABEL DE SIGUAS 278 550 51010 HUAYA 368 816 90111 MARISCAL CACERES 458 1083 120405 CANCHAYLLO 548 1432 151020 MADEAN 638 1654 210301 MACUSANI 728 1792 220902 ALBERTO LEVEAU
9 12 10112 MAGDALENA 99 162 21013 RAPAYAN 189 354 40121 SANTA RITA DE SIGUAS 279 551 51011 SARHUA 369 817 90112 MOYA 459 1084 120406 CURICACA 549 1435 151023 PUTINZA 639 1655 210302 AJOYANI 729 1794 220904 CHAZUTA
10 14 10114 MOLINOPAMPA 100 163 21014 SAN MARCOS 190 358 40125 VITOR 280 553 51101 VILCAS HUAMAN 370 818 90113 NUEVO OCCORO 460 1094 120416 MASMA 550 1440 151028 TANTA 640 1659 210306 CRUCERO 730 1795 220905 CHIPURANA
11 16 10116 OLLEROS 101 164 21015 SAN PEDRO DE CHANA 191 365 40203 MARIANO NICOLAS VALCARCEL 281 554 51102 ACCOMARCA 371 819 90114 PALCA 461 1095 120417 MASMA CHICCHE 551 1441 151029 TAURIPAMPA 641 1662 210309 SAN GABAN 731 1796 220906 EL PORVENIR
12 18 10118 SAN FRANCISCO DE DAGUAS 102 165 21016 UCO 192 369 40207 QUILCA 282 555 51103 CARHUANCA 372 820 90115 PILCHACA 462 1096 120418 MOLINOS 552 1443 151031 TUPE 642 1664 210401 JULI 732 1802 220912 SAN ANTONIO
13 19 10119 SAN ISIDRO DE MAINO 103 167 21102 COCHAPETI 193 375 40305 BELLA UNION 283 558 51106 INDEPENDENCIA 373 825 90201 ACOBAMBA 463 1097 120419 MONOBAMBA 553 1444 151032 VIÑAC 643 1665 210402 DESAGUADERO 733 1803 220913 SAUCE
14 21 10121 SONCHE 104 169 21104 HUAYAN 194 376 40306 CAHUACHO 284 568 60108 LOS BAÑOS DEL INCA 374 828 90204 CAJA 464 1100 120422 PACA 554 1447 160102 ALTO NANAY 18/ 644 1666 210403 HUACULLANI 734 1804 220914 SHAPAJA
15 24 10203 COPALLIN 105 171 21201 CARAZ 195 378 40308 CHAPARRA 285 569 60109 MAGDALENA 375 829 90205 MARCAS 465 1101 120423 PACCHA 555 1449 160104 INDIANA 645 1667 210404 KELLUYO 735 1805 221001 TOCACHE
16 25 10204 EL PARCO 106 174 21204 HUAYLAS 196 382 40312 QUICACHA 286 573 60201 CAJABAMBA 376 831 90207 POMACOCHA 466 1102 120424 PANCAN 556 1453 160108 PUNCHANA 646 1668 210405 PISACOMA 736 1806 221002 NUEVO PROGRESO
17 27 10206 LA PECA 107 175 21205 MATO 197 385 40402 ANDAGUA 287 577 60301 CELENDIN 377 835 90303 CALLANMARCA 467 1103 120425 PARCO 557 1455 160112 BELEN 647 1669 210406 POMATA 737 1807 221003 POLVORA
18 29 10302 CHISQUILLA 108 179 21209 SANTO TORIBIO 198 388 40405 CHILCAYMARCA 288 581 60305 JORGE CHAVEZ 378 836 90304 CCOCHACCASA 468 1105 120427 RICRAN 558 1456 160113 SAN JUAN BAUTISTA 648 1671 210501 ILAVE 738 1809 221005 UCHIZA
19 30 10303 CHURUJA 109 180 21210 YURACMARCA 199 389 40406 CHOCO 289 582 60306 JOSE GALVEZ 379 841 90309 JULCAMARCA 469 1109 120431 SINCOS 559 1457 160201 YURIMAGUAS 649 1672 210502 CAPAZO 739 1814 230105 INCLAN
20 32 10305 CUISPES 110 181 21301 PISCOBAMBA 200 393 40410 PAMPACOLCA 290 586 60310 SUCRE 380 845 90401 CASTROVIRREYNA 470 1110 120432 TUNAN MARCA 560 1463 160301 NAUTA 650 1673 210503 PILCUYO 740 1816 230107 PALCA
21 33 10306 FLORIDA 111 185 21305 LLAMA 201 395 40412 UÑON 291 589 60401 CHOTA 381 846 90402 ARMA 471 1111 120433 YAULI 561 1472 160501 REQUENA 651 1674 210504 SANTA ROSA 741 1820 230111 LA YARADA LOS PALOS 24/
22 35 10308 RECTA 112 188 21308 MUSGA 202 401 40504 CALLALLI 292 603 60415 QUEROCOTO 382 848 90404 CAPILLAS 472 1117 120601 SATIPO 562 1474 160503 CAPELO 652 1676 210601 HUANCANE 742 1821 230201 CANDARAVE
23 37 10310 SHIPASBAMBA 113 190 21402 ACAS 203 402 40505 CAYLLOMA 293 606 60418 TOCMOCHE 383 851 90407 HUACHOS 473 1128 120703 HUARICOLCA 563 1475 160504 EMILIO SAN MARTIN 653 1678 210603 HUATASANI 743 1822 230202 CAIRANI
24 38 10311 VALERA 114 193 21405 COCHAS 204 403 40506 COPORAQUE 294 608 60501 CONTUMAZA 384 852 90408 HUAMATAMBO 474 1129 120704 HUASAHUASI 564 1476 160505 MAQUIA 654 1682 210607 TARACO 744 1846 240203 CANOAS DE PUNTA SAL
25 39 10312 YAMBRASBAMBA 115 194 21406 CONGAS 205 404 40507 HUAMBO 295 614 60507 TANTARICA 385 854 90410 SAN JUAN 475 1131 120706 PALCA 565 1478 160507 SAQUENA 655 1684 210701 LAMPA 745 1849 240303 MATAPALO
26 44 10502 CAMPORREDONDO 116 195 21407 LLIPA 206 405 40508 HUANCA 296 616 60601 CUTERVO 386 855 90411 SANTA ANA 476 1133 120708 SAN PEDRO DE CAJAS 566 1480 160509 TAPICHE 656 1685 210702 CABANILLA 746 1852 250102 CAMPOVERDE
