UNIVERSIDAD NACIONAL AGRARIA

LA MOLINA
ESCUELA DE POSGRADO
MAESTRÍA EN ECONOMÍAAGRÍCOLA

"PRODUCTIVIDAD E INNOVACIÓN EN EL CRECIMIENTO

DELSECTOR AGROPECUARIO PERUANO: 2008-2016"

Presentada por:

CLAUDIO STEFANO SABINO CASTAGNINO PASTOR

TESIS PARA OPTAR EL GRADO DE MAESTRO

MAGISTER SCIENTIAE EN ECONOMÍA AGRÍCOLA

Lima – Perú

2021

0
 UNIVERSIDAD NACIONAL AGRARIA
LA MOLINA

ESCUELA DE POSGRADO
MAESTRÍA EN ECONOMÍA AGRÍCOLA

“PRODUCTIVIDAD E INNOVACIÓN EN EL
CRECIMIENTO DEL SECTOR AGROPECUARIO
PERUANO: 2008-2016”

TESIS PARA OPTAR EL GRADO DE MAESTRO

MAGISTER SCIENTIAE

Presentada por:
CLAUDIO STEFANO SABINO CASTAGNINO PASTOR

Sustentada y aprobada ante el siguiente jurado:

[Link]. María de Lourdes Tapia y Figueroa [Link]. Agapito Linares Salas

PRESIDENTE ASESOR

[Link]. Ramón Diez Matallana [Link]. Luis Alberto Guillen Vidal

MIEMBRO MIEMBRO
 DEDICATORIA

A mí Madre, a mís tías: Alícia (Q.E.P.D), Ines y Martha (Q.E.P.D), asímismo a mis tías
abuelas: María Luisa (Q.E.P.D) y Rosa (Q.E.P.D), y abuelo Luis (Q.E.P.D), por quererme
y apoyarme siempre.

0
 AGRADECIMIENTO

A Dios todopoderoso creador de todo lo cuando hay en el cielo y la tierra. Por iluminarme
en mi vida ante los problemas sin rendirme.

Al [Link]. Agapito Linares, por su excelencia, paciencia y visión para que esta
investigación cientifica sea posible.

A la Escuela de Pos Grado de la Universidad Nacional Agraría La Molina por su

excelencia en la formación académica y a los profesores que lo hacen posible.

A Northern Virignia Community College por la apreciada y solida formación en

technologías de Informatica.

0
 ÍNDICE GENERAL

I. INTRODUCCIÓN 1
1.1 OBJETIVOS 3

[Link] Principal 3

[Link] Específicos 3

1.2 JUSTIFICACIÓN 3

II. REVISIÓN DE LITERATURA 4

2.1 ANTECEDENTES 4

2.2 MARCO TEÓRICO. 8

2.2.1. Modelo de Solow y Modelo Cobb-Douglas 8

2.2.2. Heterocedasticidad 12

III. MATERIALES Y MÉTODOS 13

3.1 METODOLOGÍA 13

3.1.1. Tipo y diseño de estudio 13

3.1.2. Universo y muestra, ámbito, espacio temporal 13

3.2. MODELOS EMPLEADOS EN LA INVESTIGACIÓN 13

3.2.1. Modelo de Solow 13

3.2.2. Modelo Alternativo de Cobb-Douglas 14

3.2.3. Método de Errores estándar robusto 15

3.3. VARIABLES 16

3.3.1. Variable Endógena 16

3.3.2. Variables Exógenas 16

3.4. HIPÓTESIS 18

3.4.1. Hipótesis Principal 18

3.4.2. Hipótesis Específicas 18

0
 3.5. FUENTES DE INFORMACIÓN 18

3.6. METODOLOGÍA PARA LA PRUEBA DE LAS HIPÓTESIS 18

IV. RESULTADOS Y DISCUSIÓN 21

4.1 RESULTADOS 21

4.1.0. Resultados de los Modelos 21

a. Modelo de Solow 21

b. Modelo de Cobb-Douglas 27

4.1.1 Crecimiento poblacional y producción agropecuaria per cápita del Perú. 28

4.1.2 Relación directa y significativa entre la poca inversión en capital físico con la
producción agropecuaria per cápita en Perú. 28

4.1.3 Impacto de la escasa productividad, escasa innovación tecnológica, el bajo

crecimiento poblacional y la escasa asignación de capital físico sobre el crecimiento de
la producción agropecuaria per cápita en Perú. 29

4.2 DISCUSIÓN DE RESULTADOS. 29

V. CONCLUSIONES 32
VI. RECOMENDACIONES 33
VII. REFERENCIAS BIBLIOGRÁFICAS 34
VIII. ANEXOS 39

1
 ÍNDICE DE FIGURAS

Figura 1: Valor Agregado, Valor de la Producción (Millones de soles, base 2007) e

Índice de precios del sector agropecuario de Perú.................................................. 4
Figura 2: Superficie Sembrada, Superficie Cosechada (hectáreas) e Inversión
Extranjera (millones de dólares americanos) en el sector agropecuario de
Perú......................................................................................................................... 5
Figura 3: PBI agropecuario sobe el PBI del Perú (porcentaje).............................................. 6
Figura 4: PEA calificada agropecuaria (porcentaje).............................................................. 7
Figura 5: Modelo de Solow....................................................................................................8
Figura 6: Productividad e Innovación Tecnológica, Tasa de Crecimiento Poblacional y
Gasto Publico Agropecuario (Modelo de Solow)................................................. 26
Figura 7: Productividad e Elasticidad de Gasto Publico Agropecuario PEA
agropecuaria per cápita (Modelo de Cobb-Douglas)............................................ 28

2
 ÍNDICE DE TABLAS
Tabla 1: Definición de Variables de los Modelos................................................................ 17
Tabla 2: Metodología para las Hipótesis base Teórica........................................................ 19

3
 ÍNDICE DE ANEXOS

ANEXO 1: Base de datos del Modelo de Solow................................................................. 39

ANEXO 2: Base de datos del modelo de Cobb-Douglas - Gasto Publico Agropecuario
de la PEA agropecuaria per cápita........................................................................ 40
ANEXO 3: Base de datos del modelo de Cobb-Douglas - Valor Bruto Agropecuario de
la PEA agropecuaria per cápita............................................................................. 41
ANEXO 4: Primera Regresión.............................................................................................42
ANEXO 5: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión
Primera.................................................................................................................. 42
ANEXO 6: Segunda Regresión............................................................................................43
ANEXO 7: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión
Segunda.................................................................................................................43
ANEXO 8: Tercera Regresión............................................................................................. 44
ANEXO 9: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión
Tercera.................................................................................................................. 44
ANEXO 10: Cuarta Regresión.............................................................................................45
ANEXO 11: Regresión de la Heteroscedasticidad-Robust Error Standar de la
Regresión Cuarta...................................................................................................45
ANEXO 12: Quinta Regresión.............................................................................................45
ANEXO 13: Regresión de la Heterocedasticidad-Robust Error Standard de la
Regresión Quinta...................................................................................................46
ANEXO 14: Sexta Regresión...............................................................................................46
ANEXO 15: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión
Sexta......................................................................................................................47
ANEXO 16: Regresión 2008............................................................................................... 47
ANEXO 17: Regresión de la Heterocedasticidad-Robust Error Estándar (2008)............... 47
ANEXO 18: Regresión 2009............................................................................................... 48
ANEXO 19: Regresión de la Heterocedasticidad-Robust Error Estándar (2009)............... 48

4
ANEXO 20: Regresión 2010............................................................................................... 48
ANEXO 21: Regresión de la Heterocedasticidad-Robust Error Estándar (2010)............... 49
ANEXO 22: Regresión 2011............................................................................................... 49
ANEXO 23: Regresión de la Heterocedasticidad-Robust Error Estándar (2011)............... 49
ANEXO 24: Regresión 2012............................................................................................... 50
ANEXO 25: Regresión 2012............................................................................................... 50
ANEXO 26: Regresión de la Heterocedasticidad-Robust Error Estándar (2012)............... 50
ANEXO 27: Regresión 2013............................................................................................... 51
ANEXO 28: Regresión de la Heterocedasticidad-Robust Error Estándar (2013)............... 51
ANEXO 29: Regresión 2014............................................................................................... 51
ANEXO 30: Regresión de la Heterocedasticidad-Robust Error Estándar (2014).............. 52
ANEXO 31: Regresión 2015............................................................................................... 52
ANEXO 32: Regresión de la Heterocedasticidad-Robust Error Estándar (2015)............... 52
ANEXO 33: Regresión 2016............................................................................................... 53
ANEXO 34: Regresión de la Heterocedasticidad-Robust Error Estándar (2016)............... 53
ANEXO 35: Correlación de Variables.................................................................................53
ANEXO 36: Pruebas de Heterocedasticidad........................................................................54
ANEXO 37: Prueba Gráfica de Heterocedasticidad (Modelo de Solow)............................ 55
ANEXO 38: Prueba Gráfica de Heterocedasticidad (Modelo de Cobb-Douglas)............... 56
ANEXO 39: Resumen del Modelo de Solow...................................................................... 58
ANEXO 40: Resumen del Modelo de Cobb-Douglas......................................................... 59
ANEXO 41: Valor Agregado y Valor de la Producción del sector agropecuario de Perú
Valor......................................................................................................................61
ANEXO 42: Superficie Sembrada, Cosechada e Inversión Extranjero en el sector
agropecuario de Perú.............................................................................................62
ANEXO 43: Inversión Pública en Proyectos de Irrigación................................................. 62
ANEXO 44: Tasa de crecimiento promedio anual de la población..................................... 63
ANEXO 45: Índice de productividad de los factores agrícolas y áreas equipada para
irrigación............................................................................................................... 64
ANEXO 46: Población económicamente activa ocupada con principal ocupación
agricultores trabajadores calificados agropecuarios............................................. 64
ANEXO 47: Valor Bruto de Producción Agropecuaria.......................................................65
ANEXO 48: Gasto del Gobierno Agropecuario por regiones............................................. 66
ANEXO 49: Valor agregado del sector agropecuario - base 2007...................................... 67

5
ANEXO 50: Participación del valor agregado agropecuario en el PBI total - base 2007....67
ANEXO 51: Valor de la Producción Agrícola - base 2007................................................. 68
ANEXO 52: Inversión extranjera del sector agropecuario.................................................. 69
ANEXO 53: Superficie sembrada........................................................................................ 69
ANEXO 54: Superficie cosechada.......................................................................................70
ANEXO 55: Índice de precios PBI agropecuario - base 2007.............................................70
ANEXO56: Agricultural total factor productivity growth indices for individual
countries/territories, 1961-2016 (Data info)......................................................... 71

6
 RESUMEN

El objetivo de la investigación es determinar la incidencia de la productividad, la

innovación tecnológica, la asignación de capital físico del gobierno y la tasa crecimiento
poblacional en el crecimiento de la producción agropecuaria de la población
económicamente activa ocupada del sector en Perú. Se enmarca en la línea de
investigación de la maestría de Economía Agrícola: Política, economía y productividad, y
comprende el periodo 2008 - 2016 con información de las regiones del Perú, excepto el
Callao, valorada en soles del 2007. La metodología comprende la función de producción
del modelo de Solow y el modelo de Cobb-Douglas. Se encontró un decrecimiento en los
interceptos de productividad e innovación tecnológica 17.17 en 2008, 15.96 en 2016
(Modelo de Solow), 7.79 en 2008 y 5.61 en 2016 (Modelo de Cobb-Douglas). El gasto
público agropecuario per cápita presentó una sensibilidad creciente de 0.32 en 2008 a 0.36
en 2016 (Solow), 0.22 en 2008 a 0.33 en 2016 (Cobb-Douglas), posiblemente ante un
decrecimiento de la población rural ocupada y una tendencia negativa de la tasa de
crecimiento poblacional: 4.24 de 2008 a 4.12 en 2016 (Solow). En conclusión, el gasto
público per cápita agropecuario incremento el crecimiento agropecuario per cápita,
mientras tanto la productividad e innovación tecnológica y la tasa de crecimiento
poblacional decrecieron su contribución. La evidencia empírica indico una tendencia de
mayor importancia del gasto público per cápita sobre la productividad e innovación
tecnológica, característico de un país no desarrollado y que no tomó el camino al desarrollo.
Tal vez, la disminución de la productividad y la innovación tecnológica persistió debido a
la pobre gestión en la inversión pública agropecuaria en un modelo económico del sector
de escasa productividad e innovación tecnológica entre 2008 y 2016.

Palabras Clave: Productividad Agropecuaria; Solow; Cobb-Douglas; Gasto público;

Crecimiento poblacional; Agropecuario Perú.

7
 ABSTRACT

The goal of the research is to determine the impact of productivity, technological

innovation, allocation of physical capital of government, and population growth rate on the
growth of agricultural production of economically active population employed in Peru. It is
part of the research line of the Master's degree in Agricultural Economics: Politics,
Economics and Productivity, and covers the period 2008 - 2016 with information from the
regions of Peru, except Callao, valued in 2007 soles of Peru. The methodology comprises
the production function of the Solow model and the Cobb-Douglas model. We founded a
decrease in the intercepts of productivity and technological innovation of 17.17 in 2008,
15.96 in 2016 (Model of Solow), 7.79 in 2008 and 5.61 in 2016 (Model of Cobb-Douglas).
I founded a decrease in the coefficients of productivity and technological innovation of
17.17 in 2008, 15.96 in 2016 (Model of Solow), 7.79 in 2008 and 5.61 in 2016 (Model of
Cobb-Douglas). Agricultural public expenditure per capita showed an increased sensitivity
from 0.32 in 2008 to 0.36 in 2016 (Solow), 0.22 in 2008 to 0.33 in 2016 (Cobb-Douglas),
possibly in the face of a decrease in the employed rural population, and a negative trend in
the population growth rate: from 4.24 in 2008 to 4.12 in 2016 (Solow). To sum up, public
agricultural spending per capita increased agricultural growth per capita, meanwhile
productivity and technological innovation, and population growth rate decreased their
contribution. The empirical evidence indicates a tendency of the greater importance of
public expenditure over productivity and technological innovation, characteristic of an
undeveloped country that did not take the path to development. Perhaps, the decline in
productivity and technological innovation persisted due to poor management of public
agricultural spending in a sector economic model of low productivity and technological
innovation from 2008 to 2016.

Keywords: Agriculture Productivity; Solow, Cobb-Douglas, Public Expenditure;

Population growth; Agriculture Peru.

8
 I. INTRODUCCIÓN

Desde 1994 hasta 2016, la producción agropecuaria del Perú creció en promedio 3.9 por
ciento anualmente, 0.7 puntos por debajo de Producto Bruto Interno (PBI) promedio en el
mismo periodo, según información del Instituto Nacional de Estadística e Informática
(INEI 2018), crecimiento que ha sido acompañado por las exportaciones de alimentos
frescos. De acuerdo con International Trade Centre (ITC 2019) las exportaciones crecieron
un 14 por ciento en 2012, 15 por ciento en 2013 y un cero por ciento en 2015, y se
recuperaron, con el 6 por ciento en 2016. Las estadísticas del sector agropecuario indican
una tendencia positiva en el crecimiento de la producción, y las exportaciones de alimentos
frescos, beneficiando a la población peruana con mayor cantidad de divisas. A pesar de las
cifras alentadoras, hay una diferencia entre las exportaciones observadas y las
exportaciones potenciales (ITC 2019); por ejemplo, las exportaciones de frutas a Estados
Unidos tienen una brecha de 322 millones de dólares, a China la brecha es de 281 millones
de dólares. En las exportaciones de café a Estados Unidos la diferencia es de 253.4
millones de dólares, a Italia es de 105.6 millones de dólares. Este escenario podría
explicarse por falta de productividad, tamaño de parcelas, carencia de economías de escala
y reducida integración al sector agroexportador.

Según Morris (2018), existen dos millones de pequeñas unidades agropecuarias en Perú
que trabajan menos de diez hectáreas, muchas operadas por familias orientadas a la
subsistencia. El mismo autor, afirma que las pequeñas unidades agrícolas se caracterizan
por su baja productividad y escasa innovación tecnológica. En cambio, las veinticinco mil
unidades agropecuarias comerciales de producción a gran escala, con más de cien
hectáreas cada una, usan mano de obra contratada.

En Latinoamérica, a partir de 2007, debido al menor crecimiento de la economía mexicana,

en el caso del aporte del sector agropecuario al Producto Bruto Interno (PBI), ha
permanecido relativamente estable, cercano al 3.5 por ciento (Gómez 2016). El aporte
incompleto del sector agropecuario en México queda al descubierto al ver la diferencia

1
entre exportaciones potenciales1 y observadas a Estados Unidos del café que fue de 93
millones de dólares (ITC 2019). En el caso chileno, la diferencia entre exportaciones reales
y potenciales de frutas hacia China fue 807.9 millones de dólares (ITC 2019), lo que
muestra que México y Chile, miembros de la Alianza del Pacifico, no aprovechan las
demandas internacionales, acortando el crecimiento económico de los locales.

