Instituto Nacional de Estadística e Informática Av ...

Instituto Nacional de Estadística e InformáticaAv. General Garzón N° 658, Jesús María, Lima 11 PERÚTeléfonos: (511) 433-8398 431-1340 Fax: 433-3591Web: www.inei.gob.peLima, diciembre 2019

Dinámica de la Migración Interna en el Perú (1981 – 2017) ¿Están Envejeciendo más Rápido las Zonas Rurales? • 3

PRESENTACIÓN

El Instituto Nacional de Estadística e Informática (INEI), dentro del marco de su política orientada al uso intensivo de la información que produce, viene impulsando el desarrollo de estudios socioeconómicos y estadísticos. En esta oportunidad, presenta a la comunidad nacional, autoridades, instituciones públicas, privadas, centros de investigación y usuarios en general, la publicación “DINÁMICA DE LA MIGRACIÓN INTERNA EN EL PERÚ (1981 – 2017) ¿ESTÁN ENVEJECIENDO MÁS RÁPIDO LAS ZONAS RURALES?”.

El objetivo general de la investigación es dar evidencia exploratoria sobre las dinámicas migratorias en los distritos del Perú desde 1981 y cómo esta emigración está correlacionada con factores geográficos e institucionales y entre los objetivos específicos más relevantes, explora mediante métodos estadísticos multivariados qué variables están más correlacionadas con la mayor emigración e inmigración, así como en los distintos tipos propuestos en la tipología e Identifica si estos distintos patrones de emigración han generado cambios en la composición demográfica de los distritos emisores. En particular, analiza si en éstos se ha dado un proceso de envejecimiento acelerado (con respecto al resto del país). Las principales fuentes de información utilizadas son las provenientes de los microdatos de los cuatro últimos censos poblacionales de 1981, 1993, 2007 y 2017.

El estudio ha sido elaborado por César A. Huaroto De la Cruz, Magíster en Economía, docente contratado en la Pontificia Universidad Católica del Perú. Confiamos que los resultados de la investigación sean de gran utilidad y aplicación.

Esta investigación fue seleccionada en el Concurso Nacional de Investigaciones que realiza anualmente el INEI, a través del Centro de Investigación y Desarrollo (CIDE).

Lima, diciembre 2019

Econ. José García ZanabriaJefe(e) del INEI


ÍNDICE

PRESENTACIÓN ................................................................................................................................... 3RESUMEN .............................................................................................................................................. 9ABSTRACT .......................................................................................................................................... 10INTRODUCCIÓN ...................................................................................................................................111. Formulación y Justificación del Problema ................................................................................... 132. Objetivos e Hipótesis................................................................................................................... 153. Marco Teórico .............................................................................................................................. 174. Datos y Metodología ................................................................................................................... 21 4.1. Datos e indicadores .......................................................................................................... 21 4.2. Metolodología .................................................................................................................... 225. Resultados .................................................................................................................................. 27 5.1 Resultados de la Tipología ................................................................................................ 27 5.2 Estadísticas Descriptivas .................................................................................................. 37 5.3 Resultados Econométricos – Determinantes de las Tendencias Migratorias ................... 42 5.4 Resultados Econométricos – Efecto de la Migración en la Composición Etaria ............... 466. Conclusiones ............................................................................................................................... 497. Implicancias de la Política Pública .............................................................................................. 498. Limitaciones y Futuros Campos de Estudio ................................................................................ 519. Anexo. Mapas ............................................................................................................................. 5510. Referencias ................................................................................................................................. 91

6 • Dinámica de la Migración Interna en el Perú (1981 – 2017) ¿Están Envejeciendo más Rápido las Zonas Rurales?