27 46 10504 COLCAMAR 117 196 21408 SAN CRISTOBAL DE RAJAN 207 407 40510 LARI 297 623 60608 SAN ANDRES DE CUTERVO 387 856 90412 TANTARA 477 1136 120802 CHACAPALPA 567 1481 160510 JENARO HERRERA 657 1686 210703 CALAPUJA 747 1856 250106 NUEVA REQUENA
28 47 10505 CONILA 118 197 21409 SAN PEDRO 208 408 40511 LLUTA 298 630 60615 TORIBIO CASANOVA 388 857 90413 TICRAPO 478 1138 120804 MARCAPOMACOCHA 568 1483 160601 CONTAMANA 658 1687 210704 NICASIO 748 1857 250107 MANANTAY
29 50 10508 LONYA CHICO 119 198 21410 SANTIAGO DE CHILCAS 209 411 40514 SAN ANTONIO DE CHUCA 299 631 60701 BAMBAMARCA 389 858 90501 CHURCAMPA 479 1141 120807 SANTA BARBARA DE CARHUACAYA 569 1484 160602 INAHUAYA 659 1688 210705 OCUVIRI 749 1862 250301 PADRE ABAD
30 51 10509 LUYA 120 199 21501 CABANA 210 414 40517 TISCO 300 635 60802 BELLAVISTA 390 862 90505 LA MERCED 480 1143 120809 SUITUCANCHA 570 1485 160603 PADRE MARQUEZ 660 1689 210706 PALCA 750 1864 250303 CURIMANA
31 52 10510 LUYA VIEJO 121 200 21502 BOLOGNESI 211 417 40520 MAJES 301 641 60808 PUCARA 391 863 90506 LOCROJA 481 1147 120903 CHONGOS BAJO 571 1487 160605 SARAYACU 661 1690 210707 PARATIA 751 1865 250304 NESHUYA 20/
32 53 10511 MARIA 122 202 21504 HUACASCHUQUE 212 419 40602 ANDARAY 302 646 60901 SAN IGNACIO 392 865 90508 SAN MIGUEL DE MAYOCC 482 1150 120906 SAN JUAN DE ISCOS 572 1495 160801 PUTUMAYO 662 1691 210708 PUCARA 752 1866 250305 ALEXANDER VON HUMBOLDT 20/
33 54 10512 OCALLI 123 203 21505 HUANDOVAL 213 421 40604 CHICHAS 303 653 61001 PEDRO GALVEZ 393 866 90509 SAN PEDRO DE CORIS 483 1151 120907 SAN JUAN DE JARPA 573 1500 170102 INAMBARI 663 1692 210709 SANTA LUCIA
34 58 10516 SAN CRISTOBAL 124 204 21506 LACABAMBA 214 424 40607 SALAMANCA 304 655 61003 EDUARDO VILLANUEVA 394 870 90602 AYAVI 484 1163 130110 SIMBAL 574 1501 170103 LAS PIEDRAS 664 1695 210802 ANTAUTA
35 59 10517 SAN FRANCISCO DEL YESO 125 206 21508 PALLASCA 215 425 40608 YANAQUIHUA 305 657 61005 ICHOCAN 395 871 90603 CORDOVA 485 1176 130304 LONGOTEA 575 1502 170104 LABERINTO 665 1696 210803 CUPI
36 60 10518 SAN JERONIMO 126 207 21509 PAMPAS 216 434 40803 CHARCANA 306 660 61101 SAN MIGUEL 396 872 90604 HUAYACUNDO ARMA 486 1177 130305 UCHUMARCA 576 1503 170201 MANU 666 1697 210804 LLALLI
37 63 10521 SANTO TOMAS 127 209 21511 TAUCA 217 435 40804 HUAYNACOTAS 307 661 61102 BOLIVAR 397 873 90605 LARAMARCA 487 1178 130306 UCUNCHA 577 1505 170203 MADRE DE DIOS 667 1698 210805 MACARI
38 64 10522 TINGO 128 210 21601 POMABAMBA 218 438 40807 QUECHUALLA 308 665 61106 LA FLORIDA 398 876 90608 QUERCO 488 1180 130402 PACANGA 578 1506 170204 HUEPETUHE 668 1701 210808 SANTA ROSA
39 65 10523 TRITA 129 215 21702 CATAC 219 439 40808 SAYLA 309 667 61108 NANCHOC 399 877 90609 QUITO-ARMA 489 1182 130501 JULCAN 579 1509 170303 TAHUAMANU 669 1702 210809 UMACHIRI
40 69 10604 HUAMBO 130 216 21703 COTAPARACO 220 440 40809 TAURIA 310 671 61112 TONGOD 400 879 90611 SAN FRANCISCO DE SANGAYAICO490 1186 130601 OTUZCO 580 1511 180102 CARUMAS 670 1703 210901 MOHO
41 73 10608 MILPUC 131 217 21704 HUAYLLAPAMPA 221 441 40810 TOMEPAMPA 311 673 61201 SAN PABLO 401 880 90612 SAN ISIDRO 491 1191 130608 MACHE 581 1517 180202 CHOJATA 671 1704 210902 CONIMA
42 75 10610 SANTA ROSA 132 218 21705 LLACLLIN 222 442 40811 TORO 312 677 61301 SANTA CRUZ 402 881 90613 SANTIAGO DE CHOCORVOS 492 1208 130808 PARCOY 582 1518 180203 COALAQUE 672 1706 210904 TILALI
43 76 10611 TOTORA 133 219 21706 MARCA 223 449 50107 PACAYCASA 313 678 61302 ANDABAMBA 403 882 90614 SANTIAGO DE QUIRAHUARA 493 1209 130809 PATAZ 583 1519 180204 ICHUÑA 673 1707 211001 PUTINA
44 78 10701 BAGUA GRANDE 134 220 21707 PAMPAS CHICO 224 453 50111 SANTIAGO DE PISCHA 314 685 61309 SEXI 404 883 90615 SANTO DOMINGO DE CAPILLAS 494 1210 130810 PIAS 584 1521 180206 LLOQUE 674 1708 211002 ANANEA
45 81 10704 EL MILAGRO 135 221 21708 PARARIN 225 459 50201 CANGALLO 315 697 80103 POROY 405 884 90616 TAMBO 495 1212 130812 TAURIJA 585 1522 180207 MATALAQUE 675 1710 211004 QUILCAPUNCU
46 83 10706 LONYA GRANDE 136 222 21709 TAPACOCHA 226 460 50202 CHUSCHI 316 703 80201 ACOMAYO 406 885 90701 PAMPAS 496 1222 131001 SANTIAGO DE CHUCO 586 1523 180208 PUQUINA 676 1711 211005 SINA