El empleo agropecuario es un factor importante en la productividad debido a que incide en

la obtención de mayor producción. Según Kerrigan (2016), respecto del empleo, se observa
dos tendencias generales para los países de América Latina y el Caribe (ALC):

- Primero, marcada reducción relativa del empleo agropecuario como proporción

del empleo total. En muchos años, se registraron caídas en términos absolutos.
- Segundo, incremento de la productividad laboral media del sector agropecuario,
que redujo las brechas respecto a otros sectores y al promedio de la región.

En el Perú, el INEI (2021) registró en 2016 un crecimiento poblacional hasta 31.4 millones
de peruanos, la población ocupada creció a 16.197 millones de trabajadores del 2008-2016,
sin embargo, la poblacional rural ocupada decreció de 4.155 (2016) a 3.807(2008) millones
de trabajadores rurales, y la tasa de población adecuadamente empleada en el área rural se
incrementó en 10 por ciento del 2008 al 2016.

En este contexto y como consecuencia de lo que sucede en el sector agropecuario del Perú
y de Latinoamérica, emergió la problemática de esta investigación:

- ¿La productividad agropecuaria, la poca innovación tecnológica, el crecimiento

poblacional y la escasa asignación del capital físico están limitando el crecimiento
agropecuario en el Perú? Es decir,
o ¿Afecta la menor tasa de crecimiento poblacional a la producción
agropecuaria en Perú?
o ¿De qué manera la escasa asignación de capital físico influye en el
crecimiento del sector Agropecuario en Perú?
En la revisión literaria se explica el modelo de Solow basado en la investigación empírica
de Mankiw et al. (1992), como el Modelo de Cobb-Douglas de Briones et al. (2018).

Es un modelo cross-country (base de datos de varios países) lineal fundado en el modelo

de Solow, bajo el supuesto que todos los países tienen una idéntica función de producción

1
Identifica productos en los que el país exportador ha demostrado ser competitivo a nivel internacional y con
buenas perspectivas de éxito en mercados objetivos -margen de productos intensivo- (Decreux y Spies
2016:2).

2
Cobb-Douglas (CD), explicando por qué algunos países se hacen ricos y otros pobres. En
este trabajo se presenta la Metodología del modelo de Solow, como el Modelo alternativo
de Cobb-Douglas en el contexto peruano. La base de datos para el caso peruano fue la
información de las regiones del país.

1.1 OBJETIVOS

El objetivo principal y los objetivos específicos, se describen seguidamente.

[Link] Principal

- Determinar la incidencia de la productividad y la innovación tecnológica, en

relación a la baja tasa de crecimiento poblacional y la escasa asignación del gasto
público en capital físico per cápita de la población económica activa ocupada en el
agropecuaria (PEAoap) en el crecimiento de la producción agropecuaria per cápita
(PEAoap) en Perú.

[Link] Específicos

- Determinar si el declive de la tasa de crecimiento poblacional incide en producción

agropecuaria per cápita (PEAoap) en Perú.

- Determinar la relación entre la escasa asignación de gasto público en capital físico

per cápita (PEAoap)y la producción agropecuaria per cápita (PEAoap) en Perú.

1.2 JUSTIFICACIÓN

Considerando que el incremento del bienestar ciudadano está relacionado con la

productividad según el modelo de Solow y modelos alternativos de Cobb-Douglas.

La contribución de este trabajo radica en determinar la incidencia de la productividad

agropecuaria en el bienestar de una población que constituye el 73 por ciento en promedio
del PEO (Población Económicamente Ocupada) rural del Perú, el 25 por ciento promedio
del PEO del Perú, 2008-2017 y el 6.13 por ciento del PBI en promedio, 1995 - 2013, INEI
(2019), con el fin de incrementar el bienestar de los peruanos.

3
 II. REVISIÓN DE LITERATURA

2.1 ANTECEDENTES

El sector agropecuario en las últimas décadas ha mostrado indicadores crecientes, así lo

demuestran el valor agregado (incremento de 105 por ciento), el valor de la producción
(incremento 134 por ciento) del sector (ver Figura 1).

Figura 1: Valor Agregado, Valor de la Producción (Millones de soles, base 2007) e

Índice de precios del sector agropecuario de Perú.
FUENTE: INEI (2019). Elaboración Propia

La superficie cosechada (incremento de 29 por ciento) y superficie sembrada (incremento

de70 por ciento) del sector (Figura 2) de acuerdo a la información histórica desde 1994 al
2013 del INEI (2019).

4
Figura 2: Superficie Sembrada, Superficie Cosechada (hectáreas) e Inversión
Extranjera (millones de dólares americanos) en el sector agropecuario de Perú.
FUENTE: INEI (2019). Elaboración Propia

El sector agropecuario no sólo ha tenido indicadores crecientes sino experiencia que se

podrían etiquetar de milagrosas y espectaculares: el caso de la Palta o Avocado (frescas o
secas) se exportó 3488 miles de dólares americanos (K USD) en el 2001 y 722,310 K USD
en el 2018; el caso de Uvas (frescas o secas) se exporto 11620 K USD en el 2001 a
763,718 K USD en el 2018 o la consolidación de las exportaciones de espárragos que
desde el 2001 hasta el 2018 el Perú sigue siendo el segundo exportador mundial después de
China, de acuerdo a información en miles de dólares americanos de International Trace
Centre (ITC 2019).

El sol no brilla siempre y en el sector agropecuario no todo resplandece, desde inicios del
milenio, el peso relativo de la producción agropecuaria en relación a la producción
nacional ha decaído desde 32 por ciento en 1942, Seminario (2016), a 5.15 por ciento en
2017, INEI (2018) (Figura 3).

5
Figura 3: PBI agropecuario sobre el PBI del Perú (porcentaje).
FUENTE: INEI (2018) /Seminario (2016). Elaboración Propia

Respecto a la productividad del sector, según Morris et al. (2017), el sector agropecuario
del Perú ha registrado un incremento relativamente sólido de la productividad; sin embargo,
entre regiones hay diferencias significativas. En gran parte de la Costa, y en pocas áreas
ventajosamente ubicadas y mejor dotadas de la Selva, se dan características dinámicas,
muy productivas comercialmente, sistemas agrícolas exitosos bien integrados en el hogar y
cadenas de valor internacionales, que brindan medios de vida aceptables para los
participantes. Pero, grandes áreas de la Sierra y Selva, cuentan con sistemas agrícolas
estáticos, improductivos, orientados a la subsistencia, mal integrados en el mercado y
proporcionan medios de vida inaceptables.

La problemática de la productividad según, Webb (2016), consiste en la incorporación de

mejores prácticas tecnológicas. Las variables con mayor efecto positivo son el capital
humano (años de educación, capacitación y la edad) y la distancia del predio a la capital
departamental en horas de viaje. Contribuyen el título de propiedad y el acceso al crédito.

Los resultados de Tonconi (2015) muestran que la temperatura máxima y mínima

promedio anual, la participación de la agricultura en el Producto Bruto Interno (PBI)
regional, el precio del cultivo, tasa de analfabetismo, población económicamente activa
(PEA) ocupada e índice de consumo alimenticio per cápita regional, influyen
significativamente en el rendimiento de la producción agrícola alimentaria más importante,

6
como papa, habas, quinua, cebada, trigo, maíz y cañihua en Puno, Perú. De lo anterior, se
puede decir que Webb y Tonconi coinciden en que la educación incide en la productividad
de la agricultura peruana. Webb destacó la importancia de la titulación de la tierra y la
disponibilidad al crédito. Tonconi, resaltó la disponibilidad de mano de obra y el precio del
cultivo.

Campos y Oviedo (2015) sustentaron para el caso mexicano, que la productividad del
sector agrario, específicamente en la caña de azúcar, es afectada negativamente por la alta
prevalencia de pequeñas unidades de producción agrícola, o minifundios en el campo
cañero, que impiden el desarrollo del sector, dado el impacto negativo de esta estructura
agraria sobre la productividad de los predios cañeros. El estudio ofrece sustento empírico a
la noción de que, a partir de una extensión aproximada de ocho hectáreas, los predios de
mayor superficie tienden a ser más productivos.

Trindade y Fulginiti (2015) dicen que el análisis de productividad de sur américa no

muestra una caída de la productividad en la región, pero, lo vemos con cautela. Durante
2000-2009 la producción agropecuaria incrementó 3.91 por ciento anualmente y la
productividad creció a 2.16 por ciento durante los noventa a 2.29 por ciento en los dos mil.
Este crecimiento limitado sorprende, porque la región se benefició de las innovaciones de
economías avanzadas y de sus propias inversiones en investigación y desarrollo.

Figura 4: PEA calificada agropecuaria (porcentaje).

PEA ocupada con principal ocupación agricultores trabajadores calificados
agropecuarios del Total PEA ocupada. FUENTE INEI (2018). Elaboración Propia

Respecto a la PEA ocupada calificada agropecuaria sobre el total de la PEA ocupada del
Perú, tiene una tendencia negativa tal como se aprecia en la Figura 4, a pesar que registra

7
un alza desde el 2015, lo que se puede agregar a lo de Tonconi (2015), no sólo es
importante la disponibilidad de la mano de obra sino la calidad de ésta.

2.2 MARCO TEÓRICO.

2.2.1. Modelo de Solow y Modelo Cobb-Douglas

El modelo de crecimiento de Robert Solow (1956), es conocido como el modelo exógeno

de crecimiento o modelo de crecimiento neoclásico. Solow analiza la relación entre la tasa
de ahorro de una economía y su nivel de ingreso a largo plazo. Es un modelo globalmente
estable es decir tiende en el largo plazo hacia un estado estacionario: dado cualquier nivel
inicial de capital(k) de trabajador (k0) la trayectoria convergerá a hacia capital de
equilibrio (k*). En el estado estacionario, en esta versión del modelo no hay opción de
crecimiento económico pues la producción por trabajador es constante en la situación de
estado estacionario (Linares 2012), donde la inversión es igual a depreciación, el
crecimiento se vuelve nulo llegado a un estado estacionario del capital e estado
estacionario de la producción (Figura 5). Así mismo, es importante comprender de la
experiencia de Mankiw et al. (1992) una característica del crecimiento económico de un
país desarrollado es el alto nivel tecnológico(A) sobre el capital físico(K) lo que se
denominó Índice de Desarrollo Físico(), en otros términos, conforme un país pasa de la
pobreza a riqueza la importancia del nivel tecnológico incrementara sobre el capital físico.

Inversión > depreciación

Crecimiento Economíco k*

Inversión < depreciación

Sin crecimiento Economíco

Figura 5: Modelo de Solow

Para todo i es la inversión, s es la tasa de ahorro, y es la producción, k es el capital y 
es la depreciación. Elaboración Propia.

8
Solow introduce dos variables al modelo Cobb - Douglas: El crecimiento de la Fuerza
Laboral o trabajo total usado (L) y el crecimiento de la Tecnología Asociada al Factor
Trabajo(A). La Producción (Y) es determinada por los inputs de capital y trabajo (ecuación
1). Se asume que A y L crecen constantemente (Zhao 2019). Fidrmuc y Tunali (2015)
indica: para examinar los efectos de la ayuda estatal en el crecimiento, se estimó que un
Solow estándar modelo de acumulación de capital físico y crecimiento demográfico y
añadir la ayuda estatal como una variable explicativa adicional, en el periodo 1992 a 2011.
La investigación de Fidrmuc y Tunali (2015), aplicando el modelo de Solow demostraron
que la libertad económica y estabilidad política tienen un positivo efecto y significativo
sobre la inversión, por consiguiente, en la producción. Referente a las ayudas totales del
gobierno, las ayudas del gobierno a la industria y las ayudas del gobierno a los servicios,
posiblemente pueden afectar positivamente a la inversión, si existe un ambiente
políticamente estable en los países de la Comunidad Europea. Nakamura (2018), señala
que el aumento de la renta incrementa la fertilidad, pero la fertilidad se reduce por la
sustitución de los niños en el incremento de los costos de criar a un niño; el incremento de
la renta es posible si la productividad y tasa de ahorro en modelo de Solow son altos.

En la obra de Mankiw et al. (1992) se demuestra por qué algunas economías son pobres y
otras son ricas, en base al modelo de Solow y Solow extendido, teniendo como variables
explicativas del bienestar de la población; el capital físico, el capital humano y el trabajo.
Mankiw et al. (1992), concluyeron: en ausencia de externalidades, la acumulación de
capital tiene un gran impacto en la renta per cápita. Una alta tasa de ahorro acompaña a una
alta renta en un estado estacionario donde la renta per cápita es determinada por la tasa de
ahorro y crecimiento poblacional, lo que produce una alta tasa de capital humano, como
también una alta tasa de ahorro incide también en un incremento de la productividad.

Supuestos del Modelo de Cobb-Douglas, a juicio de Briones et al. (2018):

- Las productividades marginales de cada factor productivo. Las derivadas

parciales del producto respecto a cada insumo conforman un vector de valores
positivos.
- El segundo axioma muestra que las segundas derivadas de la función o
derivadas parciales de segundo orden de la función son negativas, que se
conoce como la hipótesis de los retornos decrecientes: la agregación adicional

9
 de más y más de uno de los insumos, manteniendo fijos los restantes, genera
disminuciones de la producción total.
Ecuación 1:

- Y = Kα (AL)1−α Para todo 0 < α < 1

- Y = Producción.
- L = Fuerza de trabajo.
- A = Nivel tecnológico.
- K = Capital físico o inversión.
- α = Elasticidad del capital.
La ecuación anterior se divide entre L, se obtiene:
�/� = �� �� 1−�
/�
�
= �� / � �
� 1−�
� 1 /�
�
Para todo, y = Y/L, k=K/l donde: y es la Producción per cápita y k es el capital físico o
inversión per cápita, en su forma logarítmica y econométrica.
Supuestos del modelo de Solow, en base a Mankiw et al. (1992):

- Economía de Mercado donde se produce un bien y sólo se consume e invierte.

- La relación de Capital/Producto es endógena y flexible.
- La fuerza de trabajo crece a una tasa constante y exógena.
- Existe un mercado de competencia perfecta.
- La tasa de ahorro, la tasa de crecimiento de la población y progreso tecnológico
son exógenos.
De la ecuación 1 en logaritmos neperianos será:
- Ln Y = 1 −∝1 aA + ∝1 Ln(K) + 1 −∝1Ln(L) + ε

Para todo ℰ es el error (Ni y Kato.2020:5), L y A crecen exógenamente a tasas de n y g,

donde n es la tasa de crecimiento de la población y g es el avance del conocimiento que no
es especifico del país, (Mankiw et al.1992).

- L = L(0)en
- A = A(0)eg

Se asume que una fracción del Y, s es invertido, como k = K/AL, y = Y/AL, para todo k es
el stock de capital por unidad de trabajo, e es el nivel de producción por unidad de trabajo,

10
A refleja el avance tecnológico, (0) es el tiempo inicial. En el Estado de Estacionario,
resulta la siguiente ecuación.

Ecuación 2:

k(y). = sy(t) − n + g + δ k(t)

0 = sk(y)α − n + g + δ k(t)

Para todo, t es la unidad de tiempo.

Aquí está la tasa de ahorro(s), la fracción de la producción ahorrado para la inversión, δ es

la tasa de depreciación del capital, la fracción del stock de capital k (t) que se convierte en
obsoleto, n y g las tasas de crecimiento del trabajo L (t) y tecnología A (t),
respectivamente. Los cuatro parámetros �, n, g , δ y ∝ son exógenos, estos son
determinados por factores fuera del modelo de Solow (Zhao 2019).

Desarrollando el estado estacionario de Mankiw et al (1992:411), donde �∗ = 0.

Ecuación 3:

�∗ = [s/ n + g + δ ]1/(1−�)

Se asume que g y δ (tasa de depreciación) son constante en los países. Remplazando en la

ecuación 1 en 2 obtenemos lo siguiente ecuación para una primera regresión.

Ecuación 4:

Y(t) α α
ln = lnA 0 + gt − ln n + g + δ + ln s
L(t) 1−α 1−α

Entonces, se asume que:

LnA 0 = a + ϵ

A es constante y � son los impactos de cada país. Para objeto de esta tesis se asume que n
y g no son afectados por � , ahorro y el crecimiento poblacional son independientes los
factores de cada país, siendo el tiempo cero.

La regresión de la ecuación 4 será:

Y α α
ln =a+ ϵ− ln n + g + δ + ln s
L 1−α 1−α

Bajo los supuestos:

- Economía de Mercado, se produce sólo un bien y sólo se consume e invierte.

- La relación de Capital/Producto es endógena y flexible.

11
 - La fuerza de trabajo crece a una tasa constante y exógena.
- Existe un mercado de competencia perfecta.

Para todo se asume que si:

- α <1: Implica que hay decreciente retorno de capital.

- α =1: Existe constantes retorno de capital.
- α >1: Hay crecientes retornos de capital.

El modelo de Solow trata como variables exógenas al crecimiento de la población, la

ahorro(inversión) y el cambio tecnológico (Mankiw et al.1992).

De la experiencia empírica del modelo de Mankiw et al (1992) se denominó: Índice de

Desarrollo con capital Físico a la relación entre el avance tecnológico (intercepto de la
ecuación) y capital físico (coeficiente) tendrá a crecer conforme un país se desarrolla.
Además, se nombró Índice de Desarrollo con capital Humano es la relación entre el
avance tecnológico (intercepto de la ecuación) y capital Humano (coeficiente) tendrá a
acercarse a 1 conforme se desarrolle el país, para esta investigación.

