Erick Lahura
Autor corresponsal. Jefe de Gabinete de Asesores, Ministerio de Economía y Finanzas (MEF). Profesor del Departamento de Economía de la Pontificia Universidad Católica del Perú y del Departamento de Economía y Contabilidad de la Universidad Científica del Sur.
Correo electrónico: elahura@cientifica.edu.pe
Sintia Yanela Santos Pintado
Ingeniera Economista, Universidad Científica del Sur. Correo electrónico: 180000223@cientifica.edu.pe
Gibel Andrea Tapia Tovar
Ingeniera Economista, Universidad Científica del Sur. Correo electrónico: 180000305@cientifica.edu.pe
Recibido: 16 de agosto de 2023
Revisado: 30 de junio de 2024
Aceptado: 7 de septiembre de 2024
DOI: 10.13 043/DYS.99.3
La producción de cacao en Perú ha crecido significativamente en los últimos años y se ha convertido en un factor potencial para reducir la pobreza. Esta investigación analiza el impacto del cultivo del grano sobre la pobreza de las regiones productoras, desde 2008 a 2019. La metodología empírica se basa en la estimación de modelos de regresión para datos de panel, estimando mínimos cuadrados ordinarios (MCO) para datos agrupados (MCO agrupados), efectos fijos y aleatorios. Para mitigar el efecto por omisión de variables, se incluyen variables de control y se utiliza el estimador de mínimos cuadrados en dos etapas (2SLS). Los resultados indican que un incremento de 20% en la productividad reduce la variación de la pobreza en 0.2 puntos porcentuales; sin embargo, el cambio en el precio del cacao no tiene un efecto significativo sobre la pobreza. Estos hallazgos sugieren que las políticas que mejoren la productividad del cacao pueden ser eficaces para combatir la pobreza.
Palabras clave productividad agrícola, modelos econométricos, datos de panel, Perú.
Clasificación JEL: C23, I32, O13, Q10.
Cocoa production in Peru has seen remarkable growth in recent years, positioning it as a potential driver for poverty reduction. This study examines the relationship between cocoa cultivation and poverty levels in cocoa-producing regions during the 2008–2019 period. The analysis employs panel data regression models estimated using pooled OLS, fixed effects, and random effects approaches. To address omitted variable bias, control variables, and the Two-Stage Least Squares (2SLS) estimator are incorporated. The results indicate that a 20% increase in productivity leads to a 0.2 percentage point reduction in poverty rates, while price fluctuations have no significant effect. These findings underscore the importance of policies focused on enhancing cocoa productivity as a means to alleviate poverty.
Keywords agricultural productivity, econometric models, panel data, Peru.
JEL Classification C23, I32, O13, Q10.
La producción de cacao es una de las actividades agrícolas que más ha crecido en Perú, en los últimos años. Según el Ministerio de Desarrollo Agrario y Riego (Midagri, 2022), la producción de este grano pasó de 24 786 toneladas en 2000 a 141 775 en 2019, lo cual ubica a Perú entre los ocho productores de cacao más importantes en el mundo. En los últimos doce años, la producción de grano de cacao creció, en promedio, 14% al año, con lo que se alcanzaron unas 170 mil toneladas en 2022 (Midagri, 2023).
El cacao en grano se ha convertido en uno los principales productos de exportación no tradicional de Perú. Al cierre de 2021, el valor FOB de las exportaciones peruanas de cacao crudo fue 150.9 millones de dólares estadounidenses (Sunat, 2022), de modo que se ubica dentro de los quince productos de exportación no tradicional más importantes. Perú es uno de los lugares de origen del cacao, y posee el 60% de la biodiversidad de esta planta en el mundo (Midagri, 2023). Además, el cacao peruano es considerado uno de los mejores del mundo, lo que se evidencia por los premios que ha recibido a nivel internacional y por la demanda de importantes fábricas de chocolate de Europa (Marca Perú, 2018).
El cultivo del cacao tiene presencia en dieciséis departamentos, donde configura una fuente importante de empleo e ingresos para la agricultura familiar. Se estima que da trabajo a más de 90 000 familias productoras (Midagri, 2023) y beneficia, indirectamente, a unas 450 000 personas en las zonas de producción (Midagri, 2020). El elevado precio internacional del cacao, sustentado por la alta demanda mundial y mayor productividad, permitirían generar ingresos para mejorar las condiciones y calidad de vida de los productores. Por ello, el cultivo de cacao se percibe como una alternativa para que las familias productoras en condición de pobreza salgan de ella (Senasa, 2018; León, 2023), lo que permite contribuir a la reducción de la pobreza en el nivel regional.
El objetivo de la presente investigación es determinar si, en efecto, el crecimiento que el cultivo de cacao ha experimentado ha contribuido a la reducción de la pobreza de las regiones productoras de cacao en Perú. En particular, se busca determinar si el crecimiento en la producción per cápita de cacao (productividad) y en el precio en el cultivo del cacao han influido en la variación de la pobreza en los departamentos productores. Para ello, se analizó la información de 16 departamentos productores de cacao en Perú, en 2008-2019. La metodología empírica se basó en la estimación de modelos de regresión para datos de panel, usando estimadores para datos agrupados, efectos fijos y aleatorios. La variable endógena fue la variación en la tasa de pobreza, y las variables explicativas, la tasa de crecimiento del precio del cacao y el crecimiento de la productividad del cacao (producción per cápita). Para mitigar el efecto por omisión de variables, se incluyeron variables de control; también se utilizaron variables instrumentales a través del estimador OLS en dos etapas (2SLS).
Los resultados revelan que el crecimiento de la productividad del cacao contribuye a reducir la variación de la pobreza. Pero no es así el crecimiento en el precio del cacao. Específicamente, un aumento de 20 puntos porcentuales (pp) en la tasa de crecimiento de la productividad implica que la variación de la pobreza se reduce en 0.2 pp.
La investigación aporta a la literatura que examina el impacto del desarrollo agrícola en la reducción de la pobreza, centrándose específicamente en el cultivo de cacao. En particular, ofrece evidencia de que la productividad agrícola es un factor clave para disminuir la pobreza. Asimismo, contribuye a llenar el vacío existente en la literatura sobre este tema, en el contexto peruano.
El resto del documento está estructurado como sigue. En la sección 2, se presenta el marco conceptual y la revisión de la literatura sobre la relación entre el cultivo de cacao y la reducción de la pobreza. En la sección 3, se detallan los datos y se analizan los principales estadísticos descriptivos. En la sección 4, se presenta la metodología empírica. En la sección 5, se presentan y analizan los resultados obtenidos. En la sección 6, se plantean algunas recomendaciones y limitaciones del estudio. Finalmente, se presentan las principales conclusiones en la sección 7.