47 87 20103 COLCABAMBA 137 225 21802 CACERES DEL PERU 227 464 50206 TOTOS 317 704 80202 ACOPIA 407 887 90703 ACRAQUIA 497 1225 131004 MOLLEBAMBA 587 1525 180210 UBINAS 677 1713 211102 CABANA
48 88 20104 HUANCHAY 138 228 21805 MORO 228 466 50302 CARAPO 318 705 80203 ACOS 408 890 90706 DANIEL HERNANDEZ 498 1227 131006 QUIRUVILCA 588 1526 180211 YUNGA 678 1714 211103 CABANILLAS
49 90 20106 JANGAS 139 234 21902 ACOBAMBA 229 467 50303 SACSAMARCA 319 706 80204 MOSOC LLACTA 409 893 90710 ÑAHUIMPUQUIO 499 1228 131007 SANTA CRUZ DE CHUCA 589 1531 190102 HUACHON 679 1716 211201 SANDIA
50 91 20107 LA LIBERTAD 140 235 21903 ALFONSO UGARTE 230 468 50304 SANTIAGO DE LUCANAMARCA 320 707 80205 POMACANCHI 410 918 100201 AMBO 500 1230 131101 CASCAS 590 1534 190105 NINACACA 680 1717 211202 CUYOCUYO
51 92 20108 OLLEROS 141 237 21905 CHINGALPO 231 469 50401 HUANTA 321 708 80206 RONDOCAN 411 925 100208 TOMAY KICHWA 501 1232 131103 MARMOT 591 1535 190106 PALLANCHACRA 681 1718 211203 LIMBANI
52 93 20109 PAMPAS 142 238 21906 HUAYLLABAMBA 232 471 50403 HUAMANGUILLA 322 709 80207 SANGARARA 412 930 100316 QUIVILLA 502 1234 131201 VIRU 592 1536 190107 PAUCARTAMBO 682 1720 211205 PHARA
53 94 20110 PARIACOTO 143 243 22001 YUNGAY 233 473 50405 LURICOCHA 323 710 80301 ANTA 413 931 100317 RIPAN 503 1235 131202 CHAO 593 1537 190108 SAN FCO.DE ASIS DE YARUSYAC683 1722 211207 SAN JUAN DEL ORO
54 96 20112 TARICA 144 245 22003 MANCOS 234 476 50408 LLOCHEGUA 324 714 80305 HUAROCONDO 414 939 100501 LLATA 504 1236 131203 GUADALUPITO 594 1543 190201 YANAHUANCA 684 1723 211208 YANAHUAYA
55 98 20202 CORIS 145 248 22006 RANRAHIRCA 235 477 50409 CANAYRE 9/ 325 715 80306 LIMATAMBO 415 940 100502 ARANCAY 505 1246 140110 OYOTUN 595 1544 190202 CHACAYAN 685 1726 211301 YUNGUYO
56 99 20203 HUACLLAN 146 252 30102 CHACOCHE 236 487 50507 SANTA ROSA 326 716 80307 MOLLEPATA 416 941 100503 CHAVIN DE PARIARCA 506 1251 140115 SAÑA 596 1549 190207 TAPUC 686 1727 211302 ANAPIA
57 100 20204 LA MERCED 147 254 30104 CURAHUASI 237 492 50602 AUCARA 327 717 80308 PUCYURA 417 946 100508 PUNCHAO 507 1260 140204 MANUEL ANTONIO MESONES MURO597 1550 190208 VILCABAMBA 687 1729 211304 CUTURAPI
58 101 20205 SUCCHA 148 256 30106 LAMBRAMA 238 495 50605 CHAVIÑA 328 719 80401 CALCA 418 948 100510 SINGA 508 1261 140205 PITIPO 598 1552 190302 CHONTABAMBA 688 1731 211306 TINICACHI
59 102 20301 LLAMELLIN 149 258 30108 SAN PEDRO DE CACHORA 239 496 50606 CHIPAO 329 720 80402 COYA 419 953 100604 JOSE CRESPO Y CASTILLO 26/ 509 1264 140302 CHOCHOPE 599 1557 190307 VILLA RICA 689 1732 211307 UNICACHI
60 103 20302 ACZO 150 262 30203 CHIARA 240 497 50607 HUAC-HUAS 330 721 80403 LAMAY 420 954 100605 LUYANDO 510 1265 140303 ILLIMO 600 1562 200107 CURA MORI 690 1733 220101 MOYOBAMBA
61 104 20303 CHACCHO 151 263 30204 HUANCARAMA 241 498 50608 LARAMATE 331 723 80405 PISAC 421 957 100608 CASTILLO GRANDE 27 / 511 1266 140304 JAYANCA 601 1563 200108 EL TALLAN 691 1734 220102 CALZADA
62 105 20304 CHINGAS 152 270 30211 POMACOCHA 242 499 50609 LEONCIO PRADO 332 726 80408 YANATILE 422 972 101001 JESUS 512 1267 140305 MOCHUMI 602 1564 200109 LA ARENA 692 1735 220103 HABANA
63 108 20401 CHACAS 153 272 30213 SAN JERONIMO 243 500 50610 LLAUTA 333 727 80501 YANAOCA 423 980 101102 CAHUAC 513 1269 140307 MOTUPE 603 1566 200111 LAS LOMAS 693 1736 220104 JEPELACIO
64 111 20502 ABELARDO PARDO LEZAMETA 154 274 30215 SANTA MARIA DE CHICMO 244 501 50611 LUCANAS 334 732 80506 PAMPAMARCA 424 981 101103 CHACABAMBA 514 1270 140308 OLMOS 604 1567 200114 TAMBO GRANDE 694 1737 220105 SORITOR
65 112 20503 ANTONIO RAYMONDI 155 275 30216 TALAVERA 245 502 50612 OCAÑA 335 736 80602 CHECACUPE 425 990 110104 OCUCAJE 515 1271 140309 PACORA 605 1573 200205 MONTERO 695 1738 220106 YANTALO
66 113 20504 AQUIA 156 277 30218 TURPO 246 503 50613 OTOCA 336 737 80603 COMBAPATA 426 1000 110114 YAUCA DEL ROSARIO 516 1274 140312 TUCUME 606 1577 200209 SICCHEZ 696 1742 220204 HUALLAGA