2.2.2. Heterocedasticidad

Ante la posible presencia de Heterocedasticidad en modelos de Solow y modelo de Cobb-

Douglas se optó por el método de Errores estándar robusto. Este método de arreglo
consiste del problema de Heterocedasticidad está basado en el hecho de la presencia de
este fenómeno indeseable no perjudica las características de insesgamiento de los
estimadores puntuales obtenidos mediante el método de Mínimos Cuadros Ordinario
(Alarcón y Nolazco 2014). Considerando, las pruebas también sugieren que puede ser
prudente utilizar un estimador de la matriz de covarianza consistente en
heteroscedasticidad, incluso en ausencia de un estimador detecte heteroscedasticidad
(MacKinnon y White 1985). Referente a los estimadores robustos de heteroscedasticidad
(HR2, HC1, y HC3) estudiados en MacKinnon y White (1985) son sencillas. Los otros
estimadores son todos asintóticamente equivalentes a HC2 y, por lo tanto, los intervalos de
confianza de las muestras grandes basados en cualquiera de los estimadores de
heteroscedasticidad-robusto tienen una cobertura aproximadamente correcta o
conservadora (Samii y Aronow 2012).

2
HR, HC1, HC2 y HC3 considerados estimadores de White.

12
 III. MATERIALES Y MÉTODOS

3.1 METODOLOGÍA

3.1.1. Tipo y diseño de estudio

Es un estudio explicativo, no experimental, de corte longitudinal, que emplea modelos de

regresión lineal.

3.1.2. Universo y muestra, ámbito, espacio temporal

Considera las regiones del Perú, excepto la provincia constitucional del Callao. El periodo
de estudio comprende los años de 2008 a 2016. La información estadística a trabajar está
en valores constantes, cuyo año base en soles 2007.

3.2. MODELOS EMPLEADOS EN LA INVESTIGACIÓN

3.2.1. Modelo de Solow

El modelo de Solow tiene como objetivo demostrar la razón de que por que los países se
hacen rico y otros pobres tal como se menciona en la investigación empírica Mankiw et al.
(1992), donde la constante refleja la importancia de la innovación tecnológica y
productividad. La tasa de crecimiento poblacional disminuye la renta y por el contrario el
ahorro incrementa la renta de los trabajadores y la productividad. El modelo de Solow se
aplicó en la investigación de Mankiw et al. (1992).

Fidrmuc y Tunali (2015), recurren al modelo de Solow con el objetivo demostrar la

relevancia de las ayudas de Gobierno en el Crecimiento Económico e Inversión, dentro de
los países de la comunidad europea, durante el periodo del 1992-2011.

Nakamura (2018), analiza la interrelación entre el crecimiento poblacional y el desarrollo

económico. Señala que el incremento de la renta incrementa la fertilidad por el efecto de la
renta, pero se reduce por la sustitución de los niños por el incremento de los costos de criar
a un niño. Aplicando el modelo de Solow.

En el caso del Perú: Productividad e Innovación en el Crecimiento del Sector

Agropecuario Peruano, el modelo de Solow determino la productividad e innovación

13
tecnológica agropecuaria, la incidencia de la tasa de crecimiento poblacional y el gasto
público (capital físico) invertido en la producción agropecuaria.

El modelo de Solow se basó en la siguiente regresión:

Ecuación 5:

Y α α
ln = lnA 0 − ln n + g + δ + ln s + �
L 1−α 1−α

- Y = Producción Agropecuaria.
- L = Fuerza Laboral en el sector agropecuario.
- A = Productividad e Innovación tecnológica del sector agropecuario.
- n = Tasas de crecimiento poblacional.
- α = Elasticidad del Capital.
- s = Ahorro=gasto público agropecuario en capital físico.
- n = Crecimiento de la población.
- g = Refleja primeramente el avancé del conocimiento.
- � = Tasa de depreciación.
Para todo se asume que (g + δ) es igual a 0.05 por su poca influencia (Mankiw et al.1992),
u es el error.

3.2.2. Modelo Alternativo de Cobb-Douglas

Ampliamente usado en el mundo, Di Ubaldo y Siedschlag (2020) mencionan: el punto de

partida inicial de nuestro análisis empírico es un marco teórico basado en una función de
producción de Cobb-Douglas. El uso de la función de producción tecnológica de Cobb-
Douglas queda manifiesta en el trabajo de Anderson (2019) dice: Cabe señalar que el
presente estudio se centra en el estudio econométrico estimación de las funciones de
productividad de los conocimientos y el rendimiento financiero de Innovación y Desarrollo
(I+D) agrícola. Asimismo, en la función de producción tipo Cobb-Douglas han sido una
opción común para describir la producción agregada de la economía de los Estados Unidos
(Knoblach, et al.2020).

Modelo de Cobb-Douglas se basó en el siguiente modelo:

Ecuación 6:

De la ecuación se define las siguientes variables.

14
 � = �� (��)1−� Para todo 0 < � < 1

- Y = Producción Agropecuaria
- K = Capital Físico del sector agropecuario
- A = Productividad e Innovación tecnológica del sector agropecuario.
- L = Fuerza laboral en el sector agropecuario.
- α = Elasticidad del Capital.
La ecuación anterior se divide entre L, se obtiene:
�/� = �� �� 1−�
/�
�
= �� / � �
� 1−� � 1 /�
�
Para todo, y = Y/L, k=K/L donde: y es la Producción Agropecuaria per cápita y k es el
Gasto Publico Agropecuario per cápita, en su forma logarítmica y econométrica.
Ecuación 7:

ln � = � ln � + (1 − � )ln (�) + �
Para todo e es el error. R Studio sirvió para el proceso de la información obtenida de las
fuentes estadísticas, permitió contrastar las hipótesis y validar los objetivos.
3.2.3. Método de Errores estándar robusto

Ante la posible presencia de Heterocedasticidad en el modelo de Solow y modelo de Cobb-

Douglas se optó por el método de Errores estándar robusto. Este método de arreglo
consiste del problema de Heterocedasticidad está basado en el hecho de la presencia de
este fenómeno indeseable no perjudica las características de insesgamiento de los
estimadores puntuales obtenidos mediante el método de Mínimos Cuadros Ordinario
(Alarcón y Nolazco 2014). Considerando, las pruebas también sugieren que puede ser
prudente utilizar un estimador de la matriz de covarianza consistente en
heteroscedasticidad, incluso en ausencia de un estimador detecte heteroscedasticidad
(MacKinnon y White 1985). Referente a los estimadores robustos de heteroscedasticidad
(HR, HC1, y HC3) estudiados en MacKinnon y White (1985) son sencillas. Los otros
estimadores son todos asintóticamente equivalentes a HC2 y, por lo tanto, los intervalos de
confianza de las muestras grandes basados en cualquiera de los estimadores de
heteroscedasticidad-robusto tienen una cobertura aproximadamente correcta o
conservadora (Samii y Aronow 2012).

15
3.3. VARIABLES

La investigación requirió de las variables endógenas y variables exógenas.

3.3.1. Variable Endógena

- La Producción Agropecuaria es el Valor Bruto Agropecuario sobre la Fuerza

Laboral (soles del Perú, año base 2007).
3.3.2. Variables Exógenas

- Capital Físico referido al Gasto Público agropecuario es la suma del devengado del
Gasto Público del Gobierno Nacional del Perú, Gobiernos Regionales y Gobiernos
Locales en el sector agropecuario (soles del Perú, año base 2007).

- Fuerza Laboral es la Población Económicamente Activa ocupada calificada en el

sector agropecuario en el Perú (PEAoap).

- Crecimiento de Población es la Tasa de crecimiento de la población en el Perú(n).

- Ahorro(s) es el promedio del gasto publico agropecuario en Capital físico per cápita
de la PEAoap (soles del Perú, año base 2007).

- El avance del conocimiento (g) y depreciación del Perú (δ) se considera 0.05 por
ser variables de poca incidencia y según estimo la investigación empírica de
Mankiw et al. (1992).

Se evaluó:

- La productividad y la poca innovación tecnológica del 2008 y 2016 del sector

agropecuario.

- La disminución de la tasa de crecimiento poblacional

- La escasa asignación de capital físico del Gobierno del Perú per cápita (PEAoap)
al sector agropecuario.

16
Considérese:

- La Producción Agropecuaria per cápita es el Valor Bruto Agropecuario entre la

PEA ocupada agropecuaria.
- El Gasto Publico Agropecuario per cápita es el Gasto Publico Devengado en el
sector agropecuario entre la PEA ocupada agropecuaria.

Tabla 1: Definición de Variables de los Modelos.

Variables Dependientes
Solow Modelo
Logaritmo Natural del Valor Bruto
Agropecuario (VBP) per cápita de la
PEA ocupada agropecuario en Ln_vbpapercapitapromedio2008(ln (����2008 ))
2008(Ln (����2008 )).
Logaritmo Natural del VBP per cápita
de la PEA ocupada agropecuario en Ln_vbpapercapitapromedio2016(ln (�oap2016 ))
2016(Ln (����2016 )).
Cobb-Douglas Model
Logaritmo Natural del VBP per cápita
de la PEA ocupada agropecuario
desde 2008 al 2016 log(VBPA_pc$`2009`)…log(VBPA_pc$`2016`)
L n ������ 2008−2016 .
Variables Independientes
Modelo de Solow
Logaritmo Natural del Tasa de
Crecimiento Poblacional del Perú (Ln Ln_tasacrecimientopoblacional (ln(n+ g+ δ))
(n + g+ δ)).
Logaritmo Natural del Gasto Publico
per cápita por PEA Ocupada Ln_gastogobagropecuariopercapita (ln(k))
Agropecuaria (Ln (k)).
Logaritmo Natural de la
Productividad e Innovación Intercept (A)
tecnológica (A).
Modelo de Cobb-Douglas
Logaritmo Natural del Gasto Público
Agropecuario per cápita por PEA
Ocupada Agropecuaria desde 2008 al log(GPA_pc$`2008`)… log(GPA_pc$`2016`)
2016 ln k���−� 2008−2016
Logaritmo Natural de la Intercept(A)
Productividad e Innovación
tecnológica (A).
g+δ = 0.05, para objeto de esta investigación. FUENTE: INEI (2019) y MEF (2019).
Elaboración propia con R Studio.

17
3.4. HIPÓTESIS

3.4.1. Hipótesis Principal

- La productividad y la baja innovación tecnológica, la disminución de la tasa de

crecimiento poblacional y la escasa asignación del gasto fiscal en capital físico per
cápita (PEAoap) limitan el crecimiento de la producción agropecuaria per cápita
(PEAoap) en Perú.

3.4.2. Hipótesis Específicas

- La menor tasa de crecimiento poblacional afectará la producción agropecuaria per

cápita (PEAoap) en Perú.

- Existe una relación directa y significativa entre los bajos niveles de inversión del
gasto fiscal en capital físico per cápita (PEAoap) con la producción agropecuaria
per cápita (PEAoap) en Perú.

3.5. FUENTES DE INFORMACIÓN

Principales fuentes de información:

- Instituto Nacional de Estadística e Informática (INEI).

- Ministerio de Economía y Finanzas (MEF).
- Ministerio de Agricultura y Riego (MINAGRI).

3.6. METODOLOGÍA PARA LA PRUEBA DE LAS HIPÓTESIS

En el Modelo de Solow, evaluó para cada hipótesis por todo el periodo de estudio (2008-
2016) entre la regresión inicial del periodo (2008) y la regresión final del periodo (2016)
para todo, las variables exógenas son el promedio de sus valores desde 2008 a 2016 y las
variables endógenas represento, el valor de año inicial (2008) y el fin del periodo (2016).

- La hipótesis principal se analizó con los resultados entre la primera regresión y

segunda regresión.
- La primera hipótesis específica del crecimiento poblacional fue examinada con los
resultados de la tercera regresión y cuarta regresión.
- La quinta regresión y sexta regresión desarrollo la hipótesis específica de la poca
inversión de capital físico en el sector agropecuario.

En el modelo de Cobb-Douglas evaluó con data transversal por años, desde el 2008 al 2016,
sirvió para evaluación de la hipótesis principal y la hipótesis especifica de la poca

18
inversión de capital físico en el sector agropecuario. No obstante, las regresiones de los dos
modelos explicaron la productividad y la poca innovación tecnológica.

Tabla 2: Metodología para las Hipótesis base Teórica.

HIPOTESIS METODOLOGÍA
Principal Modelo de Solow
- La productividad y la baja Regresión del modelo de Solow
innovación tecnológica, la Y
ln = lnA 0
disminución de la tasa de L
α
crecimiento poblacional y la − ln n + g + δ
escasa asignación del gasto fiscal 1−α
α
en capital físico per cápita + ln s + �
1−α
(PEAoap) limitan el crecimiento Y = Producción Agropecuaria.
de la producción agropecuaria per L = Fuerza Laboral del sector
cápita (PEAoap) en Perú. agropecuario.
Especificas A = Productividad e Innovación
tecnológica del sector agropecuario.
- La menor tasa de crecimiento n = Tasas de crecimiento poblacional.
poblacional afectara la producción α = Elasticidad del Capital.
agropecuaria per cápita (PEAoap) s = Ahorro=k= gasto público
en Perú. agropecuario/L.
n = Crecimiento de la población.
- Existe una relación directa y g = Refleja primeramente el avancé del
significativa entre los bajos conocimiento.
niveles de inversión del gasto � = Tasa de depreciación.
fiscal en capital físico per cápita u = error
(PEAoa) con la producción Modelo de Cobb-Douglas
agropecuaria per cápita (PEAoa) Regresión del modelo de Cobb-Douglas
en Perú. ��
�
= (1 −∝ ) ln � + ∝ ln
�
+�
� �
Para todo 0 < � < 1
Y = Producción Agropecuaria
K = Capital Físico (gasto publico) del
sector agropecuario.
A = Productividad e Innovación
tecnológica del sector agropecuario.
L = Fuerza laboral en el sector
agropecuario.
α = Elasticidad del Capital.
e = error.
FUENTE: Mankiw et al. (1992) y Briones et al. (2018). Elaboración Propia.

19
Se realizó mínimos cuadrados ordinarios donde se evaluó:

- La significancia de la(s) variable(s) exógena(s) e interceptó al 1 por ciento, 5 por

ciento y 10 por ciento.
- La capacidad explicativa de la(s) variables(s) sobre la variable endógena.
- La efectividad de la(s) variable(s) exógenas sobre la variable endógena.
- La existencia de correlación entre las variables.
- La heterocedasticidad del modelo se detectó con inspección gráfica y prueba White.
- Ante la posible presencia de errores de los estimadores de las regresiones MCO se
corrigió con el método de errores estándar robusto.

Se considero, de la segunda condición de Gauss-Markov, la homocedasticidad implica que

la varianza de los errores es constante para cada observación en el tiempo (Alarcón y
Nolazco 2014) en un modelo de regresión lineal, la homocedasticidad es una condición
deseable que permitió realizar modelos más fiables.

20
 IV. RESULTADOS Y DISCUSIÓN

4.1 RESULTADOS

4.1.0. Resultados de los Modelos

a. Modelo de Solow

Modelo que evaluó todo el periodo de estudio e hipótesis en seis regresiones.

Primera Aproximación Regresión

Ecuación de la regresión 1:

�� (�������� ) = ��. �� ��� + �. � �� � + � + � + �. �� �� �

Interpretación de los coeficientes estimados:

- Tasa Crecimiento Poblacional: A un incremento de 1 por ciento en promedio de la

Tasa de Crecimiento Poblacional, la producción agropecuaria per cápita de la PEA
ocupada agropecuaria se incrementa en 3.4 por ciento (probabilidad (p) = 0.082).
- Gasto del Gobierno Agropecuario per cápita PEAoap: A un incremento de 1 por
ciento en promedio del gasto agropecuario per cápita PEAoap, la producción
agropecuaria per cápita de la PEA ocupada agropecuaria se incrementa en 0.24 por
ciento.
- Productividad e Innovación Tecnológica: Si la Tasa Crecimiento Poblacional y el
gasto agropecuario per cápita fueran nulos, la productividad e innovación
tecnológica seria 17.1659.

Resultados de las probabilidades (p) de niveles de significancia:

- Variables significas al 5 por ciento solo se observa el coeficiente de Productividad

e Innovación tecnológica del sector agropecuario (intercepto) y al 10 por ciento la
tasa de crecimiento poblacional.

21
 - El modelo presenta una probabilidad de 0.03255 (F – estadístico), lo denota que las
variables explicativas en conjunto explican el modelo con una significancia de 5
por ciento.
- Con �2 �������� de 0.21, las variables solo explican el 21 por ciento del logaritmo
natural del PBI per cápita de la PEA ocupada agropecuario en 2008.

Ecuación de la regresión 1 Heterocedasticidad-Robust Error Standard:

�� (�������� ) = ��. �� ���(� = �) + �. �� �� � + � + � (� = �. ��) + �. �� �� � (� = �. ��)

Siendo p la probabilidad de significancia de la variable.

Con coeficientes similares a la primera regresión demostró lo robusto del modelo.