De manera general, la pobreza se define como una situación en la que las personas carecen de los medios suficientes para satisfacer niveles mínimos de ingreso, alimentación, vestimenta, salud, vivienda y otras necesidades básicas (Todaro y Smith, 2020). Una forma estandarizada de medir la pobreza es a través del ingreso monetario de una persona. Según el Banco Mundial (BM, 2022), una persona vive en pobreza extrema si recibe ingresos por debajo de 2.15 USD diarios. Alternativamente, la pobreza también se mide en función de la cantidad de necesidades básicas insatisfechas. Además, para Amartya Sen, nobel de economía en 1998, una persona es pobre si no tiene la capacidad de realizar elecciones sustanciales, más allá de los recursos con los que cuente.
Durante cerca de 25 años, la pobreza extrema registró una trayectoria decreciente a nivel mundial, en concordancia con la meta de erradicación a 2030, impulsada por el BM. No obstante, este objetivo será difícil de alcanzar, debido a los efectos de la pandemia de covid-19 de 2020, así como al impacto de la inflación global en la pospandemia (BM, 2022).
Perú también mostró una tendencia decreciente de la pobreza en los últimos años, interrumpida con la pandemia. La pobreza monetaria, medida como el porcentaje de la población cuyo ingreso mensual está por debajo de la línea de la pobreza, descendió de 58.7% en 2004 a 20.2% en 2019, pero aumentó a 30.1% en 2020, debido a la pandemia (BM, 2023). Si bien la pobreza se redujo a 25.9% en 2021 y 27.5% en 2022, aún se encuentra por encima de los niveles prepandemia (Inei, 2023). Por su parte, la pobreza medida como el porcentaje de personas con al menos una necesidad básica insatisfecha también mostró una tendencia decreciente, al pasar de 30.3% en 2007 a 16% en 2019, aumentar a 16.6% en 2020 y reducirse a 16.1% en 2021.
Si bien la erradicación de la pobreza requiere la implementación de conjunto amplio de políticas. Las relacionadas con el desarrollo de la agricultura son particularmente importantes, ya que, en muchos países, este sector tiene un efecto directo en el segmento económico con mayor porcentaje de población en situación de pobreza. En este sentido, las políticas orientadas a mejorar la productividad agrícola y a aprovechar episodios de precios altos pueden incrementar los ingresos de los agricultores, lo que, a su vez, genera oportunidades para la reducción de la pobreza.
Según el Inei (2021), el sector agrícola genera tres cuartas partes del empleo total en Perú. La agricultura es crucial para el desarrollo del país, ya que contribuye a la reducción de la pobreza rural, pues proporciona alimentos, materias primas para otras actividades y genera empleo para gran parte de la población. La producción agropecuaria es la segunda actividad con mayor generación de empleo en Perú. Según Goicochea (2020), 2.4 millones de peruanos mayores de 14 años están empleados en agricultura, silvicultura y pesca. De los trabajadores agrícolas, más del 83% participa en la agricultura familiar (Midagri, 2022). La mayoría de estas personas trabaja de forma independiente y no percibe ingresos suficientes para cubrir sus necesidades básicas, lo que los sitúa en condición de pobreza.
El cacao es uno de los productos no tradicionales más importantes en Perú, tanto por sus niveles de producción como de exportación. Su cultivo se realiza, principalmente, en dieciséis departamentos, y se ha convertido en una fuente significativa de empleo e ingresos para la agricultura familiar1. El cultivo de cacao tiene el potencial de reducir la pobreza de los productores y de quienes participan en la cadena de valor, ya que genera ingresos que permiten mejorar la calidad de vida. Estos ingresos dependen directamente del nivel de producción y del precio del cacao.
A su vez, para un nivel constante de insumos, el aumento en la productividad tiene un efecto positivo sobre el nivel de producción de cacao. La productividad puede aumentar con mayor nivel educativo de los agricultores; acceso a conocimientos técnicos sobre el cultivo; y mejoramiento de la infraestructura de salud y transporte, entre otros. Además, dado que el cultivo de cacao es una actividad intensiva en mano de obra, puede generar más empleo directo e indirecto, a través de la preparación y la comercialización, lo cual genera más ingresos que inciden en la reducción de la pobreza.
Es importante señalar que mayores recursos generados por el cultivo de cacao pueden contribuir a la reducción de la pobreza, siempre que los productores tengan también acceso a bienes y servicios esenciales como salud, educación y tecnología, que mejoren las condiciones de su calidad de vida. Este acceso debe ser facilitado y garantizado por el Estado, de manera directa, mediante la provisión de servicios públicos, o bien, de manera indirecta, promoviendo la inversión privada que fortalezca las oportunidades y condiciones de desarrollo para los agricultores.
La literatura sobre la relación entre el cultivo de cacao y la pobreza no es abundante y se concentra en estudios de casos de los principales países productores (Costa de Marfil, Ghana, Indonesia y Ecuador, entre otros). En general, la información se obtiene de encuestas a los productores y comercializadores de cacao. La productividad en el cultivo de cacao, el precio y el nivel de producción son las variables más utilizadas para analizar los efectos del cultivo de cacao sobre la pobreza.
La mayoría de las investigaciones enfatiza en el papel de la productividad en el cultivo de cacao para explicar la pobreza. Kumi y Daymond (2015) evalúan si un programa de mejora de la productividad en el cultivo de cacao implementado en Ghana contribuyó a la reducción de la pobreza de los agricultores de este grano en el país africano. El Programa de Control de Enfermedades y Plagas del Cacao (Codapec) es un programa nacional de fumigación de cacao, implementado en 2001 con el objetivo de facilitar el aumento de la producción de los agricultores. El estudio se basó en una encuesta estructurada aplicada a una muestra de 150 hogares que cultivan cacao en cinco comunidades (distrito de Bibiani-Anhwiaso Bekwai, región occidental de Ghana). Los resultados muestran que el Codapec contribuyó a la reducción de la pobreza de la mayoría de los agricultores, a través de una mejora de la productividad que permitió obtener mayores ingresos.
Según Effendy et al. (2019), un aumento de la eficiencia en la producción de cacao permitiría mejorar los ingresos de los agricultores y reducir la pobreza rural. Por ello, estudiaron los determinantes de la eficiencia, con información de una muestra de trece distritos y 424 cabezas de familia de una de las seis regiones más importantes de producción de cacao en Indonesia. Sus resultados revelan que, en su mayoría, las granjas de cacao son ineficientes. Además, encuentran que la eficiencia depende positivamente de la calidad de las semillas, el uso de fertilizantes orgánicos, la frecuencia de entrenamiento de los agricultores, el acceso a crédito y mercado, la participación de las mujeres y de si el gerente es una mujer.