67 114 20505 CAJACAY 157 278 30219 KAQUIABAMBA 247 509 50619 SANCOS 337 738 80604 MARANGANI 427 1003 110203 CHAVIN 517 1324 150302 COPA 607 1580 200302 CANCHAQUE 697 1743 220205 SAN PABLO
68 115 20506 CANIS 158 280 30301 ANTABAMBA 248 510 50620 SANTA ANA DE HUAYCAHUACHO338 740 80606 SAN PABLO 428 1005 110205 EL CARMEN 518 1325 150303 GORGOR 608 1587 200401 CHULUCANAS 698 1744 220206 SAN RAFAEL
69 117 20508 HUALLANCA 159 281 30302 EL ORO 249 511 50621 SANTA LUCIA 339 743 80701 SANTO TOMAS 429 1008 110208 SAN JUAN DE YANAC 519 1326 150304 HUANCAPON 609 1590 200404 LA MATANZA 699 1745 220301 SAN JOSE DE SISA
70 118 20509 HUASTA 160 283 30304 JUAN ESPINOZA MEDRANO 250 513 50702 CHUMPI 340 752 80802 CONDOROMA 430 1009 110209 SAN PEDRO DE HUACARPANA 520 1327 150305 MANAS 610 1592 200406 SALITRAL 700 1746 220302 AGUA BLANCA
71 119 20510 HUAYLLACAYAN 161 285 30306 PACHACONAS 251 515 50704 PACAPAUSA 341 755 80805 PALLPATA 431 1021 110405 TIBILLO 521 1334 150407 SANTA ROSA DE QUIVES 611 1593 200407 SAN JUAN DE BIGOTE 701 1749 220305 SHATOJA
72 120 20511 LA PRIMAVERA 162 288 30402 CAPAYA 252 516 50705 PULLO 342 761 80903 HUAYOPATA 432 1023 110502 HUANCANO 522 1350 150516 ZUÑIGA 612 1594 200408 SANTA CATALINA DE MOSSA 702 1750 220401 SAPOSOA
73 121 20512 MANGAS 163 289 30403 CARAYBAMBA 253 517 50706 PUYUSCA 343 762 80904 MARANURA 433 1024 110503 HUMAY 523 1354 150604 AUCALLAMA 613 1595 200409 SANTO DOMINGO 703 1751 220402 ALTO SAPOSOA
74 124 20515 TICLLOS 164 291 30405 COLCABAMBA 254 518 50707 SAN FRANCISCO DE RAVACAYCO 344 766 80908 SANTA TERESA 434 1025 110504 INDEPENDENCIA 524 1356 150606 IHUARI 614 1600 200504 COLAN 704 1752 220403 EL ESLABON
75 125 20601 CARHUAZ 165 292 30406 COTARUSE 255 521 50802 COLTA 345 768 80910 PICHARI 435 1032 120105 CHACAPAMPA 525 1361 150611 SUMBILCA 615 1601 200505 LA HUACA 705 1753 220404 PISCOYACU
76 126 20602 ACOPAMPA 166 293 30407 HUAYLLO 256 522 50803 CORCULLA 346 770 80912 VILLA VIRGEN 15/ 436 1033 120106 CHICCHE 526 1362 150612 VEINTISIETE DE NOVIEMBRE 616 1603 200507 VICHAYAL 706 1754 220405 SACANCHE
77 127 20603 AMASHCA 167 294 30408 JUSTO APU SAHUARAURA 257 523 50804 LAMPA 347 772 81001 PARURO 437 1035 120108 CHONGOS ALTO 527 1364 150702 ANTIOQUIA 617 1606 200603 IGNACIO ESCUDERO 707 1756 220501 LAMAS
78 128 20604 ANTA 168 296 30410 POCOHUANCA 258 526 50807 PARARCA 348 773 81002 ACCHA 438 1036 120111 CHUPURO 528 1374 150712 LARAOS 618 1608 200605 MARCAVELICA 708 1759 220504 CAYNARACHI
79 131 20607 PARIAHUANCA 169 297 30411 SAN JUAN DE CHACÑA 259 527 50808 SAN JAVIER DE ALPABAMBA 349 775 81004 COLCHA 439 1037 120112 COLCA 529 1375 150713 MARIATANA 619 1609 200606 MIGUEL CHECA 709 1760 220505 CUÑUMBUQUI
80 133 20609 SHILLA 170 298 30412 SAÑAYCA 260 528 50809 SAN JOSE DE USHUA 350 778 81007 PACCARITAMBO 440 1040 120116 HUACRAPUQUIO 530 1377 150715 SAN ANDRES DE TUPICOCHA 620 1618 200801 SECHURA 710 1762 220507 RUMISAPA
81 135 20611 YUNGAR 171 301 30415 TINTAY 261 529 50810 SARA SARA 351 779 81008 PILLPINTO 441 1043 120120 HUASICANCHA 531 1380 150718 SAN DAMIAN 621 1621 200804 CRISTO NOS VALGA 711 1763 220508 SAN ROQUE DE CUMBAZA
82 140 20802 BUENA VISTA ALTA 172 302 30416 TORAYA 262 531 50902 BELEN 352 786 81106 KOSÑIPATA 442 1044 120121 HUAYUCACHI 532 1385 150723 SAN MATEO DE OTAO 622 1622 200805 VICE 712 1765 220510 TABALOSOS
83 141 20803 COMANDANTE NOEL 173 303 30417 YANACA 263 532 50903 CHALCOS 353 787 81201 URCOS 443 1045 120122 INGENIO 533 1388 150726 SANGALLAYA 623 1625 210102 ACORA 713 1769 220603 HUICUNGO
84 142 20804 YAUTAN 174 305 30502 COTABAMBAS 264 533 50904 CHILCAYOC 354 788 81202 ANDAHUAYLILLAS 444 1048 120126 PUCARA 534 1391 150729 SANTIAGO DE ANCHUCAYA 624 1629 210106 CHUCUITO 714 1770 220604 PACHIZA
85 144 20902 ACO 175 310 30601 CHINCHEROS 265 534 50905 HUACAÑA 355 789 81203 CAMANTI 445 1050 120128 QUILCAS 535 1398 150804 CHECRAS 625 1630 210107 COATA 715 1773 220702 BUENOS AIRES
86 145 20903 BAMBAS 176 311 30602 ANCO-HUALLO 266 535 50906 MORCOLLA 356 792 81206 CUSIPATA 446 1057 120136 VIQUES 536 1403 150809 SANTA LEONOR 626 1632 210109 MAÑAZO 716 1774 220703 CASPISAPA