Segunda Aproximación Regresión

Ecuación de la regresión 2:

�� (�������� ) = ��. �� ��� + �. �� �� � + � + � + �. �� �� �

Interpretación de los coeficientes estimados:

- Tasa Crecimiento Poblacional: A un incremento de 1 por ciento en promedio, de la

Tasa de Crecimiento Poblacional, la producción agropecuaria per cápita de la PEA
agropecuaria se incrementa en 3.11 por ciento.
- Gasto del Gobierno Agropecuario per cápita PEAoap: A un incremento de 1 por
ciento en promedio, del gasto agropecuario per cápita PEAoap, la producción
agropecuaria per cápita de la PEA ocupada agropecuaria se incrementa en 0.29 por
ciento.
- Productividad e Innovación Tecnológica: Si la Tasa Crecimiento Poblacional y el
gasto del gobierno agropecuario per cápita fueran nulos, el coeficiente de
productividad e innovación tecnológica seria de 15.9606.

Resultados de las probabilidades (p) de niveles de significancia:

- El coeficiente de productividad e innovación agropecuaria muestra una

significancia al 5 por ciento.
- El modelo presenta una probabilidad de 0.088 (F – estadístico), lo denota que las
variables explicativas en conjunto explican el modelo con una significancia de 10
por ciento.

22
 - Con �2 �������� de 0.13, mostro que las variables solo revelan el 13 por ciento del
logaritmo natural del PBI per cápita de la PEA ocupada agropecuario en 2016.

Ecuación de la regresión 2 Heterocedasticidad-Robust Error Standard:

� � �������� = ��. �� ��� � = �. �� + �. �� �� � + � + � (� = �. ��) + �. �� �� � (� =

�. ��)

A coeficientes iguales a la segunda regresión lo que denota lo robusto del modelo.

Tercera Aproximación Regresión

Ecuación de la regresión 3:

�� (�������� ) = ��. �� ��� + �. �� �� � + � + �

Interpretación de los coeficientes estimados:

- Tasa Crecimiento Poblacional: A un incremento de 1 por ciento en promedio, de la

Tasa de Crecimiento Poblacional, la producción agropecuaria per cápita de la PEA
ocupada agropecuaria se incrementa en 4.42 por ciento.
- Productividad e Innovación Tecnológica: Si la Tasa Crecimiento Poblacional es
nulo, la productividad e innovación tecnológica seria 21.1507.

Resultados de las probabilidades (p) de niveles de significancia:

- Las variables son significas al 5 por ciento.

- El modelo presenta una probabilidad de 0.03 (F – estadístico), lo denota que las
variables en conjunto son significativas al 5 por ciento.
- Con �2 �������� de 0.16, mostro que las variables solo explican el 16 por ciento
del logaritmo natural del PBI per cápita de la PEA ocupada agropecuario en 2016.

Ecuación de la regresión 3 Heterocedasticidad-Robust Error Standard:

� � �������� = ��. �� ��� � = �. � + �. �� �� � + � + � (� = �. ��)

A coeficientes son similares a la tercera regresión demostró lo robusto del modelo.

Cuarta Aproximación Regresión

Ecuación de la regresión 4:

23
 �� (�������� ) = ��. �� ��� + �. �� �� � + � + �

Interpretación de los coeficientes estimados:

- Tasa Crecimiento Poblacional: A un incremento de 1 por ciento en promedio, de la

Tasa de Crecimiento Poblacional, la producción agropecuaria per cápita de la PEA
ocupada agropecuaria se incrementa en 4.12 por ciento.
- Productividad e Innovación Tecnológica: Si la Tasa Crecimiento Poblacional es
nulo, la productividad e innovación tecnológica seria 20.7616.

Resultados de las probabilidades (p) de niveles de significancia:

- Las Variables son significas al 5 por ciento y 10 por ciento respectivamente.

- El modelo presenta una probabilidad de 0.09104 (F – estadístico), lo denota que las
variables en conjunto son significativas al 10 por ciento.
- Con �2 �������� de 0.08, mostro que las variables solo explican el 8 por ciento del
logaritmo natural del PBI per cápita de la PEA ocupada agropecuario en 2016.

Ecuación de la regresión 4 Heterocedasticidad-Robust Error Standard:

� � �������� = ��. �� ��� � = �. �� + �. �� �� � + � + � (� = �. ��)

Los coeficientes iguales a la cuarta regresión, lo que denota lo robusto del modelo.

Quinta Aproximación Regresión

Ecuación de la regresión 5:

�� (��������) = �. �� ��� + �. �� �� �

Interpretación de los coeficientes estimados:

- Gasto Agropecuario per cápita PEAoap: A un incremento de 1 por ciento en

promedio, del gasto agropecuario per cápita PEAoap, la producción agropecuaria
per cápita de la PEA ocupada agropecuaria se incrementa en 0.32 por ciento.
- Productividad e Innovación Agropecuaria: Si la Tasa Crecimiento Poblacional es
nulo, la productividad e innovación tecnológica seria 7.0618.

Resultados de las probabilidades (p) de niveles de significancia:

- Las Variables son significas al 5 por ciento.

24
 - El modelo presenta una probabilidad de 0.05 (F – estadístico), lo denota que las
variables en conjunto son significativas al 5 por ciento.
- Con �2 �������� de 0.13, muestra que las variables solo explican el 13 por ciento
del logaritmo natural del PBI per cápita de la PEA ocupada agropecuario en 2016.

Ecuación de la regresión 5 Heterocedasticidad-Robust Error Standard:

�� (�������� ) = �. �� ��� � = �. �� + �. ���� � (� = �. ��)

Con coeficientes idénticos a la quinta regresión, evidencia de lo robusto del modelo.

Sexta Aproximación Regresión

Ecuación de la regresión 6:

�� (��������) = �. �� ��� + �. �� �� �

Interpretación de los coeficientes estimados:

- Gasto del Gobierno Agropecuario per cápita PEAaop: A un incremento de 1 por

ciento en promedio, el gasto del gobierno agropecuario per cápita PEAaop, la
producción agropecuaria per cápita de la PEA ocupada agropecuaria se incrementa
en 0.36 por ciento.
- Productividad e Innovación Tecnológica: Si el gasto del gobierno agropecuario per
cápita es nula, la productividad e innovación tecnológica seria 6.7168.

Resultados de las probabilidades (p) de niveles de significancia:

- Las variables son significativas al 5 por ciento.

- El modelo presenta una probabilidad de 0.07 (F – estadístico), lo denota que las
variables en conjunto son significativas al 10 por ciento.
- Con �2 �������� de 0.10, nos muestra que las variables solo explican el 10 por
ciento del logaritmo natural del PBI per cápita de la PEA ocupada agropecuario en
2016.

Ecuación de la regresión 6 Heterocedasticidad-Robust Error Standard:

� � �������� = �. �� ��� � = �. �� + �. �� �� � (� = �. ��)

Los coeficientes son similares a la sexta regresión demostrando lo robusto del modelo.

25
La inspección gráfica de la primera a sexta regresión (Anexo 37) no detectó presencia de
Heteroscedasticidad, asimismo la prueba White (Anexo 36) no obtuvo alguna evidencia de
Heterocedasticidad.

Figura 6: Productividad e Innovación Tecnológica, Tasa de Crecimiento Poblacional

y Gasto Publico Agropecuario (Modelo de Solow).
FUENTE: INEI (2019) y MEF (2019). Elaboración Propia.

El modelo Solow (Figura 6) reveló:

26
 - Disminución de la productividad se manisfecto en las regresiones en general.
- Referente a la elasticidad de la tasa de crecimiento poblacional mostro una ligera
baja desde el 2008 al 2016.
- La elasticidad del gasto publico agropecuario per capita presenta una pequeño
aumento desde el 2008 al 2016.

b. Modelo de Cobb-Douglas

El Modelo alternativo de Cobb-Douglas calculo los estimadores anuales desde el 2008 al

2016. Las regresiones transversales del 2008 al 2016 mostraron interceptores significativos
al 1 por ciento, el Gasto Publico Agropecuario per cápita significativos al 10 por ciento
desde el 2011 al 2014 y 5 por ciento de significancia desde el 2015-2016.

El modelo Cobb-Douglas de las regresiones presento significancia desde el 2011-2016,

como también la explico la producción agropecuaria per cápita desde un 11 por ciento en
2011 hasta un 25.1 por ciento en 2016.

El método de Errores estándar robusto, aplicado a las regresiones transversales del modelo
de Cobb-Douglas corroboro los resultados de las MCO de cada regresión.

El reconocimiento visual de los gráficos (Anexo 38), como la evidencia empírica de prueba
White (Anexo 36), no mostro rastros de heterocedasticidad en ninguna de las regresiones
transversales desde el 2008 al 2016.

27
Figura 7: Productividad e Elasticidad de Gasto Publico Agropecuario PEA
agropecuaria per cápita (Modelo de Cobb-Douglas).
FUENTE: INEI (2019) y MEF (2019). Elaboración Propia.

La Figura 7, sobre el modelo de Cobb-Douglas:

- La curva de la productividad mostró una tendencia negativa con picos altos y bajos.
- La elasticidad del gasto publico agropecuario per capita reflejo una tendencia
positiva.

4.1.1 Crecimiento poblacional y producción agropecuaria per cápita del Perú.

En virtud de los resultados (Tercera y Cuarta regresión del modelo de Solow), la incidencia
de la tasa de crecimiento poblacional fue positiva y decreciente sobre la producción
agropecuaria per cápita en el Perú, con una sensibilidad decreciente desde 4.24 en el 2008
a 4.12 en el 2016, por consiguiente, se acepta la hipótesis referente a la menor tasa de
crecimiento poblacional afectará la producción agropecuaria Perú.

4.1.2 Relación directa y significativa entre la poca inversión en capital físico con la
producción agropecuaria per cápita en Perú.

El modelo de Solow, mostro un creciente impacto porcentual del gasto público en capital
físico per cápita PEAoap en el sector agropecuario, desde 0.32 con �2 ajustado de 13 por
ciento en el 2008 a 0.36 con �2 ajustado al 10 por ciento en el 2016(regresión Quinta y

28
regresión Sexta). Al mismo tiempo, la evidencia significativa en el modelo de Cobb-
Douglas también demostró una creciente sensibilidad desde 2011 (0.33) al 2016 (0.56), por
consiguiente, se rechaza la hipótesis en mención.

4.1.3 Impacto de la productividad, innovación tecnológica, el bajo crecimiento

poblacional y la escasa asignación de capital físico sobre el crecimiento de la
producción agropecuaria per cápita en Perú.

La evidencia significativa mostro, un decrecimiento de la productividad e innovación

tecnológica del sector agropecuario (Primera regresión, Segunda regresión del modelo de
Solow y regresiones del 2008 al 2016 del modelo de Cobb-Douglas). El creciente capital
físico (gasto público agropecuario) per cápita PEAoap y la decreciente tasa de crecimiento
poblacional en el mejor año (2008) por sí solos explicaron el 21 por ciento de la
producción agropecuario per cápita y 13 por ciento en el 2016. Se acepta la hipótesis
excepto la escasa asignación de capital físico agropecuario del gobierno.

4.2 DISCUSIÓN DE RESULTADOS.

Un país desarrollado se caracteriza por una creciente innovación tecnológica (A), una
descendiente elasticidad de la inversión y decreciente de la participación del capital en los
ingresos (). Los resultados del modelo del Solow basado en Mankiw et al. (1992)
demostraron en el 2008 mayor innovación tecnológica, menor elasticidad de la inversión
pública agropecuario y menor respecto al 2016. Además, el modelo de Cobb-Douglas, la
innovación tecnológica y productividad entre los años 2008 y 2016 decrece de 2.18 puntos,
confirmando la tendencia decreciente de la innovación tecnológica de los resultados del
modelo de Solow, entonces el crecimiento económico agropecuario per cápita se benefició
por la creciente sensibilidad del gasto público agropecuario, posiblemente por la reducción
de la población ocupada rural. Por consiguiente, se podría pensar en una política expansiva
del gasto público agropecuario, sin embargo, la decreciente innovación tecnológica y
declive de la tasa crecimiento poblacional, un gasto público agropecuario sujeta a
depreciación, seria difícilmente sostenible por un efecto de crawding-out3.

Tal como expresan Galarza y Díaz (2015): la razón de índices de productividad entre los
departamentos más y menos productivos es 5.2 para el año 2012, y 6.9 para 2011. De
acuerdo con el Departamento de Agricultura de los Estados Unidos (USDA) reportó en el
3
Generalmente se refiere al efecto expansivo de la política fiscal. Si un incremento de la demanda del
gobierno, financiado por impuestos o deuda al público falla en estimular el total de la actividad económica
entonces el sector privado se dice que ha estado crowded out por acción del gobierno (Carlson y
Spender.1975).

29
2021 el índice de productividad total de los factores agrícolas desde el 2008 al 2012 la
tendencia fue positiva llegando a su máximo el 2013, posterior la tendencia fue negativa
con una ligera recuperación el año 2016 (Anexo 45). Coincidentemente con Galarza y Diaz
(2015), USDA (2021) y el modelo de Cobb-Douglas registro decrecimiento de la
productividad agropecuaria desde el 2011 continuando con altibajos hasta el 2016(Figura 7)
como también se aprecia el decrecimiento de la productividad agropecuaria en modelo de
Solow durante el periodo del 2008-2016 (Figura 6). Galarza y Díaz (2015:90),
contemplaron como variables exógenas el trabajo contratado, el trabajo familiar no
remunerado, materiales y tierra, donde el trabajo familiar no remunerado resultada ser un
insumo no productivo; el modelo de Cobb-Douglas considero el gasto público
agropecuario per cápita PEAoap y el modelo de Solow incluyo el gasto público
agropecuario per cápita PEAoap y la tasa de crecimiento poblacional.

El gasto público en el sector agrícola por habitante rural del 2006-2015 fue de 548.8 en
Uruguay, 208.5 en Chile, Jamaica 59.1 valuado en dólares americanos del 2005
(Penagos.2018). La evidencia empírica de esta investigación sobre el gasto público
agropecuario per cápita, revelo: crecientes elasticidades en el modelo de Solow del 2008 al
2016 (Figura 6) y el modelo de Cobb-Douglas (Figura 7). En el modelo de Cobb-Douglas
se observó los altibajos de la elasticidad del gasto público agropecuario per cápita durante
el periodo de estudio. En el mismo tiempo, la inversión pública en proyectos de irrigación
disminuyo del 2015 al 2016 (Anexo 37), coincidiendo con el informe de USDA (2021) de
no incremento del área equipada para irrigación desde 2013 al 2016 (Anexo 45). Los años
desde el 2013 al 2016 fueron de mayor incidencia positiva del gasto público agropecuario
y menor productividad e innovación tecnológica (Figura 7). Los resultados del 2008 al
2016 sugirió, a una mayor participación del gasto público per cápita, con una tendencia
negativa de la productividad e innovación tecnológica sobre la producción per cápita en el
sector agropecuario. Citando a Minaya y Zegarra (2007) referente al gasto público
agropecuario y productividad, postula: el Perú también ha mantenido una tendencia a
asignar una mayor proporción del gasto público rural al fomento productivo rural, sobre
todo en infraestructura de riego (1985-1997) … Respecto al impacto positivo que tendría el
gasto en el producto, la productividad de la tierra y los ingresos rurales… En el caso
peruano, esta variable apareció con signo negativo en todas las estimaciones. En síntesis,
de Minaya y Aliaga (2007) y del Modelo de Solow se postula: el gasto público en capital

30
físico en el sector agropecuario fue creciente versus el declive de productividad e
innovación tecnológica.

31
 V. CONCLUSIONES

Las seis regresiones realizadas bajo el modelo de Solow (Anexo 39) y nueve regresiones
del modelo alternativo de Cobb-Douglas (Anexo 40) durante el periodo del 2008 al 2016
demostró:

1. El modelo de Solow, mediante los coeficientes mostró: la incidencia de la tasa de

crecimiento poblacional decreció sobre la producción del sector agropecuario en
0.3 unidades del 2008 al 2016 per cápita (PEAoap).
2. Así mismo, del 2008 al 2016 según los resultados existió un incremento de la
sensibilidad del gasto público agropecuario en capital físico per cápita en: 0.04 del
modelo de Solow, como también, el modelo de Cobb-Douglas registro un
incremento de 0.3 (Anexo 39), lo que beneficio y impulso la producción
agropecuaria per cápita (PEAoap).
3. La evidencia empírica del modelo de Solow detectó decreciente productividad e
innovación tecnológica agropecuaria del 2008 al 2016 en 0.39 unidades (Anexo 39).
Puntualmente empezó en 2010 en base a los resultados del modelo de Cobb-
Douglas (Anexo 40), desacelerando el crecimiento de la producción agropecuaria.
4. En virtud de los resultados del 2008-2016: el crecimiento de la producción
agropecuaria per cápita (PEAoap), se benefició principalmente del gasto público en
capital físico en el sector, por el contrario, la tasa de crecimiento poblacional e
innovación tecnología y productividad disminuyeron la incidencia en el
crecimiento de la producción agropecuaria per cápita (PEAoap). Se observó, el
sector agropecuario tenía características contrarias a un sector en desarrollo. Se
presume: por la mala gestión en la inversión pública agropecuaria y de un modelo
económico en el sector de escasa productividad e innovación tecnológica durante el
2008 al 2016.