El nivel de salud de los productores es un determinante importante de la productividad de los agricultores de cacao. A partir de una encuesta a gran escala sobre la salud y el sustento económico de los hogares productores de cacao de Bougainville en Papua Nueva Guinea, Walton et al. (2020) encuentra que los bajos niveles de educación, los problemas de salud, viviendas rudimentarias y problemas de agua y saneamiento son los principales problemas que afectan la vida de los agricultores. Por lo tanto, para aumentar la productividad de los agricultores, se deben de atender sus necesidades de salud y non solo aplicar programas técnicos de mejora de productividad.
Además de la productividad, Peprah (2015), Romero et al. (2016), Katayama et al. (2017) y Boeckx et al. (2020) estudiaron el efecto del precio del cacao sobre la pobreza. En todos los casos, un aumento del precio del cacao genera más ingresos, lo que puede ayudar a reducir la pobreza.
Peprah (2015) analizó los determinantes de la sostenibilidad de los medios de vida de los productores de cacao en Ghana, asociados a la productividad y al precio del cacao. Para esto, realizó un estudio con una muestra de 264 agricultores de Ghana (distrito de Asunafo, en la región Brong Ahafo), segundo productor mundial de cacao. En este país, el 26% de la población basa sus ingresos en la industria del cacao. Además, el Gobierno, a través del Comité de Cocoa de Ghana (Cocobod), fija un precio piso y el marketing interno está a cargo del Gobierno y compradores privados. Los resultados muestran que la industria del cacao es la base del sustento económico de los agricultores, los vendedores de mano de obra, los pequeños comerciantes y el personal de las empresas comercializadoras de cacao. Sin embargo, la degradación del suelo, la corrupción en la comercialización interna del cacao y la inflación afectan negativamente sus ingresos, por sus efectos en la productividad y el precio. El problema de degradación del suelo puede resolverse con estrategias de gerencia de tierras, mientras que la corrupción y la inflación requieren ayuda internacional. Además, se sugiere a los agricultores asociarse para negociar mejores precios con Cocobod.
Romero et al. (2016) muestra evidencia de que las variaciones en el precio del cacao pueden afectar los ingresos de los comercializadores de cacao. En su estudio, investigaron la incidencia del cultivo y la comercialización de cacao en el desarrollo socioeconómico del Cantón Milagro, de la provincia de Guayas, Ecuador, donde los ingresos de los agricultores y comercializadores dependen principalmente del cultivo de cacao. Para esto, utilizaron una muestra de 249 agricultores y 22 comerciantes. Los resultados para el caso de los comercializadores indican que (1) la calidad del producto es afectada por la baja calidad de los caminos vecinales y la falta de transporte y (2), a veces, los ingresos se ven afectados por variaciones en el precio del cacao. Para el caso de los agricultores, el transporte de los productos se ve afectado por las malas condiciones de los caminos.
Katayama et al. (2017) analizaron el efecto de un aumento del precio del cacao sobre la pobreza en Costa de Marfil, primer productor mundial del grano. En 2011, el Gobierno del país africano implementó un programa de precios mínimos garantizados para los productores de cacao (minimum farm-gate prices), con el objetivo de inducir una mayor producción de cacao y asegurar el sustento económico de los agricultores. Los resultados revelan que el aumento del precio garantizado de cacao, en 2015-2016, redujo la pobreza en una magnitud relativamente baja. No obstante, los autores mencionan que este efecto podría ampliarse si se aplicaran políticas complementarias para mejorar la productividad de los agricultores, a través de una provisión eficiente de servicios públicos (investigación, infraestructura de transporte y almacenamiento, entre otros).
Boeckx et al. (2020) analizaron si mejoras en precios y productividad son suficientes para sacar de la pobreza a los productores de cacao en Ghana. A través de una simulación basada en la información de 710 familias productoras de cacao, determinaron que, como máximo,el 33% de ellas alcanzan un ingreso digno, dado su nivel de productividad. De ahí que los autores señalen que el aumento del precio y de la productividad por sí solos no necesariamente mejoran el bienestar de los agricultores. Además, señalan que una forma de contribuir a un ingreso digno es la promoción de la industria de procesamiento de cacao que incluye el acondicionamiento previo de la pulpa, la fermentación del grano y el secado.
Además de la productividad en el cultivo de cacao, el precio y nivel de producción, la literatura también menciona otros factores relacionados con la pobreza de las familias productoras de cacao. Algunos de ellos son el tamaño y el acceso a la tierra; acceso al mercado; tamaño del hogar, género, edad y nivel educativo; también acceso al crédito, zona de residencia, choques climáticos, dependencia económica de la familia, acceso a servicios básicos y de infraestructura y otras fuentes de ingreso agrícolas. A lo que se suma el acceso a bienes públicos como salud, electricidad e infraestructura y las dotaciones iniciales de capital físico y humano.
Machira et al. (2023) y Deininger y Okidi (2003) analizaron los determinantes de la pobreza en Malawi y Uganda, respectivamente. Machira et al. (2023) usaron los resultados de las Encuestas de Medición de Niveles de Vida (LSMS) de 2016 y 2019 del BM. En su estudio, determinaron que el tamaño del hogar, el género, edad y nivel educativo del jefe del hogar, el tamaño de las propiedades agrícolas, el acceso al crédito, la residencia (urbana o rural) y los choques climáticos influyeron significativamente en las dimensiones de la pobreza y la transición a la pobreza en Malawi. En el caso de Deininger y Okidi (2003), se usó información de Uganda para el periodo 1992-2000. El estudio muestra que los principales factores son los precios de las exportaciones agrícolas, el acceso a bienes públicos como salud, electricidad e infraestructura, así como las dotaciones iniciales de capital físico y humano.
En el caso latinoamericano, Anzules et al. (2018) y Olaya et al. (2015) evaluaron los casos de Ecuador y Colombia, respectivamente. Los primeros estudiaron las características de las fincas productoras de cacao en tres localidades de la provincia de Santo Domingo de los Tsáchilas, Ecuador. Para esto, analizaron una muestra irrestricta aleatoria de 81 observaciones de una población de 450 productores. Los resultados indican que el bajo rendimiento del cultivo de cacao se asocia a un bajo nivel de manejo técnico del cultivo y al déficit de servicios básicos y de infraestructura. Por su parte, Olaya et al. (2015) analizaron información de 50 fincas productoras de cacao, de la zona del Bajo Caguán (municipio de Cartagena del Chairá, departamento de Caquetá, Colombia), obtenidas a partir de encuestas tipo cuestionario semiestructuradas. Sus resultados indican que las familias cacaoteras requieren de diferentes actividades productivas para obtener ingresos, debido a que el cultivo de cacao es de subsistencia.