87 148 20906 YANAC 177 312 30603 COCHARCAS 267 536 50907 PAICO 357 793 81207 HUARO 447 1059 120202 ACO 537 1407 150901 OYON 627 1634 210111 PICHACANI 717 1777 220706 SAN CRISTOBAL
88 150 21001 HUARI 178 320 30701 CHUQUIBAMBILLA 268 537 50908 SAN PEDRO DE LARCAY 358 794 81208 LUCRE 448 1061 120204 CHAMBARA 538 1414 151002 ALIS 628 1635 210112 PLATERIA 718 1778 220707 SAN HILARION
89 151 21002 ANRA 179 329 30710 SANTA ROSA 269 539 50910 SANTIAGO DE PAUCARAY 359 800 81302 CHINCHERO 449 1063 120206 COMAS 539 1415 151003 AYAUCA 629 1638 210115 VILQUE 719 1780 220709 TINGO DE PONASA
90 152 21003 CAJAY 180 330 30711 TURPAY 270 540 50911 SORAS 360 803 81305 MARAS 450 1066 120209 MARISCAL CASTILLA 540 1417 151005 AZANGARO 630 1639 210201 AZANGARO 720 1781 220710 TRES UNIDOS
V. Relación de municipalidades en el Estrato 2.3: Esencial Medio, Reforzador Alto (M, A), 55 municipalidades
id ubigeo distrito
1 122 20513 PACLLON
2 143 20901 CORONGO
3 205 21507 LLAPO
4 214 21701 RECUAY
5 328 30709 SAN ANTONIO
6 331 30712 VILCABAMBA
7 361 40128 YURA
8 377 40307 CHALA
9 381 40311 LOMAS
10 386 40403 AYO
11 412 40515 SIBAYO
12 415 40518 TUTI
13 465 50301 SANCOS
14 504 50614 SAISA
15 506 50616 SAN JUAN
16 512 50701 CORACORA
17 545 51005 CANARIA
18 926 100301 LA UNION
19 994 110108 SALAS
20 1028 110507 SAN CLEMENTE
21 1031 120104 CARHUACALLANGA
22 1042 120119 HUANCAN
23 1055 120134 SICAYA
24 1085 120407 EL MANTARO
25 1088 120410 HUERTAS
26 1090 120412 JULCAN
27 1091 120413 LEONOR ORDOÑEZ
28 1092 120414 LLOCLLAPAMPA
29 1093 120415 MARCO
30 1113 120501 JUNIN
31 1114 120502 CARHUAMAYO
32 1115 120503 ONDORES
33 1137 120803 HUAY-HUAY
34 1297 150123 PACHACAMAC
35 1301 150127 PUNTA NEGRA
36 1323 150301 CAJATAMBO
37 1331 150404 HUAROS
38 1344 150510 NUEVO IMPERIAL
39 1369 150707 HUACHUPAMPA
40 1381 150719 SAN JUAN DE IRIS
41 1382 150720 SAN JUAN DE TANTARANCHE
42 1416 151004 AYAVIRI
43 1428 151016 HUANTAN
44 1430 151018 LARAOS
45 1442 151030 TOMAS
46 1445 151033 VITIS
47 1533 190104 HUAYLLAY
48 1541 190112 VICCO
49 1545 190203 GOYLLARISQUIZGA
50 1551 190301 OXAPAMPA
51 1561 200105 CATACAOS
52 1565 200110 LA UNION
53 1598 200502 AMOTAPE
54 1837 230408 TICACO
55 1855 250105 YARINACOCHA
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 78
VI. Relación de municipalidades en el Estrato 3.2: Esencial Alto, Reforzador Medio (A, M), 150 municipalidades
id ubigeo distrito id ubigeo distrito
1 4 10104 CHETO 91 1336 150502 ASIA
2 13 10113 MARISCAL CASTILLA 92 1337 150503 CALANGO
3 15 10115 MONTEVIDEO 93 1338 150504 CERRO AZUL
4 28 10301 JUMBILLA 94 1340 150506 COAYLLO
5 34 10307 JAZAN 95 1345 150511 PACARAN
6 36 10309 SAN CARLOS 96 1359 150609 SAN MIGUEL DE ACOS
7 48 10506 INGUILPATA 97 1360 150610 SANTA CRUZ DE ANDAMARCA
8 66 10601 SAN NICOLAS 98 1365 150703 CALLAHUANCA
9 68 10603 COCHAMAL 99 1367 150705 CHICLA
10 71 10606 LONGAR 100 1370 150708 HUANZA
11 72 10607 MARISCAL BENAVIDES 101 1372 150710 LAHUAYTAMBO
12 97 20201 AIJA 102 1373 150711 LANGA
13 116 20507 COLQUIOC 103 1386 150724 SAN PEDRO DE CASTA
14 123 20514 SAN MIGUEL DE CORPANQUI 104 1392 150730 SANTIAGO DE TUNA
15 134 20610 TINCO 105 1394 150732 SURCO
16 147 20905 LA PAMPA 106 1402 150808 PACCHO
17 168 21103 CULEBRAS 107 1405 150811 SAYAN
18 170 21105 MALVAS 108 1406 150812 VEGUETA
19 172 21202 HUALLANCA 109 1408 150902 ANDAJES
20 189 21401 OCROS 110 1409 150903 CAUJUL
21 191 21403 CAJAMARQUILLA 111 1411 150905 NAVAN
22 192 21404 CARHUAPAMPA 112 1426 151014 HUANCAYA
23 208 21510 SANTA ROSA 113 1434 151022 OMAS
24 223 21710 TICAPAMPA 114 1436 151024 QUINCHES
25 229 21806 NEPEÑA 115 1437 151025 QUINOCAY
26 230 21807 SAMANCO 116 1438 151026 SAN JOAQUIN
27 260 30201 ANDAHUAYLAS 117 1439 151027 SAN PEDRO DE PILAS
28 346 40113 POCSI 118 1507 170301 IÑAPARI
29 366 40204 MARISCAL CACERES 119 1520 180205 LA CAPILLA
30 374 40304 ATIQUIPA 120 1524 180209 QUINISTAQUILLAS
31 384 40401 APLAO 121 1528 180302 EL ALGARROBAL
32 391 40408 MACHAGUAY 122 1588 200402 BUENOS AIRES
33 394 40411 TIPAN 123 1591 200405 MORROPON
34 396 40413 URACA 124 1599 200503 ARENAL
35 406 40509 ICHUPAMPA 125 1602 200506 TAMARINDO
36 446 50104 CARMEN ALTO 1 126 1610 200607 QUERECOTILLO