32
 VI. RECOMENDACIONES

Basado en lo mencionado por Khan et al.(2019),que citaron a Kuznets(1964) y

posteriormente por Ghatak y Ingersent (1984) explicaron la contribución sector
agropecuario en el desarrollo económico, se divide en: la contribución del producto
(crecimiento de la produccion per capita), la contribución del mercado (demanda de
productos agricolas modernos), la contribución de los factores (mano de obra y capital-
impuestos) y contribución en divisas (exportaciones agropecuarias). Así mismo, bajo el
supuesto de libertad económica y estabilidad económica inspirado en la investigación en
27 paises de la Comunidad Europea durante el periodo del 1992 al 2011 por Fidrmuc y
Tunali (2015: 1159), con la finalidad de un crecimiento económico sostenible del sector
agropecuario en el Perú con una innovación tecnológica y productividad crecientes y
eficiente gasto público.

1. Se recomienda el incremento real de la inversión pública en inflaestructura y una

mejor gestión en la ejecución de los proyectos agropecuarios, acompañada con
incentivos a la inversión privada en un contexto mundial pademico. Al respecto,
Martin (2019:7) sostiene que el crecimiento en países en desarrollo es estimulado y
se beneficia con el incremento de la inversión en infraestructura.
2. Un mayor inversión pública en Investigación y Desarrollo Agropecuario del
gobierno podría beneficiar el incremento de la productividad, la producción
agropecuaria y renta de los peruanos. Martin (2019) platea: otro canal de efecto
potencialmente importante entre el crecimiento de la renta en los países en
desarrollo y el suministro de alimentos es la inversión de los países en desarrollo en
investigación y desarrollo agrícolas (I+D) para aumentar la productividad agrícola.
3. Ampliar la frontera de acceso a internet a los hogares rurales coveniente, amplio y
continuo como parte de la poltica de desarrollo agropecuario, con el fin de proveer
informacion al productor agropecuario. Recomendación basada en la experiencia de
Vietnam, donde el incremento de la producción agropecuaria en 6 a 7 por ciento
estuvo asociado con el acesso a internet (Kaila y Tarp 2019).

33
 VII. REFERENCIAS BIBLIOGRÁFICAS

Alarcón, J; Nolasco, J. 2014. Econometría con E-Views y aplicaciones en Economía

Agrícola, Economía de los Recursos Naturales y Desarrollo Sustentable. Lima:
Fondo Editorial-UNALM.2014. 312p.
Briones, X; Molero, L; Calderón, O. 2018. La Función de Producción Cobb-Douglas en el
Ecuador (en línea). Tendencias, 19(2):45-73. Consultado el 5 de may. 2019.
Disponible en [Link]
Campos, F; Oviedo, M. 2015. Extensión de los predios agrícolas y productividad. El caso
del campo cañero en México (en línea). Ciudad de México–México. El trimestre
económico v. 82. (325):[Link] 14 [Link] en
[Link] [Link]/scielo .php ?script= sci_arttex t&pid= S2448-718X20150
00100 147& lng=es&nrm=iso.
Carlson, Keith y Spender, Roger.1975. Crowding Out and Its Crities (en línea). Federal
reserve of Bank of Saint Louis:1-17. Consultado 1 may.2021. Disponible en
[Link]
[Link]
Decreux, Y; Spies, J. 2016. Export Potential Assessments- A methodology to identify
export opportunities for developing countries (en línea):1-31. Consultado el 6 ene.
2020. Disponible en [Link]
methodology_141216.pdf.
Di Ubaldo, M; Siedschlag, I.2020. Investment in Knowledge‐Based Capital and
Productivity: Firm‐Level Evidence from a Small Open Economy. Review of Income
and Wealth (en línea): 1-31. Consultado el 21 de ago. 2020. Disponible en
doi:10.1111/roiw.12464: 5.
Fidrmuc, J; Tunali, ÇB, 2015. State Aid Policy in the European Union. Journal of
Common Market Studies (en línea). Volume 53:1143-1162. Consultado en 15 may.
2019. Disponible en DOI: 10.1111/jcms.12247. (5).
Galarza, F.; Díaz, G. 2015. Productividad total de factores en la agricultura peruana:

34
 estimación y determinantes (en línea). Economía Vol. XXXVIII, N° 76, semestre
julio-diciembre 2015:77-116. Consultado en 9 nov. 202. Disponible en
[Link]
Gómez, L.2016. Evolución del empleo y de la productividad en el sector agropecuario en
México. Comisión Económica para América Latina y el Caribe (CEPAL), el Fondo
Internacional de Desarrollo Agrícola (FIDA). Serie Macroeconomía del Desarrollo
LC/L.4254 60. (180):1-60.
INEI (Instituto Nacional de Estadística e Informática, Perú). 2018. Población
económicamente Ocupada Nacional e Agrícola, PBI nacional y Valor agregado del
sector agropecuario en base [Link] 01 dic. 2018. Disponible en
[Link]
INEI (Instituto Nacional de Estadística e Informática, Perú). 2019. Superficie Sembrada,
Superficie Cosechada, Inversión extranjero, Valor de la Producción, Índice de
Precios del sector agropecuario de Perú en el sector agropecuario de Perú.
Consultado 22 nov. 2019. Disponible en [Link]
series/.
INEI (Instituto Nacional de Estadística e Informática, Perú). 2021. Población ocupada del
Área rural, Tasa de población adecuadamente empleada del Área rural. Consultado 1
jun. 2021. Disponible en [Link]
ITC (International Trade Centre). 2019. Exportaciones de Alimentos Frescos/Frutas, Uvas,
Esparrago, Avocado (en línea). Consultado 31 may. 2019 Disponible en
[Link]
i&exporter=604&whatMarker=s&what=17&toMarker=j.
Kaila, H; Tarp, F. 2019. Can the Internet improve agricultural production? Evidence from
Viet Nam (en línea). Agricultural Economics. 2019; 50: 675–691. Consultado el 10
oct. 2020. Disponible en [Link]
Kerrigan, G.2016. Tendencias del empleo y la productividad laboral en el sector
agropecuario de Chile. CEPAL, FIDA. Santiago de Chile-Chile (en línea). Serie
Macroeconomía del Desarrollo No.177. UN symbol: LC/L.4234. 10. (177):1-78.
Consultado 2 ene. 2019. Disponible en [Link]
Khan, W; Jamshed, M; Fatima, S. [Link] of agriculture in economic growth: A
case study of West Bengal (India) (en línea). J Public Affairs. 2020; 20:1-10.
Consultado el 10 de nov. 2020. Disponible en: [Link]

35
Knoblach, M; Roessler, M; Zwerschke, P. 2020. The Elasticity of Substitution Between
Capital and Labour in the US Economy: A Meta‐Regression Analysis. Oxf Bull
Econ Stat, 82: 62-82. Consultado 20 ago. 2020. Disponible en
doi:10.1111/obes.12312:62.
Linares, A. 2012. Teoría y Política Macroeconómica en una Economía Abierta.
Universidad Nacional Agraria La Molina: 373 p.
MacKinnon, James; White Halbert. 1985. Some Heteroskedasticity-Consistent Covariance
Matrix Estimators with Improved Finite Sample Properties (en línea). Journal of
Econometrics, Volume 29, Issue 3,1985: 305-325. Consultado el 2 oct. 2020.
Disponible en [Link]
Mankiw, G; Romer, D; Weil, D. 1992. A Contribution to the Empirics of Economic
Growth. The Quarterly Journal of Economics (en línea): 407-437. Consultado el 7
sep. 2018. Disponible en
[Link]
Martin, W. 2019. Economic growth, convergence and agricultural economics (en línea).
Agricultural Economics. 2019; 50: 7– 27. Consultado el 6 de ene. 2020. Disponible
en [Link]
Minaya, V.; Zegarra, E. 2007. Gasto público, productividad e ingresos agrarios en el Perú:
avances de investigación y resultados empíricos propios. En: Investigación, políticas
y desarrollo en el Perú. Lima: GRADE, 2007. ISBN 978-9972-615-42-9: 27-66.
Consultado el 6 ago. 2019. Disponible en [Link]
[Link]/Peru/grade/20100513015737/[Link].
MEF (Ministerio de Economía y Finanzas). 2019. Consulta del Gasto del sector
agropecuario por regiones desde el 2008-2016 (en línea). Consultado el 22 de abr.
2019. Disponible en [Link] transparencia/ Navegador/
[Link].
MEF (Ministerio de Economía y Finanzas). 2020. Consulta de seguimiento de ejecución de
Proyectos de Inversión Total Gobierno: Irrigación (en línea). Consultado el 29 de
sep. 2020. Disponible en
[Link]
[Link]?y=2018&ap=ActProy .
Morris, M; Diaz, L.; Ashwini, S.; Vega, GF; Miranda, J; Valdes, A; Frewer, F; Escudero,
D. 2018. Tomando impulso en la agricultura peruana Oportunidades para aumentar

36
 la productividad y mejorar la competitividad del sector (en línea). AGRICULTURE
GP LAC GFA04. PE-Perú Agriculture Opportunities Asa -- P162084. (1):1-224.
Consultado el 2 oct. 2018. Disponible en
[Link] .org/es/publication/documentsreports/documentdet
ail/781561519138355286/gaining-momentum-in-peruvian-agriculture-opportunities-
to-increase-productivity-and-enha nce-competitiveness.
Morris, M; Diaz, L; Sebastian, A; Vega, G; Miranda, J; Valdes, A; Frewer, F; Escudero,
D; Msellati, L; Ahuja, P.; Rodriguez, A. 2017. Gaining momentum in Peruvian
agriculture: opportunities to increase productivity and enhance competitiveness (en
línea). Washington, D.C.-Estados Unidos. World Bank Group. 150 p. Consultado 2
octubre. 2018. Disponible en [Link]
98513689693/Gaining-momentum-in-Peruvian-agriculture-opportunities-to-increase
-productivity-and-enhance-competitiveness.
Nakamura, T. 2018. Solow meets Stone–Geary: Technological progress and the
demographic transition (en línea). Metroeconomica 69. (4): 768-790. Consultado 5
may. 2019. Disponible en doi:10.1111/ meca.12212:768-790.
Ni, B; Kato, H. 2020. Do vertical spillovers differ by investors’ productivity? Theory and
evidence from Vietnam (en línea). Rev Dev Econ. 2020; 24: 1046–1072. Consultado
el 5 may. 2021. Disponible en [Link]
Penagos, A. 2018. Desafíos del desarrollo rural y agropecuario en América Latina y el
Caribe (en línea). Centro Latinoamericano para el Desarrollo Rural. Consultado el 6
may. 2021. Disponible en [Link] download/4800/36721/
version/1/file/PENAGOSDesaf%C3%ADos+del+desarrollo+rural+y+agropecuario+
en+Am%C3%A9rica+Latina+y+el+[Link].
Samii, C; Aronow, Peter M. 2012. On equivalencies between design-based and regression-
based variance estimators for randomized experiments. Statistics & Probability
Letters, Volume 82, Issue 2:365-370. Consultado el 3 feb. 2020. Disponible en
[Link]
Seminario, B .2016. El desarrollo de la economía peruana en la era moderna: precios,
población, demanda y producción desde 1700. Lima–Perú. Universidad del
Pacifico.1300 p.
Tonconi, J. 2015. Producción agrícola alimentaria y cambio climático: un análisis
económico en el departamento de Puno, Perú (en línea). Idesia. 33 (2):119-136.

37
 Consultado 1 dic. 2018. Disponible en [Link]
/[Link].
Trindade, F. J. and Fulginiti, L. E. 2015. Is there a slowdown in agricultural productivity
growth in South America? Agricultural Economics (en línea): 69-81. Consultado el
30 nov. 2019. Disponible en doi:10.1111/agec.12199.
USDA (U.S. Department of Agriculture). 2021. International Agricultural Productivity (en
línea). Consultado el 2 ene. 2021. Disponible en [Link]
products/international-agricultural-productivity/.
Webb, R. 2016. IV Censo Nacional Agropecuario y el descubrimiento de la agricultura
Avances en la investigación (en línea):1-55. Consorcio de Investigación Económica
y Social, CIES. Consultado 23 nov. 2018. Disponible en
[Link]
_webb.pdf.
Zhao, R. [Link] and economic growth: From Robert Solow to Paul Romer (en
línea). Hum Behav & Emerg Tech. 2019; 1: 62–65. Consultado 10 nov. 2020.
Disponible en [Link]

38
 VIII. ANEXOS

ANEXO 1: Base de datos del Modelo de Solow.

Tasa Gasto
Crecimiento Gobierno
VBPA per cápita VBPA per cápita
Región/Indicador Poblacional Agropecuario
2008 2016
promedio per cápita
(porcentual) promedio
Amazonas 0.48888889 347.096315 10358.5623 11256.2787
Ancash 0.57777778 1378.17774 5837.61565 5028.14476
Apurímac 0.54444444 747.561677 4963.07685 5621.19574
Arequipa 1.07777778 1863.85413 27274.3694 39979.2692
Ayacucho 1.16666667 1121.0972 7981.81658 4406.22168
Cajamarca 0.43333333 350.323998 6650.95958 4760.92545
Cusco 0.66666667 1526.1474 6508.84946 4523.3436
Huancavelica 0.81111111 840.485045 3596.48525 3731.91419
Huánuco 0.83333333 258.61416 6234.91557 5477.54901
Ica 1.06666667 1431.88777 62442.7128 91100.1426
Junín 0.73333333 537.453157 8550.19097 8109.52519
La Libertad 1.27777778 1172.95465 20535.871 22462.8046
Lambayeque 0.87777778 1244.80826 9036.76422 10673.3509
Lima 1.5 4236.00249 43772.2647 68992.8236
Loreto 1.18888889 252.807823 5491.26812 4435.99789
Madre de Dios 2.6 984.96132 16325.1099 10322.0619
Moquegua 1.06666667 5427.91655 6333.67235 5377.76057
Pasco 0.78888889 630.979465 9359.20731 6889.07594
Piura 0.82222222 824.608651 9271.10657 8637.86307
Puno 0.91111111 547.304261 6986.14911 6306.65252
San Martín 1.46666667 299.840456 9879.2765 12810.656
Tacna 1.36666667 5004.38336 24493.7294 15352.1289
Tumbes 1.47777778 3036.50928 7021.60057 8970.63591
Ucayali 1.35555556 488.51814 11958.3789 9671.27314
Valor Bruto de Producción Agropecuaria (VBPA). En soles del Perú en base año 2007.
FUENTE: INEI (2019), MINAGRI (2019) y Ministerio de Economía y Finanzas (2019).
Elaboración Propia.

39
ANEXO 2: Base de datos del modelo de Cobb-Douglas - Gasto Público Agropecuario
de la PEA agropecuaria per cápita.
AÑO 2008 2009 2010 2011 2012 2013 2014 2015 2016
Amazona 263.845 292.558 288.488 202.599 257.505 461.804 381.962 673.751 301.351
s 767 827 185 42 516 161 414 177 366
1360.99 2244.70 1585.49 1113.32 1486.23 1269.72 1261.05 1214.31 867.747
Áncash
616 655 191 368 239 938 457 772 323
569.123 661.453 677.715 491.612 552.453 657.872 1034.13 1025.14 1058.54
Apurímac
78 359 951 856 682 084 783 116 44
1502.49 1631.15 1326.43 1377.65 2010.95 1097.52 2099.34 1724.59 4004.51
Arequipa
348 696 992 873 653 666 042 586 861
740.142 922.703 968.426 874.894 1071.49 1289.75 1277.46 1668.85 1276.13
Ayacucho
24 512 094 595 975 12 716 353 672
Cajamarc 485.816 446.703 250.421 232.815 281.278 353.181 435.251 354.630 312.818
a 038 103 436 009 347 534 932 201 385
935.159 1294.46 1230.51 1070.65 1815.17 2015.55 1860.61 1856.45 1656.74
Cusco
192 357 117 304 679 34 235 653 052
Huancave 893.899 1058.80 796.516 624.946 834.942 728.871 1039.51 941.287 645.583
lica 719 475 487 802 011 402 301 381 84
114.935 163.234 182.173 257.281 294.406 250.576 444.590 351.121 269.208
Huánuco
676 896 333 133 626 163 097 055 46
674.311 1377.17 654.984 923.761 1090.17 1485.83 2285.10 2878.67 1516.96
Ica
463 675 067 887 257 1 313 987 918
713.293 474.572 398.394 368.600 352.241 414.319 672.131 500.471 943.053
Junín
217 414 787 165 292 37 659 715 794
La 499.666 773.887 835.461 806.404 857.356 1102.68 773.246 2651.86 2256.02
Libertad 384 321 868 994 605 101 204 642 104
Lambaye 349.418 544.718 474.687 434.523 1804.75 1830.93 1643.61 2477.02 1643.59
que 235 151 144 621 638 417 269 479 919
2582.69 3736.53 3904.44 2896.35 4559.80 4591.01 5037.20 5531.99 5283.96
Lima
537 98 803 622 663 739 342 543 008
515.271 289.147 149.775 154.630 186.807 218.246 252.551 247.955 260.883
Loreto
429 448 581 838 39 32 563 978 862
Madre de 1859.66 1661.07 455.006 604.779 795.813 617.462 873.238 1139.34 858.270
Dios 147 392 693 607 102 777 289 509 927
Moquegu 5340.50 6022.82 6307.13 2939.30 5638.37 6482.62 9086.87 3587.50 3446.09
a 399 142 234 413 888 169 878 833 938
1162.05 1067.27 715.091 317.258 568.849 486.256 455.654 413.633 492.745
Pasco
387 151 92 979 513 148 568 621 05
387.080 800.114 1075.60 648.474 977.545 817.886 725.822 1423.72 565.222
Piura
772 846 13 052 793 51 868 902 703
551.349 608.153 759.562 374.143 502.639 579.012 458.015 530.274 562.588
Puno
772 74 064 546 116 031 485 208 389
San 280.294 209.438 218.748 194.767 232.066 320.664 282.733 607.269 352.580
Martín 218 824 824 282 113 166 904 86 911
5319.65 4695.96 7720.48 5698.85 3828.88 6102.37 5579.45 3466.57 2627.20
Tacna
082 017 027 888 644 783 949 466 164
1250.71 3541.64 3357.91 1779.75 3260.33 2739.70 2959.25 7220.83 1218.41
Tumbes
832 124 991 675 694 068 488 528 955
445.632 472.001 397.282 642.862 527.579 458.977 406.650 503.564 542.111
Ucayali
971 923 388 266 946 462 139 464 7
En base a soles del 2007. FUENTE: INEI (2019). Elaboración Propia.