ÍNDICE DE TABLAS

Tabla Nº 1. Distritos por tipo y por año del censo .........................................................................29Tabla Nº 2. Matriz de Transición entre tipos de distritos entre 1981 y 2017 .................................29Tabla Nº 3. Tipología de patrones migratorios de distritos entre 1981 y 2017 ..............................35Tabla Nº 4. Estadísticos Descriptivos de las Variables Control .....................................................37Tabla Nº 5. Estadísticos Descriptivos de las Variables Dependientes por año .............................39Tabla Nº 6. Promedio de las Variables Dependientes por Tipología de Trayectorias Migratorias ..................................................................................................................41Tabla Nº 7. Determinantes de la Emigración e Inmigración en el Perú.........................................42Tabla Nº 8. Efecto de las Tasas de Inmigración y Emigración en la Composición Etaria .............46Tabla Nº 9. Efecto de las Variación en las Tasas de Inmigración y Emigración en la Variación en la Composición Etaria ............................................................................47Tabla Nº 10. Efecto de pertenecer a cada tipo en la Composición Etaria .......................................48

ÍNDICE DE GRÁFICOS Gráfico Nº 1. Gráfico de Dispersión entre las Tasas de Inmigración y Emigración en los cuatro

censos de 1981, 1993, 2007 y 2017........................................................................... 28Gráfico Nº 2. Resultados de distintos Analisis de Conglomerados para las tasas de inmigración y

emigración 1981, 1993, 2007 y 2017 con 2, 3, 4 y 5 grupos ...................................... 28

ÍNDICE DE MAPAS

Mapa Nº 1. Tipología Distrital en 1981 .......................................................................................... 31Mapa Nº 2. Tipología Distrital en 1993 .......................................................................................... 32Mapa Nº 3. Tipología Distrital en 2007 .......................................................................................... 33Mapa Nº 4. Tipología Distrital en 2017 .......................................................................................... 34Mapa Nº 5. Tipología Distrital de Patrones Migratorios entre 1981 y 2017 ................................... 36Mapa Nº A1. Tasa de Inmigración en 1981...................................................................................... 57Mapa Nº A2. Tasa de Emigración en 1981 ...................................................................................... 58


Mapa Nº A3. Tasa de Inmigración en 1993...................................................................................... 59Mapa Nº A4. Tasa de Emigración en 1993 ...................................................................................... 60Mapa Nº A5. Tasa de Inmigración en 2007...................................................................................... 61Mapa Nº A6. Tasa de Emigración en 2007 ...................................................................................... 62Mapa Nº A7. Tasa de Inmigración en 2017...................................................................................... 63Mapa Nº A8. Tasa de Emigración en 2017 ...................................................................................... 64Mapa Nº B1. Porcentaje de la Población del Distrito menor de 18 años en 1981 ........................... 65Mapa Nº B2. Porcentaje de la Población del Distrito entre 17 y 39 años en 1981 .......................... 66Mapa Nº B3. Porcentaje de la Población del Distrito entre 40 y 65 años en 1981 .......................... 67Mapa Nº B4. Porcentaje de la Población del Distrito mayor de 65 años en 1981 ........................... 68Mapa Nº B5. Porcentaje de la Población del Distrito menor de 18 años en 1993 ........................... 69Mapa Nº B6. Porcentaje de la Población del Distrito entre 17 y 39 años en 1993 .......................... 70Mapa Nº B7. Porcentaje de la Población del Distrito entre 40 y 65 años en 1993 .......................... 71Mapa Nº B8. Porcentaje de la Población del Distrito mayor de 65 años en 1993 ........................... 72Mapa Nº B9. Porcentaje de la Población del Distrito menor de 18 años en 2007 ........................... 73Mapa Nº B10. Porcentaje de la Población del Distrito entre 17 y 39 años en 2007 .......................... 74Mapa Nº B11. Porcentaje de la Población del Distrito entre 40 y 65 años en 2007 .......................... 75Mapa Nº B12. Porcentaje de la Población del Distrito mayor de 65 años en 2007 ........................... 76Mapa Nº B13. Porcentaje de la Población del Distrito menor de 18 años en 2017 ........................... 77Mapa Nº B14. Porcentaje de la Población del Distrito entre 17 y 39 años en 2017 .......................... 78Mapa Nº B15. Porcentaje de la Población del Distrito entre 40 y 65 años en 2017 .......................... 79Mapa Nº B16. Porcentaje de la Población del Distrito mayor de 65 años en 2017 ........................... 80Mapa Nº C1. Distritos Capitales Provinciales, Regionales o Nacional ............................................ 81Mapa Nº C2. Distancia Euclidiana a la Capital Nacional ................................................................. 82Mapa Nº C3. Distancia Euclidiana a la Capital Regional ................................................................. 83Mapa Nº C4. Distancia Euclidiana a la Capital Provincial ................................................................ 84Mapa Nº C5. Piso Ecológico Dominante en el Distrito ..................................................................... 85Mapa Nº C6. Ruralidad en 1981 ...................................................................................................... 86Mapa Nº C7. Logaritmo de la Población en 1981 ............................................................................ 87Mapa Nº C8. Altitud Promedio ......................................................................................................... 88Mapa Nº C9. Pendiente Promedio ................................................................................................... 89