37 494 50604 CARMEN SALCEDO 127 1619 200802 BELLAVISTA DELA UNION
38 524 50805 MARCABAMBA 128 1620 200803 BERNAL
39 530 50901 QUEROBAMBA 129 1739 220201 BELLAVISTA
40 615 60508 YONAN 130 1755 220406 TINGO DE SAPOSOA
41 701 80107 SAYLLA 131 1772 220701 PICOTA
42 712 80303 CACHIMAYO 132 1775 220704 PILLUANA
43 718 80309 ZURITE 133 1776 220705 PUCACACA
44 741 80607 SAN PEDRO 134 1793 220903 CACATACHI
45 742 80608 TINTA 135 1799 220909 LA BANDA DE SHILCAYO
46 751 80801 ESPINAR 136 1812 230103 CALANA
47 797 81211 OROPESA 137 1815 230106 PACHIA
48 799 81301 URUBAMBA 138 1823 230203 CAMILACA
49 801 81303 HUAYLLABAMBA 139 1826 230206 QUILAHUANI
50 869 90601 HUAYTARA 140 1829 230303 ITE
51 993 110107 PUEBLO NUEVO 141 1831 230402 HÉROES ALBARRACÍN
52 995 110109 SAN JOSE DE LOS MOLINOS 142 1832 230403 ESTIQUE
53 997 110111 SANTIAGO 143 1834 230405 SITAJARA
54 1002 110202 ALTO LARAN 144 1835 230406 SUSAPAYA
55 1004 110204 CHINCHA BAJA 145 1841 240104 PAMPAS DE HOSPITAL
56 1013 110302 CHANGUILLO 146 1842 240105 SAN JACINTO
57 1014 110303 EL INGENIO 147 1843 240106 SAN JUAN DE LA VIRGEN
58 1018 110402 LLIPATA 148 1845 240202 CASITAS
59 1019 110403 RIO GRANDE 149 1848 240302 AGUAS VERDES
60 1020 110404 SANTA CRUZ 150 1850 240304 PAPAYAL
61 1026 110505 PARACAS
62 1041 120117 HUALHUAS
63 1049 120127 QUICHUAY
64 1054 120133 SAPALLANGA
65 1067 120210 MATAHUASI
66 1068 120211 MITO
67 1107 120429 SAN PEDRO DE CHUNAN
68 1127 120702 ACOBAMBA
69 1130 120705 LA UNION
70 1132 120707 PALCAMAYO
71 1146 120902 AHUAC
72 1148 120904 HUACHAC
73 1161 130108 POROTO
74 1168 130204 MAGDALENA DE CAO
75 1169 130205 PAIJAN
76 1170 130206 RAZURI
77 1181 130403 PUEBLO NUEVO
78 1192 130610 PARANDAY
79 1198 130703 JEQUETEPEQUE
80 1238 140102 CHONGOYAPE
81 1243 140107 LAGUNAS
82 1244 140108 MONSEFU
83 1245 140109 NUEVA ARICA
84 1273 140311 SAN JOSE
85 1320 150203 PATIVILCA
86 1321 150204 SUPE
87 1329 150402 ARAHUAY
88 1330 150403 HUAMANTANGA
89 1332 150405 LACHAQUI
90 1333 150406 SAN BUENAVENTURA
VII. Relación de municipalidades en el Estrato 3.3: Esencial Alto, Reforzador Alto (A, A), 322 municipalidades
id ubigeo distrito id ubigeo distrito id ubigeo distrito id ubigeo distrito
1 1 10101 CHACHAPOYAS 91 806 90101 HUANCAVELICA 181 1256 140120 TUMAN 271 1513 180104 SAMEGUA
2 22 10201 BAGUA 92 823 90118 ASCENSION 182 1257 140201 FERREÑAFE 272 1514 180105 SAN CRISTOBAL
3 43 10501 LAMUD 93 905 100101 HUANUCO 183 1262 140206 PUEBLO NUEVO 273 1515 180106 TORATA
4 85 20101 HUARAZ 94 906 100102 AMARILIS 184 1263 140301 LAMBAYEQUE 274 1516 180201 OMATE
5 89 20105 INDEPENDENCIA 95 915 100111 PILLCO MARCA 185 1275 150101 LIMA 275 1527 180301 ILO
6 110 20501 CHIQUIAN 96 950 100601 RUPA-RUPA 27/ 186 1276 150102 ANCON 276 1529 180303 PACOCHA
7 139 20801 CASMA 97 987 110101 ICA 187 1277 150103 ATE 277 1530 190101 CHAUPIMARCA
8 149 20907 YUPAN 98 988 110102 LA TINGUIÑA 188 1278 150104 BARRANCO 278 1532 190103 HUARIACA
9 166 21101 HUARMEY 99 989 110103 LOS AQUIJES 189 1279 150105 BREÑA 279 1538 190109 SIMON BOLIVAR
10 224 21801 CHIMBOTE 100 991 110105 PACHACUTEC 190 1280 150106 CARABAYLLO 280 1540 190111 TINYAHUARCO
11 226 21803 COISHCO 101 992 110106 PARCONA 191 1281 150107 CHACLACAYO 281 1542 190113 YANACANCHA
12 231 21808 SANTA 102 996 110110 SAN JUAN BAUTISTA 192 1282 150108 CHORRILLOS 282 1559 200101 PIURA
13 232 21809 NUEVO CHIMBOTE 103 998 110112 SUBTANJALLA 193 1283 150109 CIENEGUILLA 283 1560 200104 CASTILLA
14 233 21901 SIHUAS 104 999 110113 TATE 194 1284 150110 COMAS 284 1568 200115 VEINTISÉIS DE OCTUBRE 7/
15 251 30101 ABANCAY 105 1001 110201 CHINCHA ALTA 195 1285 150111 EL AGUSTINO 285 1597 200501 PAITA
16 259 30109 TAMBURCO 106 1006 110206 GROCIO PRADO 196 1286 150112 INDEPENDENCIA 286 1604 200601 SULLANA
17 287 30401 CHALHUANCA 107 1007 110207 PUEBLO NUEVO 197 1287 150113 JESUS MARIA 287 1605 200602 BELLAVISTA
18 334 40101 AREQUIPA 108 1010 110210 SUNAMPE 198 1288 150114 LA MOLINA 288 1611 200608 SALITRAL
19 335 40102 ALTO SELVA ALEGRE 109 1011 110211 TAMBO DE MORA 199 1289 150115 LA VICTORIA 289 1612 200701 PARIÑAS