40
ANEXO 3: Base de datos del modelo de Cobb-Douglas - Valor Bruto Agropecuario
de la PEA agropecuaria per cápita.
AÑO 2008 2009 2010 2011 2012 2013 2014 2015 2016
Amazona 10358.5 11101.5 11232.5 10588.6 10822.3 12084.7 12198.9 10877.9 11256.2
s 623 686 913 831 495 714 301 548 787
5837.61 6891.37 6942.25 5411.81 5196.13 5106.39 5030.92 5769.15 5028.14
Áncash
564 131 342 392 064 374 758 371 475
4963.07 4374.80 4389.75 3878.57 4344.96 4884.13 5118.24 5594.74 5621.19
Apurímac
685 489 465 943 645 357 657 965 574
27274.3 27347.7 28766.1 33363.0 39888.9 37085.0 40142.5 37474.4 39979.2
Arequipa
694 927 401 047 435 647 574 739 692
7981.81 7691.28 7679.39 3846.49 4641.78 4585.52 4571.18 4694.03 4406.22
Ayacucho
658 548 179 361 885 868 714 586 168
Cajamarc 6650.95 7294.20 7933.54 6449.07 5617.72 5591.84 5302.36 5129.31 4760.92
a 958 075 202 545 84 816 393 296 545
6508.84 6907.98 6955.73 5540.16 6315.72 5637.16 4951.80 4633.23 4523.34
Cusco
946 572 653 936 238 603 225 717 36
Huancave 3596.48 3907.09 3741.37 3625.33 4011.62 4090.18 3553.73 3805.02 3731.91
lica 525 204 976 599 547 249 841 351 419
6234.91 6059.44 5538.19 5041.59 5596.95 6328.42 6500.41 6377.90 5477.54
Huánuco
557 157 881 816 7 255 358 242 901
62442.7 72634.5 66969.8 61815.2 67094.2 67830.3 78961.6 103440. 91100.1
Ica
128 446 358 546 192 353 934 677 426
8550.19 8672.64 10337.8 9780.23 9143.17 9324.25 8157.13 8273.38 8109.52
Junín
097 072 672 578 258 3 801 428 519
La 20535.8 23129.5 22901.7 23902.5 25745.0 29306.1 25857.6 24090.0 22462.8
Libertad 71 293 395 277 469 742 656 284 046
Lambaye 9036.76 9948.70 11032.0 10397.2 12511.8 12222.7 12486.6 12932.0 10673.3
que 422 1 845 578 083 954 763 759 509
43772.2 45922.2 53224.4 47390.8 55240.0 47644.3 52041.7 56670.5 68992.8
Lima
647 689 04 764 02 812 674 818 236
5491.26 5452.03 5674.94 4055.90 4241.18 4716.19 4955.15 4909.78 4435.99
Loreto
812 068 98 153 643 865 334 607 789
Madre de 16325.1 13245.2 15675.4 7247.20 7192.35 7832.24 7237.10 9816.12 10322.0
Dios 099 897 163 309 046 296 741 097 619
Moquegu 6333.67 5260.53 6035.31 5653.89 6333.48 6872.20 5632.49 5975.37 5377.76
a 235 599 239 454 947 591 064 948 056
9359.20 8987.84 8453.18 6903.85 6957.62 7375.11 6770.13 6856.56 6889.07
Pasco
731 804 573 462 118 095 883 309 594
9271.10 10581.7 10693.1 6433.21 8192.81 8849.72 7774.74 8355.40 8637.86
Piura
657 938 255 522 457 916 186 101 307
6986.14 6995.84 7395.96 5592.35 5416.85 6197.72 6625.91 6216.73 6306.65
Puno
911 148 055 414 59 093 709 96 252
San 9879.27 9837.10 10835.1 12564.5 11833.8 11644.7 11976.4 13986.0 12810.6
Martín 65 981 165 373 563 667 66 759 56
24493.7 11429.3 19535.8 18492.2 18444.7 19706.1 25330.3 17841.8 15352.1
Tacna
294 8 998 571 391 193 19 682 289
7021.60 8788.28 12124.8 8796.51 11003.6 8680.80 9587.49 10206.4 8970.63
Tumbes
056 566 992 728 361 044 506 82 591
11958.3 10224.8 9837.05 7195.36 8298.71 8352.76 9273.21 10625.7 9671.27
Ucayali
789 199 134 433 436 105 757 01 314
En base a soles del 2007. FUENTE: INEI (2019). Elaboración Propia.

41
ANEXO 4: Primera Regresión.

Formula = Ln_vbpapercapitapromedio2008 ~ Ln_gastogobagropecuariopercapita +

Ln_tasacrecimientopoblacional

Min 1Q Median 3Q Max

Residuals
-0.91607 -0.37066 -0.03924 0.19126 1.68831

Coefcientes Estimate Std. Error t value Pr(>|t|)

(Intercept) 17.1659 5.6223 3.05 0.006
Ln_gastogobagropecuariopercapita 0.2371 0.1517 1.564 0.13288
Ln_tasacrecimientopoblacional 3.4027 1.8629 1.829 0.08202
Residual standard error: 0.6269 on 21 degrees of freedom
Multiple R-squared: 0.2783, Adjusted R-squared: 0.2096
F-statistic: 4.05 on 2 and 21 DF, p-value: 0.03255
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 5: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión

Primera.

lm_robust(formula = Ln_vbpapercapitapromedio2008 ~
Ln_gastogobagropecuariopercapita + Ln_tasacrecimientopoblacional)
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 17.1659 4.0579 4.23 3.75E-04 8.72704 25.6048 21

Ln_gastogob
Agropecuario 0.2371 0.1547 1.532 1.40E-01 -0.08466 0.5589 21
Percápita

Ln_tasa
crecimiento 3.4027 1.3616 2.499 0.0208263 0.57096 6.2343 21
poblacional
Multiple R-squared: 0.2783, Adjusted R-squared: 0.2096
F-statistic: 4.751 on 2 and 21 DF, p-value: 0.01986
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

42
ANEXO 6: Segunda Regresión.

Formula = Ln_vbpapercapitapromedio2016 ~ Ln_gastogobagropecuariopercapita +

Ln_tasacrecimientopoblacional
Residuals Min 1Q Median 3Q Max
-1.10394 -0.54607 -0.0975 0.20578 2.10648

Ln_vbpapercapitapromedio2016 Coef. Std. Err. t P>t

(Intercept) 15.9606 7.1641 2.228 0.037
Ln_tasacrecimientopoblacional 3.1129 2.3737 1.311 0.204
Ln_gastogobagropecuariopercapita 0.2857 0.1933 1.4780 0.154
Residual standard error: 0.7988 on 21 degrees of freedom
Multiple R-squared: 0.2069, Adjusted R-squared: 0.1313
F-statistic: 2.739 on 2 and 21 DF, p-value: 0.08772
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 7: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión

Segunda.

lm_robust(formula = Ln_vbpapercapitapromedio2016 ~
Ln_gastogobagropecuariopercapita + Ln_tasacrecimientopoblacional, data = Data)
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 15.9606 6.917 2.307 3.13E-02 1.5758 30.3454 21

Ln_gastogob
Agropecuario 0.2857 0.1995 1.432 1.67E-01 -0.1292 0.7006 21
Percápita

Ln_tasa
Crecimiento 3.1129 2.2978 1.355 0.18989 -1.6656 7.8915 21
poblacional
Multiple R-squared: 0.2069, Adjusted R-squared: 0.1313
F-statistic: 2.55 on 2 and 21 DF, p-value: 0.102
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

43
ANEXO 8: Tercera Regresión.
Formula = Ln_vbpapercapitapromedio2008 ~ Ln_tasacrecimientopoblacional
Residuals Min 1Q Media 3Q Max
-0.8931 -0.3623 -0.1324 0.1613 1.7786

Ln_vbpapercapitapromedio2008 Coef. Std. Err. t P>t

(Intercept) 21.151 5.173 4.088 0

Ln_tasacrecimientopoblacional 4.242 1.841 2.303 0.031

Residual standard error: 0.6471 on 22 degrees of freedom

Multiple R-squared: 0.1943, Adjusted R-squared: 0.1577
F-statistic: 5.306 on 1 and 22 DF, p-value: 0.03108
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 9: Regresión de la Heterocedasticidad-Robust Error Standar de la Regresión

Tercera.
lm_robust(formula = Ln_vbpapercapitapromedio2008 ~ Ln_tasacrecimientopoblacional,
data = Data)
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 21.151 4.913 4.305 2.86E-04 10.963 31.339 22

Ln_tasa crecimiento
4.242 1.73 2.453 0.0225802 0.655 7.829 22
poblacional

Multiple R-squared: 0.1943, Adjusted R-squared: 0.1577

F-statistic: 6.015 on 1 and 22 DF, p-value: 0.02258
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

44
ANEXO 10: Cuarta Regresión.
Formula = Ln_vbpapercapitapromedio2016 ~ Ln_tasacrecimientopoblacional
Residuals Min 1Q Media 3Q Max
-0.8917 -0.452 -0.209 0.210 2.2153

Ln_vbpapercapitapromedio2016 Coef. Std. Err. t P>t

(Intercept) 20.762 6.556 3.167 0.004
Ln_tasacrecimientopoblacional 4.124 2.333 1.767 0.091
Residual standard error: 0.82 on 22 degrees of freedom
Multiple R-squared: 0.1243, Adjusted R-squared: 0.08452
F-statistic: 3.124 on 1 and 22 DF, p-value: 0.09104
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 11: Regresión de la Heteroscedasticidad-Robust Error Standar de la

Regresión Cuarta.
lm_robust(formula = Ln_vbpapercapitapromedio2016 ~ Ln_tasacrecimientopoblacional,
data = Data)
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 20.762 7.568 2.744 1.19E-02 5.067 36.456 22
Ln_tasa
Crecimiento 4.124 2.667 1.546 0.13633 -1.408 9.656 22
poblacional
Multiple R-squared: 0.1243, Adjusted R-squared: 0.08452
F-statistic: 2.391 on 1 and 22 DF, p-value: 0.1363
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 12: Quinta Regresión.

Formula = Ln_vbpapercapitapromedio2008 ~ Ln_gastogobagropecuariopercapita.
Residuals Min 1Q Media 3Q Max
-1.03384 -0.3781 -0.07012 0.34957 0.3496
Ln_vbpapercapitapromedio2008 Coef. Std. Err. t P>t
(Intercept) 7.0618 1.0572 6.6800 0.0000
Ln_gastogobagropecuariopercapita 0.3170 0.1528 2.0700 0.0500
Residual standard error: 0.6593 on 22 degrees of freedom
Multiple R-squared: 0.1637, Adjusted R-squared: 0.1257
F-statistic: 4.305 on 1 and 22 DF, p-value: 0.04989
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

45
ANEXO 13: Regresión de la Heterocedasticidad-Robust Error Standard de la
Regresión Quinta.
lm_robust(formula = Ln_vbpapercapitapromedio2008 ~
Ln_gastogobagropecuariopercapita, data = Data)
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 7.062 1.0388 6.798 7.87E-07 4.90748 9.2161 22
Ln_gastogob
Agropecuario 0.317 0.1632 1.942 0.06509 -0.02158 0.6555 22
Percápita
Multiple R-squared: 0.1637, Adjusted R-squared: 0.1257
F-statistic: 3.77 on 1 and 22 DF, p-value: 0.06509
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 14: Sexta Regresión.

Formula = Ln_vbpapercapitapromedio2016 ~ Ln_gastogobagropecuariopercapita.
Residuals Min 1Q Media 3Q Max
-1.2117 -0.465 -0.117 0.3076 2.0960
Ln_vbpapercapitapromedio2016 Coef. Std. Err. t P>t
(Intercept) 6.7168 1.3016 5.1600 0.0000
Ln_gastogobagropecuariopercapita 0.3587 0.1881 1.9070 0.0690
Residual standard error: 0.8117 on 22 degrees of freedom
Multiple R-squared: 0.1419, Adjusted R-squared: 0.1029
F-statistic: 3.638 on 1 and 22 DF, p-value: 0.0696
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

46
ANEXO 15: Regresión de la Heterocedasticidad-Robust Error Standar de la
Regresión Sexta.
lm_robust(formula = Ln_vbpapercapitapromedio2016 ~
Ln_gastogobagropecuariopercapita, data = Data)
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 6.7168 1.3087 5.132 3.83E-05 4.00261 9.4309 22
Ln_gastogob
Agropecuario 0.3587 0.2047 1.752 0.09364 -0.06583 0.7833 22
Percápita
Multiple R-squared: 0.1419, Adjusted R-squared: 0.1029
F-statistic: 3.071 on 1 and 22 DF, p-value: 0.09364
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 16: Regresión 2008.

lm(formula = log(VBPA_pc$`2008`) ~ log(GPA_pc$`2008`))
Residuals Min 1Q Media 3Q Max
-1.0801 -0.4873 -0.1241 0.273 1.8356
Coef. Std. Err. t P>t
(Intercept) 7.7881 1.0682 7.291 2.66E-07
log(GPA_pc$`2008`) 0.2177 0.1591 1.369 0.185
Residual standard error: 0.6921 on 22 degrees of freedom
Multiple R-squared: 0.0785, Adjusted R-squared: 0.03662
F-statistic: 1.874 on 1 and 22 DF, p-value: 0.1848
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 17: Regresión de la Heterocedasticidad-Robust Error Estándar (2008).

lm_robust(formula = log(VBPA_pc$`2008`) ~ log(GPA_pc$`2008`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 7.7881 0.9649 8.072 5.089E-08 5.78707 9.7891 22
log(GPA_pc$`2008`) 0.2177 0.1531 1.422 0.1689 -0.09971 0.5352 22
Multiple R-squared: 0.0785, Adjusted R-squared: 0.03662
F-statistic: 2.023 on 1 and 22 DF, p-value: 0.1689
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

47
ANEXO 18: Regresión 2009.
lm(formula = log(VBPA_pc$`2009`) ~ log(GPA_pc$`2009`))
Residuals Min 1Q Media 3Q Max
-0.9997 -0.3939 -0.1627 0.18 1.8957
Coef. Std. Err. t P>t
(Intercept) 7.974 1.0288 7.751 9.95E-08
log(GPA_pc$`2009`) 0.1831 0.1491 1.228 0.232
Residual standard error: 0.6932 on 22 degrees of freedom
Multiple R-squared: 0.06413, Adjusted R-squared: 0.02159
F-statistic: 1.508 on 1 and 22 DF, p-value: 0.2325
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 19: Regresión de la Heterocedasticidad-Robust Error Estándar (2009).

lm_robust(formula = log(VBPA_pc$`2009`) ~ log(GPA_pc$`2009`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 7.974 0.9354 8.525 2.024E-08 6.0341 9.9138 22
log(GPA_pc$`2009`) 0.1831 0.1486 1.232 0.2308 -0.1251 0.4913 22
Multiple R-squared: 0.06413, Adjusted R-squared: 0.02159
F-statistic: 1.519 on 1 and 22 DF, p-value: 0.2308
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 20: Regresión 2010.

lm(formula = log(VBPA_pc$`2010`) ~ log(GPA_pc$`2010`))
Residuals Min 1Q Media 3Q Max
-1.06628 -0.3866 -0.08384 0.23056 1.85575
Coef. Std. Err. t P>t
(Intercept) 8.0219 0.9387 8.546 1.94E-08
log(GPA_pc$`2010`) 0.1903 0.1389 1.37 0.184
Residual standard error: 0.7045 on 22 degrees of freedom
Multiple R-squared: 0.07865, Adjusted R-squared: 0.03677
F-statistic: 1.878 on 1 and 22 DF, p-value: 0.1844
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

48
ANEXO 21: Regresión de la Heterocedasticidad-Robust Error Estándar (2010).
lm_robust(formula = log(VBPA_pc$`2010`) ~ log(GPA_pc$`2010`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 8.0219 0.8473 9.467 3.238E-09 6.26464 9.7792 22
log(GPA_pc$`2010`) 0.1903 0.1343 1.418 0.1703 -0.08814 0.4688 22
Multiple R-squared: 0.07865, Adjusted R-squared: 0.03677
F-statistic: 2.009 on 1 and 22 DF, p-value: 0.1703
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 22: Regresión 2011.