Finalmente, Ramos-Zambrano et al. (2023) estudiaron los determinantes de la pobreza de los productores de uchuva del departamento de Nariño, Colombia. Para su estudio, aplicaron una encuesta a 133 productores de uchuva. A través de la estimación de un modelo logit binario determinaron que la probabilidad de ser pobre es menor a mayor nivel de educación, mayor tamaño del terreno de producción y menor dependencia económica.
El cuadro 1 ilustra la importancia de la producción de cacao a pequeña escala en las diferentes regiones productoras de Perú.
Cuadro 1. Cultivo de cacao por región: Número de productores y hectáreas
| Región | Número de productores | Hectáreas | Hectáreas por productor |
|---|---|---|---|
| Amazonas | 8018 | 11 109 | 1.38 |
| Ayacucho | 16 859 | 29 004 | 1.72 |
| Cajamarca | 1957 | 2721 | 1.39 |
| Cusco | 14 474 | 25 223 | 1.74 |
| Huánuco | 12 354 | 28 831 | 2.33 |
| Junín | 17 508 | 33 811 | 1.93 |
| La Libertad | 9 | 7 | 0.74 |
| Lambayeque | 39 | 36 | 0.93 |
| Loreto | 3536 | 7222 | 2.04 |
| Madre de Dios | 1565 | 3684 | 2.35 |
| Pasco | 5815 | 11 530 | 1.98 |
| Piura | 1348 | 1156 | 0.86 |
| Puno | 523 | 419 | 0.80 |
| San Martín | 27 204 | 60 950 | 2.24 |
| Tumbes | 96 | 109 | 1.14 |
| Ucayali | 12 463 | 36 095 | 2.90 |
Fuente: Información del Padrón de Productores Agrarios (https://observatorio-ppa.midagri.gob.pe/).
En promedio, el número de hectáreas por productor es menor a tres; y en la mayoría de los departamentos es menor a dos hectáreas por productor. Así, los cambios en la productividad de la empresa deberían tener un efecto directo sobre la pobreza y el bienestar de las familias.
La información se obtuvo del Sistema de Información Regional para la Toma de Decisiones (Sirtod), del Instituto Nacional de Estadísticas e Informática (Inei) y del Sistema Integrado de Estadística Agraria (Siea) del Ministerio de Agricultura y Riego (Midagri). Los datos son de frecuencia anual y abarcan el periodo 2007-2019 para los dieciséis departamentos productores de cacao.
La variable de interés es la pobreza, medida en este trabajo como el porcentaje de las personas con al menos una necesidad básica insatisfecha, según datos del Inei (en porcentaje). A nivel nacional, la tasa de pobreza ha mostrado una tendencia decreciente, pues pasó de 30.3% en 2007 a 16% en 20192. Esta tendencia se observa también en los departamentos productores de cacao (gráfico 1).
Gráfico 1. Evolución de la pobreza a nivel departamental
Fuente: elaboración propia.
Para medir el cultivo del cacao, se utilizaron dos variables: el precio y la producción de cacao por habitante. El precio, expresado en soles por kilogramo, es el que recibe en chacra un agricultor (según el Sirtod-Midagri). La producción de cacao por habitante (productividad) se define como la producción total de cacao (según el Sirtod-Midagri) entre el número de habitantes por departamento (según el Sirtod-Enaho). Los gráficos 2-3 muestran la evolución de ambas variables. En cuanto al precio, se observa que, en la mayoría de los casos, se ha mantenido estable por encima de 5 soles por kilogramo. Por su parte, la productividad muestra una tendencia creciente en la mayoría de los departamentos.
Gráfico 2. Evolución del precio en chacra a nivel departamental
Fuente: elaboración propia.
Para controlar por otros factores que posiblemente determinan la pobreza, también se incluyeron al análisis el PIB real per cápita total, PIB real per cápita del sector agrario y porcentaje de la población con seguro de Essalud, medidas a nivel departamental. El PIB real per cápita se define como el PIB real (según el Inei), entre la cantidad de habitantes de cada departamento (según el Sirtod-Enaho). El PBI real agrario per cápita se define como el PIB agrario (fuente INEI) entre la cantidad de habitantes de cada departamento (fuente Sirtod-Enaho). La variable seguro Essalud se define como el porcentaje de la población afiliada Essalud (según el Inei-Enaho).
Las series finales analizadas son la variación anual de la pobreza (pp), la variación porcentual anual del precio del cacao (porcentaje), la variación porcentual anual de la productividad (porcentaje), la variación porcentual anual del PIB real per cápita (porcentaje), la variación porcentual anual del PIB real agrario per cápita (porcentaje) y variación anual del porcentaje de asegurados con Essalud (puntos porcentuales)3. La muestra final quedó compuesta por doce observaciones anuales (2018-2019) para dieciséis departamentos, es decir, 192 observaciones anuales por departamento.
Gráfico 3. Evolución de la productividad a nivel departamental
Fuente: elaboración propia.
El cuadro 2 contiene los estadísticos descriptivos de las principales variables analizadas. La variación anual de la pobreza registró un promedio de -1.42 pp, una desviación estándar de 2.32 pp y un rango de variación entre -14.21 pp y 4.15 pp ((Ucayali, 2011; y Puno, 2015, respectivamente). La tasa de crecimiento (variación porcentual anual) del precio del cacao registró un promedio de 5.65%, una desviación estándar de 22.22% y un rango de variación entre -41.47% y 98.85% ((Ayacucho, 2017; y Puno, 2009, respectivamente). La tasa de crecimiento (variación porcentual anual) de la productividad registró un promedio de 19.43%, una desviación estándar de 36.46% y un rango de variación entre -68.22% y 180.50% (La Libertad, 2014; y Puno, 2017, respectivamente).
Cuadro 2. Estadísticos descriptivos de las principales variables analizadas
| Variable | Observ. | Promedio | DE | Mín. | Máx. | Descripción |
|---|---|---|---|---|---|---|
| Pobreza (var.) | 192 | -1.42 | 2.32 | -14.21 | 4.15 | Porcentaje de la población considerada pobre (variación anual) |
| Precio (var. %) | 192 | 5.65 | 22.22 | -41.47 | 98.84 | Precio del cacao (variación % anual) |
| Productividad (var. %) | 192 | 19.43 | 36.46 | -68.22 | 180.50 | Producción de cacao per cápita (variación % anual) |
| PBIRpc Agro (var. %) | 192 | 2.92 | 6.77 | -21.82 | 24.34 | PBI real agrario per cápita (variación % anual) |
| PBIRpc (var. %) | 192 | 3.25 | 5.59 | -22.79 | 18.00 | PBI real per cápita (variación % anual) |
| Seguro Essalud (var.) | 192 | 17.35 | 5.14 | 8.00 | 30.10 | Porcentaje de la población afiliada Essalud (variación anual) |
Fuente: Información del Padrón de Productores Agrarios (https://observatorio-ppa.midagri.gob.pe/).
