tipologias de areas territorialesdescripción de los objetivos, alcance y actividades a ejecutar en...

“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



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



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.



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.



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.



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



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



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:



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:



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



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



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



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



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.



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



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



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



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.



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.



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.



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.



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.



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.



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.



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.



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.



Página 28

Gráfico No.08. Capacidad Económica y Acceso a Servicios Básicos



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.



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



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



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



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



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



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.



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



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).



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



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:



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



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:



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

:



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:



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.



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



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.



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.



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.



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.



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).



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:



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:



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:



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.



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.



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



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.



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



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



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.



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



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



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.



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.



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.



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.



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.

http://cran.r-project.org/package=mlogit

http://cran.r-project.org/package=mlogit



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.

http://iinei.inei.gob.pe/microdatos/

https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1145/index.html



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

https://openknowledge.worldbank.org/handle/10986/5991



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:



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 .



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



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



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



Página 75

III. Relación de municipalidades en el Estrato 2.1: Esencial Medio, Reforzador Bajo (M, B), 159 municipalidades


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



Página 78

VI. Relación de municipalidades en el Estrato 3.2: Esencial Alto, Reforzador Medio (A, M), 150 municipalidades


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



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

tipologias de areas territorialesdescripción de los objetivos, alcance y actividades a ejecutar en...

Documents