lm(formula = log(VBPA_pc$`2011`) ~ log(GPA_pc$`2011`))
Residuals Min 1Q Media 3Q Max
-0.9552 -0.4222 -0.201 0.3494 1.817
Coef. Std. Err. t P>t
(Intercept) 6.9714 1.1007 6.333 2.25E-06
log(GPA_pc$`2011`) 0.3286 0.1678 1.957 0.0631
Residual standard error: 0.7462 on 22 degrees of freedom
Multiple R-squared: 0.1483, Adjusted R-squared: 0.1096
F-statistic: 3.832 on 1 and 22 DF, p-value: 0.0631
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 23: Regresión de la Heterocedasticidad-Robust Error Estándar (2011).

lm_robust(formula = log(VBPA_pc$`2011`) ~ log(GPA_pc$`2011`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 6.9714 0.9395 7.421 2.009E-07 5.023106 8.9198 22
log(GPA_pc$`2011`) 0.3286 0.1544 2.128 0.04479 0.008347 0.6488 22
Multiple R-squared: 0.1483, Adjusted R-squared: 0.1096
F-statistic: 4.528 on 1 and 22 DF, p-value: 0.04479
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

49
ANEXO 24: Regresión 2012.
lm(formula = log(VBPA_pc$`2012`) ~ log(GPA_pc$`2012`))
Residuals Min 1Q Media 3Q Max
-1.0334 -0.4577 -0.1857 0.3135 1.8672
Coef. Std. Err. t P>t
(Intercept) 6.9469 1.0967 6.334 2.25E-06
log(GPA_pc$`2012`) 0.3288 0.16 2.055 0.0519
Residual standard error: 0.753 on 22 degrees of freedom
Multiple R-squared: 0.1611, Adjusted R-squared: 0.1229
F-statistic: 4.224 on 1 and 22 DF, p-value: 0.05191
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 25: Regresión 2012.

lm_robust(formula = log(VBPA_pc$`2012`) ~ log(GPA_pc$`2012`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 6.9469 1.0324 6.729 9.195E-07 4.805774 9.088 22
log(GPA_pc$`2012`) 0.3288 0.1619 2.031 0.05449 -0.006909 0.6646 22
Multiple R-squared: 0.1611, Adjusted R-squared: 0.1229
F-statistic: 4.126 on 1 and 22 DF, p-value: 0.05449
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 26: Regresión de la Heterocedasticidad-Robust Error Estándar (2012).

lm_robust(formula = log(VBPA_pc$`2012`) ~ log(GPA_pc$`2012`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 6.9469 1.0324 6.729 9.195E-07 4.805774 9.088 22
log(GPA_pc$`2012`) 0.3288 0.1619 2.031 0.05449 -0.006909 0.6646 22
Multiple R-squared: 0.1611, Adjusted R-squared: 0.1229
F-statistic: 4.126 on 1 and 22 DF, p-value: 0.05449
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

50
ANEXO 27: Regresión 2013.
lm(formula = log(VBPA_pc$`2013`) ~ log(GPA_pc$`2013`))
Residuals Min 1Q Media 3Q Max
-0.96621 -0.49771 -0.07999 0.25038 1.78132
Coef. Std. Err. t P>t
(Intercept) 7.0727 1.1054 6.398 1.94E-06
log(GPA_pc$`2013`) 0.3109 0.1601 1.942 0.065
Residual standard error: 0.7355 on 22 degrees of freedom
Multiple R-squared: 0.1463, Adjusted R-squared: 0.1075
F-statistic: 3.772 on 1 and 22 DF, p-value: 0.06504
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 28: Regresión de la Heterocedasticidad-Robust Error Estándar (2013).

lm_robust(formula = log(VBPA_pc$`2013`) ~ log(GPA_pc$`2013`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 7.0727 0.9706 7.287 2.681E-07 5.059866 9.0855 22
log(GPA_pc$`2013`) 0.3109 0.1534 2.027 0.05499 -0.007248 0.6291 22
Multiple R-squared: 0.1463, Adjusted R-squared: 0.1075
F-statistic: 4.107 on 1 and 22 DF, p-value: 0.05499
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 29: Regresión 2014.

lm(formula = log(VBPA_pc$`2014`) ~ log(GPA_pc$`2014`))
Residuals Min 1Q Media 3Q Max
-1.2628 -0.4381 -0.125 0.4341 1.8259
Coef. Std. Err. t P>t
(Intercept) 6.9395 1.1826 5.868 6.63E-06
log(GPA_pc$`2014`) 0.3247 0.1686 1.926 0.0671
Residual standard error: 0.7852 on 22 degrees of freedom
Multiple R-squared: 0.1443, Adjusted R-squared: 0.1054
F-statistic: 3.711 on 1 and 22 DF, p-value: 0.06707
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

51
ANEXO 30: Regresión de la Heterocedasticidad-Robust Error Estándar (2014).
lm_robust(formula = log(VBPA_pc$`2014`) ~ log(GPA_pc$`2014`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 6.9395 1.3156 5.275 2.717E-05 4.21101 9.668 22
log(GPA_pc$`2014`) 0.3247 0.2028 1.601 0.1236 -0.09591 0.7453 22
Multiple R-squared: 0.1443, Adjusted R-squared: 0.1054
F-statistic: 2.563 on 1 and 22 DF, p-value: 0.1236
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 31: Regresión 2015.

lm(formula = log(VBPA_pc$`2015`) ~ log(GPA_pc$`2015`))
Residuals Min 1Q Media 3Q Max
-1.02731 -0.54135 -0.01889 0.35047 1.92301
Coef. Std. Err. t P>t
(Intercept) 6.0429 1.1842 5.103 0.0000411
log(GPA_pc$`2015`) 0.4496 0.1658 2.711 0.0128

Residual standard error: 0.7406 on 22 degrees of freedom

Multiple R-squared: 0.2504, Adjusted R-squared: 0.2163
F-statistic: 7.35 on 1 and 22 DF, p-value: 0.01276
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 32: Regresión de la Heterocedasticidad-Robust Error Estándar (2015).

lm_robust(formula = log(VBPA_pc$`2015`) ~ log(GPA_pc$`2015`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 6.0429 1.0925 5.532 0.0000147 3.77732 8.3085 22
log(GPA_pc$`2015`) 0.4496 0.1691 2.658 0.0143542 0.09885 0.8003 22
Multiple R-squared: 0.2504, Adjusted R-squared: 0.2163
F-statistic: 7.067 on 1 and 22 DF, p-value: 0.01435
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

52
ANEXO 33: Regresión 2016.
lm(formula = log(VBPA_pc$`2016`) ~ log(GPA_pc$`2016`))
Residuals Min 1Q Media 3Q Max
-1.26227 -0.30791 -0.09165 0.31253 1.99456
Coef. Std. Err. t P>t
(Intercept) 5.6123 1.2172 4.611 0.000136
log(GPA_pc$`2016`) 0.5206 0.1763 2.953 0.007345
Residual standard error: 0.7415 on 22 degrees of freedom
Multiple R-squared: 0.2839, Adjusted R-squared: 0.2514
F-statistic: 8.723 on 1 and 22 DF, p-value: 0.007345
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 34: Regresión de la Heterocedasticidad-Robust Error Estándar (2016).

lm_robust(formula = log(VBPA_pc$`2016`) ~ log(GPA_pc$`2016`))
Standard error type: HC2
Estimate [Link] t value Pr(>|t|) CI Lower CI Upper DF
(Intercept) 5.6123 1.244 4.512 0.0001728 3.0326 8.192 22
log(GPA_pc$`2016`) 0.5206 0.193 2.697 0.0131663 0.1203 0.9209 22
Multiple R-squared: 0.2839, Adjusted R-squared: 0.2514
F-statistic: 7.274 on 1 and 22 DF, p-value: 0.01317
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

ANEXO 35: Correlación de Variables.

Correlación de Ln_tasa Ln_gastogob VIF 1/VIF

Variables crecimiento agropecuario
poblacional percapita
Ln_tasacrecimi 1 1.09 0.916978
entopoblaciona
l
Ln_gastogobag 0.2881 1 1.09 0.916978
ropecuarioperc
apita.
Promedio VIF 1.09

FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

53
ANEXO 36: Pruebas de Heterocedasticidad.

Prueba de White
Prueba
Test Statistic: p-value
Regresión/Modelo Modelo de Solow
Primera 44.527 0.156
Segunda 38.343 0.364
Tercera 10.298 0.590
Cuarta 10.539 0.569
Quinta 7.532 0.821
Sexta 7.408 0.830
Regresión/Modelo Modelo de Cobb-Douglas
2008 12.580 0.400
2009 12.346 0.418
2010 9.663 0.646
2011 8.087 0.778
2012 6.773 0.872
2013 6.704 0.877
2014 6.643 0.880
2015 7.498 0.823
2016 6.735 0.875
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

54
ANEXO 37: Prueba Gráfica de Heterocedasticidad (Modelo de Solow).

Primera Regresión Segunda Regresión

Tercera Regresión Cuarta Regresión

Quinta Regresión Sexta Regresión

FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

55
ANEXO 38: Prueba Gráfica de Heterocedasticidad (Modelo de Cobb-Douglas).

Regresión Transversal del 2008 Regresión Transversal del 2009

Regresión Transversal del 2010 Regresión Transversal del 2011

Regresión Transversal del 2012 Regresión Transversal del 2013

Continua

56
 Regresión Transversal del 2014 Regresión Transversal del 2015

Regresión Transversal del 2016

FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

57
ANEXO 39: Resumen del Modelo de Solow.

Primera Regresión Segunda Regresión

2008 2016
MCO Robusto MCO Robusto
F p value 0.03 0.02 0.09 0.10
R2 ajustado 20.96% 20.96% 13.13% 13.13%
Ln_vbpapercapita Ln_vbpapercapita
Endógena
promedio 2008 promedio 2016
Exógenas Coeficiente P>|t| P>|t| RobustoCoeficiente P>|t| P>|t| Robusto
(Intercept) 17.17 0.01 0.00 15.96 0.04 0.03
Ln_gastogob
agropecuario 0.24 0.13 0.14 0.29 0.15 0.17
percapita(g)
Ln_tasa
crecimiento 3.40 0.08 0.02 3.11 0.20 0.19
poblacional(tn)
Regresión Restricta
R2 ajustado 16.35% 10.28%
(Intercept) 7.0654 1e-06 6.7208 3.5e-05
g-tn 0.3165 0.05 0.3582 0.0697
 0.2404 0.2637
 71.5 55
Tercera Regresión Cuarta Regresión
MCO Robusto MCO Robusto
F p value 0.03 0.02 0.09 0.14
R2 ajustado 15.77% 19.43% 8.45% 8.45%
Ln_vbpapercapita Ln_vbpapercapita
Endógena
promedio 2008 promedio 2016
Exógenas Coeficiente P>t P>|t| RobustoCoeficiente P>t P>|t| Robusto
(Intercept) 21.15 0.00 0.00 20.76 0.00 0.01
Ln_tasa
crecimiento 4.24 0.03 0.02 4.12 0.09 0.14
poblacional
Quinta Regresión Sexta Regresión
MCO Robusto MCO Robusto
F p value 0.05 0.07 0.07 0.09
R2 ajustado 12.57% 12.57% 10.29% 10.29%
Ln_vbpapercapita Ln_vbpapercapita
Endógena
promedio 2008 promedio 2016
Exógenas Coeficiente P>t P>|t| RobustoCoeficiente P>t P>|t| Robusto
(Intercept) 7.062 0 7.9E-07 6.717 0 3.8E-05
Ln_gasto gob
agropecuario 0.32 0.05 0.07 0.36 0.07 0.09
percápita
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

58
ANEXO 40: Resumen del Modelo de Cobb-Douglas.

MCO Robusto
Modelo log(VBPA_pc$`2008`) log(VBPA_pc$`2008`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 7.79 5.57 – 10.00 7.79 5.79 – 9.79 <0.001
1
GPA_pc$2008
0.22 -0.11 – 0.55 0.185 0.22 -0.10 – 0.54 0.169
[log]
Observations 24 24
R2 / R2 adjusted 0.079 / 0.037 NA
F p-value 0.185 0.169
Modelo log(VBPA_pc$`2009`) log(VBPA_pc$`2009`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 7.97 5.84 – 10.11 7.97 6.03 – 9.91 <0.001
1
GPA_pc$2009
0.18 -0.13 – 0.49 0.232 0.18 -0.13 – 0.49 0.231
[log]
Observations 24 24
R2 / R2 adjusted 0.064 / 0.022 NA
F p-value 0.232 0.231
Modelo log(VBPA_pc$`2010`) log(VBPA_pc$`2010`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 8.02 6.08 – 9.97 8.02 6.26 – 9.78 <0.001
1
GPA_pc$2010
0.19 -0.10 – 0.48 0.184 0.19 -0.09 – 0.47 0.17
[log]
Observations 24 24
R2 / R2 adjusted 0.079 / 0.037
F p-value 0.184 0.17
Modelo log(VBPA_pc$`2011`) log(VBPA_pc$`2011`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 6.97 4.69 – 9.25 6.97 5.02 – 8.92 <0.001
1
GPA_pc$2011
0.33 -0.02 – 0.68 0.063 0.33 0.01 – 0.65 0.045
[log]
Observations 24 24
R2 / R2 adjusted 0.148 / 0.110
F p-value 0.063 0.045

Modelo log(VBPA_pc$`2012`) log(VBPA_pc$`2012`)

Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 6.95 4.67 – 9.22 6.95 4.81 – 9.09 <0.001
1
GPA_pc$2012
0.33 -0.00 – 0.66 0.052 0.33 -0.01 – 0.66 0.054
[log]
Observations 24 24
R2 / R2 adjusted 0.161 / 0.123
Continua

59
F p-value 0.052 0.054
Modelo log(VBPA_pc$`2013`) log(VBPA_pc$`2013`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 7.07 5.17 – 8.97 7.07 5.41 – 8.74 <0.001
1
GPA_pc$2013
0.31 0.04 – 0.59 0.065 0.31 0.05 – 0.57 0.055
[log]
Observations 24 24
R2 / R2 adjusted 0.146 / 0.108
F p-value 0.065 0.055
Modelo log(VBPA_pc$`2014`) log(VBPA_pc$`2014`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 6.94 4.49 – 9.39 6.94 4.21 – 9.67 <0.001
1
GPA_pc$2014
0.32 -0.02 – 0.67 0.067 0.32 -0.10 – 0.75 0.124
[log]
Observations 24 24
R2 / R2 adjusted 0.144 / 0.105
F p-value 0.067 0.124
Modelo log(VBPA_pc$`2015`) log(VBPA_pc$`2015`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 6.04 3.59 – 8.50 6.04 3.78 – 8.31 <0.001
1
GPA_pc$2015
0.45 0.11 – 0.79 0.013 0.45 0.10 – 0.80 0.014
[log]
Observations 24 24
R2 / R2 adjusted 0.250 / 0.216
F p-value 0.013 0.014
Modelo log(VBPA_pc$`2016`) log(VBPA_pc$`2016`)
Predictors Estimates CI p Estimates CI p
<0.00
(Intercept) 5.61 3.09 – 8.14 5.61 3.03 – 8.19 <0.001
1
GPA_pc$2016
0.52 0.16 – 0.89 0.007 0.52 0.12 – 0.92 0.013
[log]
Observations 24 24
R2 / R2 adjusted 0.284 / 0.251
F p-value 0.007 0.013
FUENTE: INEI (2019) y MEF (2019). Elaboración propia con R Studio.

60
ANEXO 41: Valor Agregado y Valor de la Producción del sector agropecuario de
Perú Valor.

Año/Indic Valor agregado del sector Valor de la Producción Índice de precios PBI
ador agropecuario Agrícola agropecuario

1995 11842 7950.7097 75.865563

1996 12611 8730.0315 84.339069
1997 13160 9004.0651 87.332827
1998 13177 9056.0755 95.416256
1999 14646 10472.575 85.422641
2000 15496 11488.241 82.872999
2001 15374 11494.022 84.011968
2002 16152 12249.733 78.528975
2003 16472 12340.772 81.605148
2004 16391 12292.336 86.205845
2005 16948 13228.824 88.52962
2006 18462 14467.84 91.588127
2007 19074 14521.889 100
2008 20600 15935.042 111.18447
2009 20873 15931.298 117.29507
2010 21766 16352.56 119.63154
2011 22658 17003.639 132.63748
2012 23991 18475.181 134.20449
2013 24329 18625.325 133.7
Millones de Soles base 2007. FUENTE: INEI (2019). Elaboración Propia.