El gráfico 4 muestra que la correlación con datos agrupados (sin diferenciar por departamento) entre la variación de la pobreza y la tasa de crecimiento del precio del cacao es estadísticamente cero, mientras que la correlación entre la variación de la pobreza y la tasa de crecimiento de la productividad es negativa y estadísticamente significativa. Este resultado proporciona evidencia inicial de que una mayor tasa de crecimiento de la productividad de los agricultores de cacao podría contribuir a una desaceleración de la pobreza.
Gráfico 4. Relación entre pobreza (var. anual), precio (var. %) y productividad (var. %)
Fuente: elaboración propia.
El cuadro 3 muestra las correlaciones en el nivel departamental. En el caso de la correlación entre la variación anual de la pobreza y la tasa de crecimiento del precio del cacao en chacra, solo San Martín muestra una relación lineal positiva (corr. = 0.54) y estadísticamente significativa. Entretanto, Pasco y Piura son los únicos departamentos donde existe una relación lineal negativa y estadísticamente significativa entre la variación anual de la pobreza y la tasa de crecimiento de la productividad (corr. = -0.58 y corr. = -0.55, respectivamente).
Cuadro 3. Correlaciones a nivel departamental entre la variación anual de la pobreza y las tasas de crecimiento del precio y de la productividad
| Departamento | Precio | Productividad | Departamento | Precio | Productividad |
|---|---|---|---|---|---|
| Amazonas | 0.47 | -0.32 | Loreto | -0.29 | -0.08 |
| Ayacucho | -0.33 | 0 | Madre de Dios | 0.04 | -0.47 |
| Cajamarca | -0.37 | -0.34 | Pasco | 0.03 | -0.58** |
| Cusco | -0.36 | 0.17 | Piura | 0.12 | -0.55* |
| Huánuco | -0.17 | 0.43 | Puno | 0.05 | -0.19 |
| Junín | -0.26 | 0.31 | San Martín | 0.54* | 0.22 |
| La Libertad | 0.2 | -0.18 | Tumbes | -0.07 | 0.21 |
| Lambayeque | 0.24 | -0.42 | Ucayali | -0.02 | -0.49 |
Nota: los niveles de significancia se denotan con * (1%) y ** (5%).
Fuente: Información del Padrón de Productores Agrarios (https://observatorio-ppa.midagri.gob.pe/).
Para analizar la relación entre la pobreza y el cultivo de cacao, se utilizará un modelo de regresión para datos de panel que tiene la siguiente especificación:
\[ \begin{aligned} \text{pobre}_{it} &= \beta_{1} + pr_{it}\beta_{2} + prod_{it}\beta_{3} + w'_{it}\theta + \alpha_{i} + u_{it} \\ \text{pobre}_{it} &= x'_{it}\beta + \alpha_{i} + u_{it} \end{aligned} \tag{1} \]
Donde \( i = 1, 2, \ldots, 16 \) departamentos y \( t = 2008, 2009, \ldots, 2019 \). La variable \( \text{pobre}_{it} = \text{pobreza}_{it} - \text{pobreza}_{i,t-1} \) representa la variación anual de la tasa de pobreza en el departamento \( i \) y el año \( t \); de manera análoga, \( pr_{it} = 100 \times (\text{precio}_{it}/\text{precio}_{i,t-1} - 1) \) representa la variación porcentual anual (tasa de crecimiento anual) del precio del cacao y \( prod_{it} = 100 \times (\text{productividad}_{it}/\text{productividad}_{i,t-1} - 1) \) la variación porcentual anual (tasa de crecimiento anual) de la productividad del cultivo de cacao (producción de cacao per cápita).
La variable \( \alpha_i \approx i.i.d.(0, \sigma_\alpha^2) \) representa a todas las variables específicas del departamento \( i \), e invariantes en el tiempo no incluidas en el modelo (usualmente porque no son observables), a las cuales se denomina efectos específicos individuales (Baltagi, 2008). Por ejemplo, la cultura de trabajo del departamento \( i \) es una variable no observable, específica a cada departamento, invariante en el tiempo y que afecta el nivel de pobreza. El vector \( w_{it} \) contiene variables de control incluidas en la regresión para capturar el efecto de posibles variables omitidas correlacionadas con precios y productividad y que también pueden afectar la pobreza. Por ejemplo, el porcentaje de personas que cuentan con seguro de salud puede considerarse una variable de control, pues se correlaciona con el nivel de ingresos y el nivel de empleo formal, los cuales afectan directamente los niveles de pobreza. Otras variables de control similares podrían ser el PIB real per cápita del sector agrario y el PIB real per cápita.
La estimación del modelo (1) depende del supuesto sobre los efectos específicos individuales. Si se asume que no hay efectos específicos individuales, es decir \( \sigma_\alpha^2 = 0 \), el panel de datos puede tratarse como un conjunto de datos agrupados (pooled data). En este caso, el modelo se estima usando mínimos cuadrados ordinarios (MCO), el cual se denomina estimador MCO agrupados. Una segunda opción es que \( \operatorname{cov}(\alpha_i, x_{it}) \neq 0 \). En este caso, se asume que \( \alpha_i \), para \( i = 1, 2, \ldots, N \), son parámetros fijos que pueden estimarse. En este caso, pueden definirse \( i = 1, 2, \ldots, N \) variables ficticias o indicadoras (dummy):
\[ d_{ij} = \begin{cases} 1, \text{si } i = j \\ 0, \text{otro caso} \end{cases} \]
Con las cuales puede reescribirse el modelo de la siguiente manera:
\[ \begin{aligned} \text{pobre}_{it} &= x'_{it}\beta + d_{i1}\alpha_{1} + d_{i2}\alpha_{2} + \ldots + d_{iN}\alpha_{N} + u_{it} \\ \text{pobre}_{it} &= x'_{it}\beta + \sum_{j=1}^{N} d_{ij}\alpha_{i} + u_{it} \end{aligned} \tag{2} \]
En este caso, el modelo 2 también se estima por MCO. Este estimador se denomina estimador de variables dummy MCO (LSDV, en inglés). Alternativamente, puede estimarse con MCO la siguiente transformación del modelo, denominada “intra” o “within”:
\[ \begin{aligned} \text{pobre}_{it} - \overline{\text{pobre}}_{i.} &= (x_{it} - \bar{x}_{i.})'\beta + (u_{it} - u_{i.}) \\ \widetilde{\text{pobre}}_{it} &= \widetilde{x}'_{it}\beta + \widetilde{u}_{it} \end{aligned} \]
Donde \( \overline{\text{pobre}}_{i.} = \bar{x}_{i.}^{\prime}\beta + \bar{u}_{i.} \) representa el promedio temporal de cada grupo \( i \) (transformación “entre” o “between”). El estimador MCO aplicado a la transformación within se denomina estimador “within” (W) o “efectos fijos” (FE).