RESUMEN

¿Cuáles son los patrones de migración interna en el Perú durante los últimos 40 años? ¿Han cambiado en el tiempo o se mantienen constantes? ¿Está concentrada la migración de zonas rurales en zonas urbanas? ¿Qué variables geográficas, políticas, o sociales (entre otras) influyen en una mayor/menor inmigración y emigración? ¿Están causando estos patrones migratorios cambios demográficos impor-tantes en las zonas de inmigración o de emigración? En el presente estudio se busca dar evidencia sobre todas estas preguntas combinando la información proveniente de los microdatos de los cuatro últimos censos poblacionales de 1981, 1993, 2007 y 2017.

Como primer resultado, se tiene una tipología que clasifica a los distritos en 7 tipos dependiendo de sus características exhibidas: “Siempre Receptores”, “ Siempre Emisores”, “Nunca Receptores ni Emisores (Siempre Ni-Ni)”, “Nuevos Receptores”, “Nuevos Emisores”, “Nuevos Ni-Ni” (estos tres últimos son aquellos distritos que empezaron ser de un tipo y luego pasan a ser otro), y, finalmente una categoría marginal que aglomera a todos los que no tienen patrones migratorios claros.

Distintos resultados aparecen, como la evidente persistencia en los patrones migratorios, siendo que los distritos que “siempre” han sido de alguna de las tres primeras categorías representan el 62% del total. Notablemente, la tipología muestra amplia heterogeneidad entre regiones y entre regiones natu-rales. Otro resultado interesante es que la mayor dinámica vista es en aquellos distritos que pasan a ser emisores, es decir, que son “nuevos emisores”, pues estos representan cerca del 25% del total, y los mismos se concentran en la sierra.

La parte final del documento explora econométricamente dos aspectos importantes. El primero es si los determinantes de las tasas de inmigración y emigración y de pertenencia a alguna de las tipolo-gías creadas están relacionadas con geografía, condiciones naturales, accesibilidad, y características políticas. Los resultados indican que las variables señaladas si tienen un poder explicativo importante.El segundo aspecto es si la composición etaria de los distritos es afectada por estas tendencias migra-torias. Se encuentra una fuerte correlación de la mayor emigración con un mayor porcentaje de pobla-ción adulta en el distrito. Y también se encuentra que hay correlación entre inmigración con un mayor porcentaje de jóvenes en el distrito, demostrando la principal hipótesis del estudio.


ABSTRACT

What are the patterns of internal migration in Peru during the last 40 years? Have they changed over time or remain constant? Is this migration from rural areas to urban areas concentrated? What geo-graphic, political, or social variables (among others) influence immigration and emigration? Are these migratory patterns causing significant demographic changes in immigration or emigration zones? The present study seeks to give initial evidence on all these questions by combining the information from the microdata of the last four population censuses of 1981, 1993, 2007 and 2017.

As a first result, I obtain a typology that classifies districts into 7 types depending on their characte-ristics as: “Always Receivers”, “Always Emitters”, “Never Receivers or Emitters (Always Ni-Ni)”, “New receivers”, “New Emitters”, “New Ni-Ni” (these three are those districts that began to be of one type and then become another), and finally a marginal category that brings together all those who do not have migratory patterns.

Different results appear, such as the evident persistence in the migratory patterns, being that the districts that “always” have been one of the three categories represent 62% of the total. Notably, the proposed typology shows extensive heterogeneity between regions and natural regions. Another impressive result is that the most significant dynamic seen is in those districts that become emitters. We call them “new emitters” and they represent about 25% of the total, and most of them are in the highlands.