20 336 40103 CAYMA 110 1012 110301 NAZCA 200 1290 150116 LINCE 290 1613 200702 EL ALTO
21 337 40104 CERRO COLORADO 111 1015 110304 MARCONA 201 1291 150117 LOS OLIVOS 291 1614 200703 LA BREA
22 338 40105 CHARACATO 112 1016 110305 VISTA ALEGRE 202 1292 150118 LURIGANCHO 292 1615 200704 LOBITOS
23 340 40107 JACOBO HUNTER 113 1017 110401 PALPA 203 1293 150119 LURIN 293 1616 200705 LOS ORGANOS
24 342 40109 MARIANO MELGAR 114 1022 110501 PISCO 204 1294 150120 MAGDALENA DEL MAR 294 1617 200706 MANCORA
25 343 40110 MIRAFLORES 115 1027 110506 SAN ANDRES 205 1295 150121 MAGDALENA VIEJA 295 1623 200806 RINCONADA LLICUAR
26 345 40112 PAUCARPATA 116 1029 110508 TUPAC AMARU INCA 206 1296 150122 MIRAFLORES 296 1624 210101 PUNO
27 348 40115 QUEQUEÑA 117 1030 120101 HUANCAYO 207 1298 150124 PUCUSANA 297 1694 210801 AYAVIRI
28 349 40116 SABANDIA 118 1034 120107 CHILCA 208 1299 150125 PUENTE PIEDRA 298 1712 211101 JULIACA
29 350 40117 SACHACA 119 1039 120114 EL TAMBO 209 1300 150126 PUNTA HERMOSA 299 1767 220601 JUANJUI
30 355 40122 SOCABAYA 120 1047 120125 PILCOMAYO 210 1302 150128 RIMAC 300 1782 220801 RIOJA
31 356 40123 TIABAYA 121 1051 120129 SAN AGUSTIN 211 1303 150129 SAN BARTOLO 301 1791 220901 TARAPOTO
32 357 40124 UCHUMAYO 122 1052 120130 SAN JERONIMO DE TUNAN 212 1304 150130 SAN BORJA 302 1798 220908 JUAN GUERRA
33 359 40126 YANAHUARA 123 1053 120132 SAÑO 213 1305 150131 SAN ISIDRO 303 1800 220910 MORALES
34 360 40127 YARABAMBA 124 1058 120201 CONCEPCION 214 1306 150132 SAN JUAN DE LURIGANCHO 304 1810 230101 TACNA 24/
35 362 40129 JOSE LUIS BUSTAMANTE Y RIVERO 125 1065 120208 MANZANARES 215 1307 150133 SAN JUAN DE MIRAFLORES 305 1811 230102 ALTO DE LA ALIANZA
36 363 40201 CAMANA 126 1069 120212 NUEVE DE JULIO 216 1308 150134 SAN LUIS 306 1813 230104 CIUDAD NUEVA
37 364 40202 JOSE MARIA QUIMPER 127 1070 120213 ORCOTUNA 217 1309 150135 SAN MARTIN DE PORRES 307 1817 230108 POCOLLAY
38 367 40205 NICOLAS DE PIEROLA 128 1072 120215 SANTA ROSA DE OCOPA 218 1310 150136 SAN MIGUEL 308 1818 230109 SAMA
39 368 40206 OCOÑA 129 1073 120301 CHANCHAMAYO 219 1311 150137 SANTA ANITA 309 1819 230110 CRNEL.GREGORIO ALBARRACIN LANCHIPA
40 370 40208 SAMUEL PASTOR 130 1077 120305 SAN RAMON 220 1312 150138 SANTA MARIA DEL MAR 310 1824 230204 CURIBAYA
41 371 40301 CARAVELI 131 1079 120401 JAUJA 221 1313 150139 SANTA ROSA 311 1825 230205 HUANUARA
42 372 40302 ACARI 132 1082 120404 ATAURA 222 1314 150140 SANTIAGO DE SURCO 312 1827 230301 LOCUMBA
43 373 40303 ATICO 133 1086 120408 HUAMALI 223 1315 150141 SURQUILLO 313 1828 230302 ILABAYA
44 380 40310 JAQUI 134 1087 120409 HUARIPAMPA 224 1316 150142 VILLA EL SALVADOR 314 1830 230401 TARATA
45 383 40313 YAUCA 135 1098 120420 MUQUI 225 1317 150143 VILLA MARIA DEL TRIUNFO 315 1833 230404 ESTIQUE-PAMPA
46 390 40407 HUANCARQUI 136 1099 120421 MUQUIYAUYO 226 1318 150201 BARRANCA 316 1836 230407 TARUCACHI
47 392 40409 ORCOPAMPA 137 1106 120428 SAN LORENZO 227 1319 150202 PARAMONGA 317 1838 240101 TUMBES
48 397 40414 VIRACO 138 1108 120430 SAUSA 228 1322 150205 SUPE PUERTO 318 1839 240102 CORRALES
49 398 40501 CHIVAY 139 1112 120434 YAUYOS 229 1328 150401 CANTA 319 1840 240103 LA CRUZ
50 399 40502 ACHOMA 140 1126 120701 TARMA 230 1335 150501 SAN VICENTE DE CAÑETE 320 1844 240201 ZORRITOS
51 400 40503 CABANACONDE 141 1135 120801 LA OROYA 231 1339 150505 CHILCA 321 1847 240301 ZARUMILLA
52 409 40512 MACA 142 1139 120805 MOROCOCHA 232 1341 150507 IMPERIAL 322 1851 250101 CALLERIA
53 410 40513 MADRIGAL 143 1140 120806 PACCHA 233 1342 150508 LUNAHUANA
54 416 40519 YANQUE 144 1142 120808 SANTA ROSA DE SACCO 234 1343 150509 MALA
55 418 40601 CHUQUIBAMBA 145 1144 120810 YAULI 235 1346 150512 QUILMANA
56 422 40605 IRAY 146 1145 120901 CHUPACA 236 1347 150513 SAN ANTONIO
57 423 40606 RIO GRANDE 147 1149 120905 HUAMANCACA CHICO 237 1348 150514 SAN LUIS
58 426 40701 MOLLENDO 148 1152 120908 TRES DE DICIEMBRE 238 1349 150515 SANTA CRUZ DE FLORES
59 427 40702 COCACHACRA 149 1154 130101 TRUJILLO 239 1351 150601 HUARAL
60 428 40703 DEAN VALDIVIA 150 1155 130102 EL PORVENIR 240 1352 150602 ATAVILLOS ALTO
61 429 40704 ISLAY 151 1156 130103 FLORENCIA DE MORA 241 1353 150603 ATAVILLOS BAJO