61
ANEXO 42: Superficie Sembrada, Cosechada e Inversión Extranjera en el sector
agropecuario de Perú.

Año/Indicador Superficie sembrada Superficie cosechada Inversión extranjera

1994 1385686.00 1972004.00 4.82
1995 1408429.00 2089580.00 7.66
1996 1492788.89 2251929.00 7.20
1997 1592914.43 2330620.00 7.70
1998 1605672.21 2480437.00 26.22
1999 1696618.01 2612304.00 42.09
2000 1670904.92 2755261.00 44.40
2001 1655109.45 2652558.48 44.40
2002 1655986.64 2699874.50 44.40
2003 1552680.37 2700584.69 44.40
2004 1684587.00 2590194.53 44.40
2005 1712226.89 2815704.46 44.40
2006 1740101.85 2869498.72 44.40
2007 1765702.24 2919240.46 44.40
2008 1798009.08 3035605.26 45.23
2009 1772700.46 3129204.79 45.23
2010 1733743.76 3113965.26 45.23
2011 1834679.35 3089042.33 45.23
2012 1841286.05 3240581.89 45.23
2013 1782037.76 3344093.81 45.23
Hectáreas. Millones de dólares de Estados Unidos. FUENTE: INEI (2019). Elaboración
Propia.

ANEXO 43: Inversión Pública en Proyectos de Irrigación.

Proyectos/Años 2015 2016 2017 2018

Proyectos de Irrigación Terminados (Avance al 100 por ciento)
Ejecución Total 139,794,713 154,706,524 68,943,445 22,964,545
Proyectos Terminados 21 24 13 12
Inversión Pública en Irrigación (Devengado) Anual
Total Proyectos 173 163 140 114
Proyectos con Avance 117 124 95 92
Proyectos Sin Avance 56 39 45 22
Total Devengado por año 124,293,571 101,470,143 106,785,685 130,696,898
En soles corrientes. FUENTE: MEF 2020.
Elaboración Propia.

62
ANEXO 44: Tasa de crecimiento promedio anual de la población.

Ámbito Departamento
Definición Cuantifica la intensidad del cambio demográfico de una localidad o
un país en un periodo determinado, generalmente un año.

Estado Activo
Formula r = [(Pt / Po) ^1/t] -1. Dónde: r = tasa de crecimiento, Pt = Población
final, Po = Población inicial, t = Tiempo en años o fracción de años.

Fuente Instituto Nacional de Estadística e Informática - Perú: Estimaciones

y Proyecciones de Población.

Indicador Tasa de crecimiento promedio anual de la población

Nota
Observación La tasa de crecimiento anual de la población se basa generalmente o
en una tasa de crecimiento poblacional inter censal, calculada a
partir de dos censos ajustados por omisión censal, o en los
componentes del crecimiento poblacional, esto es, nacimientos,
defunciones, inmigraciones y emigraciones, ajustados por sub
registro en caso necesario, durante un periodo específico. Los datos
de población representan valores estimados a mitad de año,
obtenidos por interpolación lineal de las correspondientes
proyecciones quinquenales de población de Naciones Unidas que
usan la variante media de fecundidad.
Periodicidad Anual
Propósito o Uso La tasa de crecimiento de población determina la velocidad de
cambio demográfico de un país, región o localidad. Permite analizar
la evolución demográfica y efectuar comparaciones entre regiones.

Tema DEMOGRÁFICO
Unidad de Medida Porcentaje

FUENTE: INEI (2019).

63
ANEXO 45: Índice de productividad de los fctores agrícolas y áreas equipada
para irrigación.

Data de FAO e ILO. Base en el año [Link]: Departamento de Agricultura de los

Estados Unidos de América (2021). Elaboración Propia.

ANEXO 46: Población económicamente activa ocupada con principal ocupación

agricultores trabajadores calificados agropecuarios.

Tema SOCIAL
Definición Proporción de personas económicamente activa ocupadas por grupo
ocupacional respecto del total de personas económicamente activa
ocupadas

Unidad de Medida Porcentaje

Periodicidad Anual
Ámbito Nacional, departamental
Propósito o Uso Permite conocer y analizar el número total de personas que
actualmente labora como agricultores o trabajadores agropecuarios a
nivel nacional.

Formula (PEA ocupada con principal ocupación agricultores trabajadores

calificados agropecuarios / Total PEA ocupada) * 100

Estado Activo
Observación Última actualización con información disponible al 07 de diciembre
de 2017.
Nota A partir del año 2007, la ENAHO hace posible calcular indicadores
para la Provincia Constitucional del Callao.
FUENTE: Instituto Nacional de Estadística e Informática - Encuesta Nacional de Hogares
(2019).

64
ANEXO 47: Valor Bruto de Producción Agropecuaria.

Tema ECONÓMICO

Valor Bruto de la Producción Agropecuaria es la suma total de los

valores de los bienes y servicios producidos por los sectores
Agrícola y Pecuario, independientemente de que se trate de
insumos, es decir, bienes intermedios que se utilizan en el proceso
productivo, o de artículos que se destinan al consumidor final. Por
lo tanto, incluye el valor de todos los productos sin considerar si son
de consumo intermedio o de consumo final. El Valor Bruto de la
Producción Agropecuaria también es igual al consumo intermedio
Definición Agropecuario más el Valor Agregado Agropecuario.
Unidad de Medida Miles de soles de 2007
Periodicidad Anual
Ámbito Departamento
Permite estudiar, dar a conocer, evaluar y analizar el valor bruto de
producción agropecuaria, a precios constantes de 1994, para la toma
de decisiones de responsables regionales y otros interesados en este
Propósito o Uso tema.

Valor Bruto de la Producción Agropecuaria = Valor Bruto de la

Formula Producción Agrícola Valor Bruto de la Producción Pecuaria
Estado Activo
Última actualización con información disponible al 31 de diciembre
Observación del 2016.
Lima incluye el valor bruto de la producción agropecuaria de la
Provincia Constitucional del Callao. La producción pecuaria se
refiere a la de animales vivos y productos de animales (excepto la
Nota carne)
FUENTE: Instituto Nacional de Estadística e Informática - Dirección de Cuentas
Nacionales (2019).

65
ANEXO 48: Gasto del Gobierno Agropecuario por regiones.

AGROPECUARIA

Corresponde al nivel máximo de agregación de las acciones desarrolladas para la

consecución de los objetivos de gobierno, dirigidos al fortalecimiento y desarrollo
sostenible del Sector Agrario y Pecuario.

Atención de Compromiso Mensual

Fase del ciclo del gasto a través del cual la autoridad competente afecta mensualmente
su presupuesto institucional, por el total o la parte correspondiente del gasto que deba
efectuar la Entidad dentro del año fiscal.
El Compromiso no puede exceder los montos aprobados en las Asignaciones
Trimestrales ni los autorizados en los respectivos Calendarios de Compromisos.
El Compromiso no implica obligación de pago.

Devengado

Fase del ciclo del gasto donde se registra la obligación de pago, como consecuencia del
respectivo compromiso contraído.

Girado

Fase del ciclo del gasto donde se cancela total o parcialmente la obligación devengada,
mediante el giro de cheques, emisión de carta orden, notas contables y/o documentos
cancelatorios del Tesoro Público.
FUENTE: Ministerio de Economía y Finanzas- Consulta Amigable (2019).

66
ANEXO 49: Valor agregado del sector agropecuario - base 2007.

Indicador Valor agregado del sector agropecuario - base 2007

Tema ECONÓMICO
Es el valor adicional de la producción agropecuaria obtenido por el
Definición proceso productivo, expresado en millones de Nuevos Soles de 2007 a
nivel nacional.
Unidad de
Millones de soles de 2007
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar el valor agregado del
Propósito o
sector agropecuario, a precios constantes de 1994, para la toma de
Uso
decisiones de responsables nacionales y otros interesados en el tema.
Fórmula
Desagregación
Observación Antes llamado sector Agricultura, Caza y Silvicultura.
FUENTE: Ministerio de Agricultura y Riego (MINAGRI) - Oficina de Estudios
Económicos y Estadísticos - Unidad de Estadística. Instituto Nacional de Estadística e
Informática.

ANEXO 50: Participación del valor agregado agropecuario en el PBI total - base
2007.

Indicador Participación del valor agregado agropecuario en el PBI total - base 2007
Tema DEMOGRÁFICO
Es el porcentaje de participación de la producción agropecuaria respecto
Definición
a la producción total del país.
Unidad de
Porcentaje
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar la participación del
Propósito o valor agregado del sector agropecuario respecto al PBI nacional, a
Uso precios constantes de 2007, para la toma de decisiones de responsables
nacionales y otros interesados en el tema.
Fórmula
Desagregación
Observación Antes llamado sector Agricultura, Caza y Silvicultura.
FUENTE: Ministerio de Agricultura y Riego (MINAGRI) - Oficina de Estudios
Económicos y Estadísticos - Unidad de Estadística. Instituto Nacional de Estadística e
Informática.

67
ANEXO 51: Valor de la Producción Agrícola - base 2007.

Indicador Valor de la Producción Agrícola - base 2007

Tema ECONÓMICO
Es el valor bruto de la producción agrícola, comprende la producción de
75 cultivos agrícolas transitorios y permanentes (74 cultivos, más un
Definición
rubro de otros cultivos), destinados al consumo humano, al consumo
industrial, pastos naturales y otros consumos.
Unidad de
Millones de soles de 2007
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar el valor bruto de la
Propósito o
producción agrícola, a precios constantes de 1994, para la toma de
Uso
decisiones de responsables nacionales y otros interesados en el tema.
Fórmula
Desagregación
Observación
FUENTE: Instituto Nacional de Estadística e Informática (INEI).

68
ANEXO 52: Inversión extranjera del sector agropecuario.

Indicador Inversión extranjera del sector agropecuario

Tema DEMOGRÁFICO
Es el valor de la inversión realizada por agentes económicos extranjeros
Definición
en el sector agropecuario nacional, expresada en miles de US dólares.
Unidad de
Millones de US dólares
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar los niveles de
Propósito o
inversión extranjera del sector agropecuario, para la toma de decisiones
Uso
de responsables nacionales y otros interesados en el tema.
Fórmula
Desagregación
Observación
FUENTE: Ministerio de Agricultura y Riego - Oficina de Estudios Económicos y
Estadísticos - Unidad de Estadística. Instituto Nacional de Estadística e Informática.

ANEXO 53: Superficie sembrada

Indicador Superficie sembrada

Tema ECONÓMICO
Es el área utilizada para la siembra de productos agrícolas en un año,
Definición
expresado en hectáreas a nivel nacional.
Unidad de
Hectárea
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar la participación del
Propósito o valor agregado del sector agropecuario respecto al PBI nacional, a
Uso precios constantes de 2007, para la toma de decisiones de
responsables nacionales y otros interesados en este tema.
Fórmula
Desagregación
Observación
FUENTE: Ministerio de Agricultura y Riego - Oficina de Estudios Económicos y
Estadísticos - Unidad de Estadística. Instituto Nacional de Estadística e Informática.

69
ANEXO 54: Superficie cosechada.

Indicador Superficie cosechada

Tema ECONÓMICO
Es el área utilizada para el cultivo de productos agrícolas, en donde
Definición han concluido su crecimiento, maduración y el producto ha sido
cosechado. Expresado en hectáreas a nivel nacional.
Unidad de
Hectárea
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar la participación del
Propósito o valor agregado del sector agropecuario respecto al PBI nacional, a
Uso precios constantes de 1994, para la toma de decisiones de
responsables nacionales y otros interesados en este tema.
Fórmula
Desagregación
Observación
FUENTE: Ministerio de Agricultura y Riego - Oficina de Estudios Económicos y
Estadísticos - Unidad de Estadística. Instituto Nacional de Estadística e Informática.

ANEXO 55: Índice de precios PBI agropecuario - base 2007.

Indicador Índice de precios PBI agropecuario - base 2007

Tema DEMOGRÁFICO
Indicador estadístico de la variación de precios agropecuarios que
Definición
permiten comparaciones intertemporales
Unidad de
Índice
Medida
Periodicidad Anual
Ámbito Nacional
Este indicador permite conocer, evaluar y analizar los índices de
Propósito o precios respecto del PBI agropecuario, a precios constantes de 2007,
Uso para la toma de decisiones de responsables nacionales y otros
interesados en el tema.
Fórmula
Desagregación
Observación
FUENTE: Ministerio de Agricultura y Riego - Oficina de Estudios Económicos y
Estadísticos - Unidad de Estadística. Instituto Nacional de Estadística e Informática.

70
ANEXO 56: Agricultural total factor productivity growth indices for individual
countries/territories, 1961-2016 (Data info).

Page Title Data Description

Presents agricultural TFP indexes (base year 2005=100) over 1961-2016
using primarily FAO and ILO data, supplemented in some cases by
national statistics. Output is FAO gross agricultural output (GAO). Input
growth is the weighted-average growth in quality-adjusted land, labor,
machinery power, livestock capital, synthetic NPK fertilizers, and animal
Ag TFP feed, where weights are input (factor) cost shares.
Agricultural TFP indexes are estimates by country/territory and for
groups of countries/territories aggregated by geographic region and
income class. (I) For country/territory assignments to geographic groups,
see columns E and F. (ii) For country/territory assignments to income
classes, see columns G and H.
Gross agricultural output for each country/territory at constant 2004-2006
Output average international prices, measured in thousands of dollars (from
FAO).
FAO gross agricultural output is the sum of the value of production of
189 crop and livestock commodities, valued at constant, global-average
prices from 2004-06 and measuring in international 2005 $. This output
measure is equivalent to a Paasche Quantity Index where annual
quantities vary and end-period prices are fixed. FAO gross agricultural
output is used for the output series. Output for former Soviet Socialist
Republics pre-1991, which is not reported by FAO, is constructed from
output quantity data published in Shend (1993) and valued at FAO
average international prices from 2004-06.
A compilation of factor (input) cost shares from various studies and how
Factor
they are applied in this study for the purpose of estimating total input
Shares
growth.
Total input growth rates and indexes for each country/territory, where
Inputs
land, animal feed, and farm machinery capital are quality-adjusted.
Total agricultural land in hectares of "rainfed cropland equivalents." This
is the sum of rainfed cropland (weight equals 1.00), irrigated cropland
Ag Land
(weight varies from 1.00 to 3.00 depending on region) and permanent
pasture (weight varies from 0.02 to 0.09 depending on region).
Land Quality weights used to adjust irrigated cropland and permanent pasture
Weights into "rainfed cropland equivalents." Land quality weights vary regionally.
Cropland is arable land plus land in permanent crops as reported by FAO,
except for the following:(i) Sub-Saharan Africa: Area harvested for all
Cropland
crops (source: FAO).(ii) China: Area sown to all annual crops (source:
China Statistical Yearbooks).
Irrig Area equipped for irrigation (from FAO)
Pasture Area in permanent pasture (from FAO)
Continua

71
 The number of economically active adults in agriculture (modeled
estimates from ILO, May 2018 update, for 1991-2020), except for:
(i) Argentina: estimates from Groningen Growth & Development Center
Labor (1961-2010), and assumed constant at 2010 levels in subsequent years.
(ii) Pre-1991 estimates extrapolated back from ILO 1991 estimate using
previously published FAO estimates of number of economically active
adults in agriculture.
Total livestock capital on farms in "cattle equivalents" based on relative
size and feeding requirements. Stocks of end-of-year inventories held on
farms are from FAO, except for the number for horses in North America
and Western Europe, which are adjusted downward to exclude horses for
non-agricultural purposes (i.e., equine sports). Weights for each species
Livestock are from Y. Hayami and V.W. Ruttan, Agricultural Development: An
International Perspective (1985, p. 450), where dairy cattle are given a
representative weight of 1.000. Species and their respective weights
included are camels (1.100), other camelids (0.250), horses (1.000),
mules (1.000), asses (0.800), dairy cattle (1.000), other cattle (0.800),
goats and sheep (0.100), pigs (0.200), and poultry (10.0 per 1000 head).
The total stock of farm machinery in "40-CV tractor equivalents"
(CV=metric horsepower), aggregating the number of 2-wheel tractors, 4-
wheel tractors, and combine-harvesters and threshers.
For weights we assume 2 wheel tractors average 12 CV, 4-wheel tractors
40 CV, and combine-harvesters 20 CV. Data are from FAO except 2-
wheel tractors, which were compiled from national sources. The FAO
Machinery
count of harvesters for Indonesia was adjusted to include only power
threshers. Data on number of farm machines held on farms are from FAO
for 1961-2009. Post-2009 data are from (i) national agricultural censuses,
(ii) accumulated commercial sales of new tractors and combines
(assuming 10-year life span), and (iii) modeled estimate of growth based
on changes in per capita input and cropland/worker in agriculture.
Metric tonnes of N, P2O5, K2O fertilizer consumption. Data on N,
P2O5, and K2O fertilizer consumption are from the International
Fertilizer Fertilizer Association (IFA). For small countries/territories IFA only
reports regional totals; fertilizer use is apportioned among these entities
as a share of total crop area harvested.
Total metabolizable energy (ME) in animal feed from all sources, in
1000 Mcal (Mcal=megacalories). Quantities of feed by source are from
FAO commodity balance sheets, 1961-2013. Mcal per kg of feed for
each type of feed are from "United States-Canadian Tables of Feed
Feed
Composition: Nutritional Data for United States and Canadian Feeds,
Third Edition," National Research Council, National Academies Press,
1982. For post-2013 feed use is assumed to grow as same rate as total
animal stocks held on farms.
Data released October 1, 2019; revised November 18, 2019 (see errata for details).
FUENTE: USDA, Economic Research Service (2021).

72