A partir del modelo de efectos fijos es posible evaluar si los efectos fijos son significativos. La hipótesis nula de la prueba de efectos fijos es que dichos efectos son cero, y se basa en el estadístico \( F \):
\[ F = \frac{(\text{RSS}_R - \text{RSS}_U)/(N - 1)}{\text{RSS}_U/(NT - N - K)} \sim F(N - 1, NT - N - K) \]
Donde \( \text{RSS}_R \) es la suma de los residuos cuadrados (RSS) del modelo sin efectos fijos (es decir, el modelo con datos agrupados) y \( \text{RSS}_U \) es la RSS del modelo con efectos fijos. Por otro lado, si se asume que \( \operatorname{cov}(\alpha_i, x_{it}) = 0 \), el modelo de regresión se denomina modelos de efectos aleatorios:
\[ \begin{aligned} \text{pobre}_{it} &= x'_{it}\beta + [\alpha_{i} + u_{it}] \\ \text{pobre}_{it} &= x'_{it}\beta + \varepsilon_{it} \end{aligned} \tag{3} \]
Donde el término de error \( \varepsilon_{it} = \alpha_i + u_{it} \) tiene autocorrelación. Por ello, el estimador mínimos cuadrados generalizados (MCG) es el más eficiente para este modelo, al cual se denomina estimador de efectos aleatorios. A partir de este modelo, puede aplicarse la prueba de Breusch-Pagan para evaluar si los efectos aleatorios son estadísticamente significativos. La hipótesis nula es que la varianza de los efectos aleatorios es cero, y el estadistico de prueba tiene una distribución \(\chi^2\) con 1 grado de libertad.
Si las pruebas estadísticas de efectos fijos y aleatorios indican que no existen efectos específicos para los departamentos, se asume que los datos son agrupados y el modelo se estima usando el estimador MCO agrupados. Sin embargo, si las pruebas muestran evidencia de efectos fijos y aleatorios, el estimador se elige a partir de la prueba de Hausman, cuya hipótesis nula es que \( \operatorname{cov}(\alpha_i, x_{it}) = 0 \). Si se rechaza la hipótesis nula de la prueba de Hausman, entonces el estimador de efectos fijos es mejor que el de efectos aleatorios. De lo contrario, se opta por el estimador de efectos aleatorios.
El cuadro 4 muestra los resultados de la estimación de diferentes especificaciones del modelo de regresión, para explicar la variación anual de la pobreza: \( \text{pobre}_{it} = \text{pobreza}_{it} - \text{pobreza}_{i,t-1} \), usando el estimador MCO para datos agrupados y variables instrumentales (IV). Los Cuadros A1 y A2 del Anexo muestran los resultados de la estimación de las mismas especificaciones, usando los estimadores efectos fijos y efectos aleatorios). El modelo 1 solo incluye como regresores las variables relacionadas con el cultivo del cacao: (i) la variación porcentual anual del precio del cacao (tasa de crecimiento anual), \( pr_{it} = 100 \times (\text{precio}_{it}/\text{precio}_{i,t-1} - 1) \) y (ii) la variación porcentual anual de la producción de cacao per cápita o productividad (tasa de crecimiento), \( prod_{it} = 100 \times (\text{productividad}_{it}/\text{productividad}_{i,t-1} - 1) \).
Cuadro 4. Resultados usando los estimadores MCO para datos agrupados y variables instrumentales (IV)
| M1MCO | M2MCO | M3MCO | M4MCO | M5MCO | M6MCO | M6IV | |
|---|---|---|---|---|---|---|---|
| Precio (var. %) | -0.003 | -0.002 | -0.001 | -0.001 | -0.001 | ||
| (0.01) | (0.01) | (0.01) | (0.01) | (0.01) | |||
| Productividad (var. %) | -0.010** | -0.010** | -0.010** | -0.008** | -0.008** | -0.008** | -0.012*** |
| (0.00) | (0.00) | (0.00) | (0.00) | (0.00) | (0.00) | (0.00) | |
| Seguro Essalud (var.) | -0.217** | -0.178* | -0.177* | -0.176* | -0.178* | -0.175** | |
| (0.10) | (0.09) | (0.09) | (0.08) | (0.09) | (0.09) | ||
| Ucayali-2011 | -12.326*** | -12.294*** | -12.298*** | -12.334*** | -12.238*** | ||
| (0.18) | (0.33) | (0.32) | (0.19) | (0.23) | |||
| PIBRpc Agro (-1) (var. %) | 0.005 | 0.005 | |||||
| (0.02) | (0.02) | ||||||
| PIBRpc (var. %) | 0.002 | ||||||
| (0.02) | |||||||
| Constante | -1.191*** | -1.133*** | -1.112*** | -1.128*** | -1.135*** | -1.119*** | -1.052*** |
| (0.15) | (0.16) | (0.16) | (0.18) | (0.21) | (0.17) | (0.16) | |
| N | 176 | 176 | 176 | 176 | 176 | 176 | 176 |
| R2 | 0.0267 | 0.0469 | 0.1942 | 0.1954 | 0.1954 | 0.1951 | |
| R2-Aj. | 0.0154 | 0.0303 | 0.1764 | 0.1717 | 0.1668 | 0.1810 | |
| AIC | 808.100 | 806.411 | 776.640 | 778.602 | 780.596 | 774.671 | |
| BIC | 817.611 | 819.093 | 789.322 | 794.455 | 799.619 | 784.183 | |
| Efectos Fijos (valor p) | 0.984 | 0.979 | 0.970 | 0.970 | 0.971 | 0.969 | |
| Efectos Aleatorios (valor p) | 0.999 | 0.999 | 0.999 | 0.999 | 0.999 | 0.999 | |
| Instrum. débiles (F) | 47.14 | ||||||
| Prueba de Sargan (valor p) | 0.79 | ||||||
| Endogeneidad (valor p) | 0.32 |
Nota: todos los regresores están expresados en variaciones porcentuales (tasa de crecimiento), excepto Essalud que se expresa como una variación simple. Se usaron errores estándar agrupados por departamento. Para la estimación con variables instrumentales, se usaron como instrumentos dos regresores no significativos como variables de control: las tasas de crecimiento anual del PIBR Agro per cápita y de la producción de cacao por hectárea. Niveles de significancia: * valor del parámetro p < 0.10, ** p < 0.05, y *** p < 0.01.