62 430 40705 MEJIA 152 1157 130104 HUANCHACO 242 1355 150605 CHANCAY
63 431 40706 PUNTA DE BOMBON 153 1158 130105 LA ESPERANZA 243 1357 150607 LAMPIAN
64 432 40801 COTAHUASI 154 1159 130106 LAREDO 244 1358 150608 PACARAOS
65 443 50101 AYACUCHO 155 1160 130107 MOCHE 245 1363 150701 MATUCANA
66 452 50110 SAN JUAN BAUTISTA 156 1162 130109 SALAVERRY 246 1366 150704 CARAMPOMA
67 457 50115 JESUS NAZARENO 157 1164 130111 VICTOR LARCO HERRERA 247 1371 150709 HUAROCHIRI
68 458 50116 ANDRÉS AVELINO CÁCERES DORREGARAY 8/158 1165 130201 ASCOPE 248 1376 150714 RICARDO PALMA
69 491 50601 PUQUIO 159 1166 130202 CHICAMA 249 1379 150717 SAN BARTOLOME
70 493 50603 CABANA 160 1167 130203 CHOCOPE 250 1383 150721 SAN LORENZO DE QUINTI
71 520 50801 PAUSA 161 1171 130207 SANTIAGO DE CAO 251 1384 150722 SAN MATEO
72 541 51001 HUANCAPI 162 1172 130208 CASA GRANDE 252 1387 150725 SAN PEDRO DE HUANCAYRE
73 561 60101 CAJAMARCA 163 1179 130401 CHEPEN 253 1389 150727 SANTA CRUZ DE COCACHACRA
74 609 60502 CHILETE 164 1196 130701 SAN PEDRO DE LLOC 254 1390 150728 SANTA EULALIA
75 634 60801 JAEN 165 1197 130702 GUADALUPE 255 1395 150801 HUACHO
76 688 70101 CALLAO 166 1199 130704 PACASMAYO 256 1397 150803 CALETA DE CARQUIN
77 689 70102 BELLAVISTA 167 1200 130705 SAN JOSE 257 1399 150805 HUALMAY
78 690 70103 CARMEN DE LA LEGUA REYNOSO 168 1237 140101 CHICLAYO 258 1400 150806 HUAURA
79 691 70104 LA PERLA 169 1239 140103 ETEN 259 1404 150810 SANTA MARIA
80 692 70105 LA PUNTA 170 1240 140104 ETEN PUERTO 260 1412 150906 PACHANGARA
81 693 70106 VENTANILLA 171 1241 140105 JOSE LEONARDO ORTIZ 261 1413 151001 YAUYOS
82 695 80101 CUSCO 172 1242 140106 LA VICTORIA 262 1422 151010 COCHAS
83 698 80104 SAN JERONIMO 173 1247 140111 PICSI 263 1425 151013 HUAMPARA
84 699 80105 SAN SEBASTIAN 174 1248 140112 PIMENTEL 264 1429 151017 HUAÑEC
85 700 80106 SANTIAGO 175 1249 140113 REQUE 265 1433 151021 MIRAFLORES
86 702 80108 WANCHAQ 176 1250 140114 SANTA ROSA 266 1446 160101 IQUITOS 18/
87 735 80601 SICUANI 177 1252 140116 CAYALTI 267 1499 170101 TAMBOPATA
88 759 80901 SANTA ANA 178 1253 140117 PATAPO 268 1508 170302 IBERIA
89 802 81304 MACHUPICCHU 179 1254 140118 POMALCA 269 1510 180101 MOQUEGUA
90 805 81307 YUCAY 180 1255 140119 PUCALA 270 1512 180103 CUCHUMBAYA
VIII. Relación de municipalidades- Variable Aglomerador Medio, 42 municipalidades
1 id ubigeo distrito
2 1 10101 CHACHAPOYAS
3 22 10201 BAGUA
4 78 10701 BAGUA GRANDE
5 85 20101 HUARAZ
6 232 21809 NUEVO CHIMBOTE
7 260 30201 ANDAHUAYLAS
8 334 40101 AREQUIPA
9 337 40104 CERRO COLORADO
10 345 40112 PAUCARPATA
11 452 50110 SAN JUAN BAUTISTA
12 634 60801 JAEN
13 693 70106 VENTANILLA
14 695 80101 CUSCO
15 699 80105 SAN SEBASTIAN
16 700 80106 SANTIAGO
17 702 80108 WANCHAQ
18 906 100102 AMARILIS
19 950 100601 RUPA-RUPA 27/
20 987 110101 ICA
21 1001 110201 CHINCHA ALTA
22 1030 120101 HUANCAYO
23 1034 120107 CHILCA
24 1039 120114 EL TAMBO
25 1155 130102 EL PORVENIR
26 1241 140105 JOSE LEONARDO ORTIZ
27 1275 150101 LIMA
28 1453 160108 PUNCHANA
29 1456 160113 SAN JUAN BAUTISTA
30 1457 160201 YURIMAGUAS
31 1527 180301 ILO
32 1530 190101 CHAUPIMARCA
33 1542 190113 YANACANCHA
34 1551 190301 OXAPAMPA
35 1559 200101 PIURA
36 1560 200104 CASTILLA
37 1604 200601 SULLANA
38 1624 210101 PUNO
39 1733 220101 MOYOBAMBA
40 1791 220901 TARAPOTO
41 1819 230110 CRNEL.GREGORIO ALBARRACIN LAN
42 1855 250105 YARINACOCHA
Consultoría para la construcción de tipologías de áreas territoriales en el país en el marco de la
Agenda de Competitividad 2014-2018
Página 81
IX. Relación de municipalidades- Variable Aglomerador Alto, 16 municipalidades
____________________________ OSCAR MILLONES DESTÉFANO Consultor DNI: 10472998
id ubigeo distrito
1 224 21801 CHIMBOTE
2 251 30101 ABANCAY
3 443 50101 AYACUCHO
4 561 60101 CAJAMARCA
5 688 70101 CALLAO
6 806 90101 HUANCAVELICA
7 905 100101 HUANUCO
8 1154 130101 TRUJILLO
9 1237 140101 CHICLAYO
10 1446 160101 IQUITOS 18/
11 1499 170101 TAMBOPATA
12 1510 180101 MOQUEGUA
13 1712 211101 JULIACA
14 1810 230101 TACNA 24/
15 1838 240101 TUMBES
16 1851 250101 CALLERIA