Fuente: elaboración propia.
Los resultados indican que ambas variables tienen una relación lineal negativa con la variación de la pobreza. Sin embargo, solo el coeficiente del crecimiento de la productividad es estadísticamente significativo al 5% de significancia e igual a -0.01 (valor redondeado para todos los modelos). De esta manera, ante un aumento de 1 pp en la tasa de crecimiento de la productividad, el modelo predice que la variación de la pobreza disminuirá en 0.01 pp. Para ilustrar este resultado, podemos usar el caso de San Martín, que registró una variación de la pobreza de -1.1 pp y una tasa de crecimiento de la productividad de 17.8% en 2014. Según el modelo estimado, si la tasa de crecimiento de la productividad hubiera aumentado de 17.8 a 37.8% (aumento de 20 pp, equivalente a pasar de la mediana al percentil 75), el modelo predice que la variación de la pobreza sería -1.3 pp, es decir, menor en 0.01 × 20 = 0.2 pp en comparación con la variación observada.
Las columnas 2, 3, 4 y 5 muestran los resultados de las estimaciones de los modelos que incluyen como variables de control a la tasa de crecimiento del PIB real per cápita, la tasa de crecimiento del PIB real per cápita del sector agropecuario, la variación en el porcentaje de personas que cuentan con el seguro de Essalud y la variable dummy Ucayali-2011 (que captura un dato atípico en la variación de la pobreza en Ucayali en 2011). Se observa que el estimado de la productividad se mantiene estable entre -0.010 y -0.008 y es estadísticamente significativo al 5%. Además, se observa que el crecimiento del precio del cacao no es estadísticamente significativo.
La columna 6 muestra los resultados del modelo que solo incluye regresores significativos. Al comparar los indicadores de bondad de ajuste de los modelos 1 al 6, se observa que el modelo 6 tiene un mayor \(R^2\) ajustado, menor AIC y menor BIC, lo cual confirma que el modelo 6 es el que se ajusta mejor a los datos. Los resultados del modelo 6 confirman que la productividad del cultivo del cacao es un predictor de la variación de la pobreza. Sin embargo, este estimado no necesariamente mide el efecto causal de la productividad, pues es posible que estén omitiéndose variables relevantes cuyo efecto no está capturado por las variables de control especificadas. Esto significa que la tasa de crecimiento de la productividad podría ser un regresor endógeno y, por ende, su estimador MCO tendría un sesgo por omisión de variables.
Para interpretar el estimado de la productividad como efecto causal, es necesario asegurar que dicho regresor sea exógeno, condicional a las variables de control. Para ello, se estimó el modelo 6, utilizando como variables instrumentales la tasa de crecimiento del PIB real agrario per cápita y la tasa de crecimiento de la producción de cacao por hectárea (rendimiento)4. Los resultados de la estimación con variables instrumentales (IV) mostrados en la columna 7 indican que la tasa de crecimiento de la productividad es significativa y su efecto causal es -0.012, muy similar al estimado obtenido con MCO.
El estimador IV ayuda a eliminar el sesgo por omisión de variables, solo si los instrumentos son relevantes y exógenos. Sin embargo, si el regresor no es endógeno, el uso de IV sería ineficiente. La prueba de instrumentos débiles (penúltima fila) indica que los instrumentos no son débiles pues el estadístico (F = 47.14) es mayor a 10. La prueba de Sargan (penúltima fila) indica que todos los instrumentos son exógenos pues el valor del parámetro p es de 0.79. Sin embargo, la prueba de endogeneidad Wu-Hausman (última fila) del regresor crecimiento de la productividad basada en estos instrumentos indica que no hay problema de endogeneidad (p = 0.32), por lo cual el estimador IV no sería necesario. Este resultado puede interpretarse de dos formas. La primera es que no hay problema de endogeneidad y el efecto causal del crecimiento de la productividad es -0.008 pp. La segunda es que existe un problema de endogeneidad que no ha sido detectado por la prueba estadística, lo cual implica que el efecto causal es relativamente más importante e igual a -0.012 pp. De este análisis, puede concluirse que solo el crecimiento de la productividad es un predictor de la reducción de la pobreza y que su efecto causal es aproximadamente -0.01 pp.
Los resultados anteriores, basados en el estimador MCO para datos agrupados son válidos solo bajo el supuesto de que las características específicas de cada departamento (invariantes en el tiempo) no son relevantes. El penúltimo panel del cuadro 4 confirma este supuesto. La prueba de efectos fijos indica que dichos efectos no son significativos en ninguno de los modelos, pues todos los valores p son mayores a 0.10. Esta conclusión es similar para el caso de la prueba de efectos aleatorios.
Los resultados de las estimaciones muestran que el aumento de la productividad en el cultivo de cacao contribuye a reducir la pobreza. Este resultado es consistente con la teoría económica. Esto significa que las políticas orientadas a la mejora de la productividad de dicho cultivo son herramientas útiles para combatir la pobreza. De esta manera, se considera que los recursos fiscales que se destinen a programas de mejora de productividad en el cultivo de cacao tendrán retornos positivos.
Finalmente, es importante señalar dos limitaciones del presente análisis, las cuales podrían ser abordadas en futuras investigaciones. La primera limitación es el uso de un modelo estático para datos de panel. Una posible extensión sería incluir el rezago de la variable endógena (pobreza) como regresor para capturar mejor la dinámica de la pobreza, lo cual requeriría el uso de estimadores para modelos dinámicos para datos de panel, como por ejemplo el estimador de momentos generalizados (GMM) de Arellano y Bond (1991).
La segunda limitación es que el efecto del cultivo de cacao se mide sobre un indicador amplio de pobreza a nivel departamental, pues no se cuenta con un indicador que mida la pobreza de las familias productoras de cacao. Por tanto, una posible extensión debería construir una medida de pobreza relacionada directamente con las familias que se dedican al cultivo de cacao que permita medir el efecto del cultivo de cacao sobre ellas.
El objetivo de la investigación fue analizar el impacto del cultivo del cacao en los niveles de pobreza de las regiones productoras. Para esto, se utilizó un panel de datos con información de dieciséis regiones productoras de cacao, para el periodo 2008-2019. La metodología empírica se basó en la estimación de modelos de regresión para datos de panel usando los estimadores MCO agrupados, efectos fijos y aleatorios.
Los resultados sugieren que el crecimiento de la productividad del cacao predice y contribuye a reducir la variación de la pobreza. Pero no es no así con el crecimiento en el precio del cacao. Específicamente, un aumento de 20 pp en la tasa de crecimiento de la productividad implica que la variación de la pobreza se reduce en 0.2 pp. Este resultado evidencia que los recursos fiscales destinados a programas de mejora de productividad en el cultivo de cacao tienen efecto positivo en la lucha contra la pobreza.
Esta investigación no recibió financiamiento externo. Se basa en la tesis “Impacto del cultivo de cacao en los niveles de pobreza: evidencia regional, periodo 2008-2019”, proyecto registrado con el código PRE-13-2022-00130 en la Dirección General de Investigación, Desarrollo e Innovación de la Universidad Científica del Sur. El autor corresponsal agradece a la ingeniera Rossmery Cuadros por su valioso apoyo como asistente de investigación. Asimismo, los autores expresan su gratitud por los comentarios y sugerencias de los revisores anónimos de la revista.
Es importante destacar que el cultivo de cacao en los departamentos de San Martín y Cusco, los mayores productores, fue impulsado inicialmente como parte del programa erradicación de cultivos de hoja de coca. La Comisión Nacional para el Desarrollo y Vida sin Drogas (Devida, 2018), promueve el cacao, el café y otros productos cotizados internacionalmente como alternativas a los cultivos de uso ilícito, a través de su programa de Desarrollo Alternativo Integral y Sostenible (Dais). Según Devida (2018), más de 130 000 familias están asociadas al Dais, lo que les permite convivir en un ambiente de paz y desarrollo.↩︎
Las cifras estimadas para el 2020 y 2021 son 16.6% y 16.1%, respectivamente.↩︎
El análisis consideró también otras variables sociodemográficas, como el empleo informal, porcentaje de hogares con agua, alumbrado público, electricidad, radio, internet, celular, televisión, computadora, televisión por cable, seguro SIS. Además, el porcentaje de personas participantes en programas sociales como Juntos, Pensión 65 y Beca 18, entre otras; y el porcentaje de personas con educación primaria, secundaria o superior. Estas variables, expresadas en variaciones anuales y variaciones porcentuales, no fueron incluidas en los modelos finales, pues no fueron estadísticamente relevantes o no se contó con suficiente información.↩︎
En general, se evaluaron como posibles instrumentos los rezagos 1-4 de todos los regresores. Los resultados que se obtienen con otros instrumentos posibles se conservan inalterados.↩︎
Cuadro A1. Resultados de la estimación del modelo de efectos fijos
| M1FE | M2FE | M3FE | M4FE | M5FE | M6FE | |
|---|---|---|---|---|---|---|
| Precio (var. %) | -0.003 | -0.002 | -0.000 | 0.000 | -0.000 | |
| (0.01) | (0.01) | (0.01) | (0.01) | (0.01) | ||
| Productividad (var. %) | -0.012* | -0.011* | -0.010* | -0.010* | -0.010 | -0.010 |
| (0.01) | (0.01) | (0.01) | (0.01) | (0.01) | (0.01) | |
| Seguro Essalud (var.) | -0.226** | -0.189* | -0.189* | -0.189* | -0.189* | |
| (0.10) | (0.10) | (0.10) | (0.09) | (0.09) | ||
| Ucayali-2011 | -12.747*** | -12.715*** | -12.709*** | -12.751*** | ||
| (0.17) | (0.26) | (0.24) | (0.19) | |||
| PBIRpc Agro (-1) (var. %) | 0.007 | 0.007 | ||||
| (0.03) | (0.03) | |||||
| PBIRpc (var. %) | -0.002 | |||||
| (0.02) | ||||||
| Constante | -1.168*** | -1.113*** | -1.084*** | -1.109*** | -1.103*** | -1.087*** |
| (0.13) | (0.14) | (0.12) | (0.15) | (0.16) | (0.12) | |
| N | 176 | 176 | 176 | 176 | 176 | 176 |
| \(R^2\) | 0.0277 | 0.0500 | 0.2003 | 0.2006 | 0.2006 | 0.2002 |
| \(R^2\)-Aj. | 0.0165 | 0.0334 | 0.1815 | 0.1771 | 0.1723 | 0.1863 |
| AIC | 799.988 | 797.912 | 767.603 | 769.520 | 771.517 | 765.606 |
| BIC | 806.329 | 807.424 | 777.115 | 782.202 | 787.369 | 771.47 |
| Valor p (efectos fijos) | 0.984 | 0.979 | 0.970 | 0.970 | 0.971 | 0.969 |
Nota: todos los regresores están expresados en variaciones porcentuales (tasa de crecimiento), excepto Essalud que se expresa como una variación simple. Se usan errores estándar agrupados por departamento. Niveles de significancia: * valor del parámetro p < 0.10, ** p < 0.05, *** p < 0.01.
Fuente: elaboración propia.
Cuadro A2. Resultados de la estimación con efectos aleatorios
| M1RE | M2RE | M3RE | M4RE | M5RE | M6RE | |
|---|---|---|---|---|---|---|
| Precio (var. %) | -0.003 | -0.002 | -0.001 | -0.001 | -0.001 | |
| (0.01) | (0.01) | (0.01) | (0.01) | (0.01) | ||
| Productividad (var. %) | -0.010** | -0.010** | -0.008** | -0.008** | -0.008* | -0.008** |
| (0.00) | (0.00) | (0.00) | (0.00) | (0.00) | (0.00) | |
| Seguro Essalud (var.) | -0.217** | -0.178** | -0.177** | -0.176** | -0.178** | |
| (0.10) | (0.09) | (0.09) | (0.08) | (0.09) | ||
| Ucayali-2011 | -12.326*** | -12.294*** | -12.298*** | -12.334*** | ||
| (0.18) | (0.33) | (0.32) | (0.19) | |||
| PBIRpc Agro (-1) (var. %) | 0.005 | 0.005 | ||||
| (0.02) | (0.02) | |||||
| PBIRpc (var. %) | 0.002 | |||||
| (0.02) | ||||||
| Constante | -1.191*** | -1.133*** | -1.112*** | -1.128*** | -1.135*** | -1.119*** |
| (0.15) | (0.16) | (0.16) | (0.18) | (0.21) | (0.17) | |
| N | 176 | 176 | 176 | 176 | 176 | 176 |
| R2 total | 0.0267 | 0.0469 | 0.1952 | 0.1954 | 0.1954 | 0.1951 |
| Valor p (Ef. Aleatorios) | 0.999 | 0.999 | 0.999 | 0.999 | 0.999 | 0.999 |
Nota: Todos los regresores están expresados en variaciones porcentuales (tasa de crecimiento), excepto Essalud que se expresa como una variación simple. Se usan errores estándar agrupados por departamento. Niveles de significancia: * valor del parámetro p < 0.10, ** p < 0.05, *** p < 0.01.
Fuente: elaboración propia.