The final part of the document explores two essential aspects economically. The first is what are the determinants of immigration and emigration rates and of belonging to some of the types created are related to geography, natural conditions, accessibility, and political characteristics. The results indicate that the variables shown do have significant explanatory power.

The second aspect is whether the age composition of the districts is affected by these migration trends. There is a strong correlation of higher emigration with a higher percentage of the adult population in the district. We also found that there is a correlation between immigration with a higher rate of young people in the district, demonstrating the central hypothesis of the study.


INTRODUCCIÓN El presente informe contiene los resultados de la investigación realizada en marco del “Concurso Nacional de Investigaciones 2019” auspiciado por el INEI, en el tema “Dinámica de la Migración Interna en el Perú (1981-2017) ¿Están Envejeciendo más rápido las Zonas Rurales?”.

Así, este estudio contiene información concerniente a la dinámica migratoria distrital entre 1981 y 2017, y presenta resultados cuantitativos respecto a una tipología propuesta para clasificar a los distritos según su historia migratoria y también explora los distintos determinantes de estos patrones. Asimismo, el estudio después muestra evidencia de los impactos de las trayectorias migratorias en la composición etaria distrital.

El resto del documento se ordena de la siguiente manera: La sección 1 presenta la Formulación y Justificación del problema de estudio. La sección 2 expone los objetivos e hipótesis del estudio. La sección 3 muestra la Revisión de la Literatura relevante. La sección 4 hace lo propio con los aspectos metodológicos, las fuentes de datos y la construcción de los indicadores. La sección 5 es la que contiene y discute los resultados principales del estudio. La sección 6 entrega las conclusiones. La sección 8 señala limitaciones y futuros campos de investigación. La sección 7 presenta una discusión sobre las implicancias de política pública del estudio y, finalmente, la sección 9 anexo mapas concluye el documento presentando el listado de las referencias.


1. FORMULACIÓN Y JUSTIFICACIÓN DEL PROBLEMA

La migración interna es una de las principales fuerzas demográficas en el Perú y de América Latina (Cazzuffi & Fernández, 2018; Bernard, Rowe, Bell, Ueffing, Charles-Edward, 2017). En particular, si bien Perú tiene niveles de migración interna similares a los del resto de América Latina, resalta en que los migrantes son menores de edad, en promedio, que el resto de la región (Cazzuffi & Fernández, 2018). Esto hace a Perú un caso de particular interés entorno a los efectos demográficos de la migración y en la composición etaria.

Asimismo, la migración interna ha sido una fuerza presente en el Perú desde hace muchas décadas (Todaro, 1980; Golte & Adams, 1990; Matos Mar, 1986, 1991; Verdera, 1986), siendo la principal característica de esta migración el ir de zonas rurales a zonas urbanas. Por otro lado, desde 1981 hasta la fecha este proceso se ha visto exacerbado por fenómenos como el terrorismo, la hiperinflación y los distintos fenómenos climáticos y sociales propios de cada región.

No obstante, no ha existido aún un esfuerzo en estudiar cómo han evolucionado las dinámicas migratorias de los últimos 40 años, siendo que la mayor parte de la literatura se concentra en las primeras etapas de la migración interna (Matos Mar, 1986, 1991; Verdera, 1986), y en los últimos años (Bernard, et al. 2017; Aldana & Escobal, 2016; Yamada, 2012), aprovechando la disponibilidad de microdatos censales. Esto se discute con mayor detalle en la sección “Marco teórico”.

En esta investigación se realiza una primera exploración sobre esta relación haciendo uso de los microdatos de los últimos 4 censos poblacionales: 1981, 1993, 2007 y 2017. Hasta donde el autor está informado, no ha existido un esfuerzo similar en el Perú.1

En la primera parte del estudio, se propone una tipología distrital sobre los patrones migratorios en el período antes señalado. Tales como: i) “Distrito siempre emisor”, como aquel que en los 4 períodos censales muestra una tasa de emigración positiva con respecto a la tasa de inmigración; ii) “Distrito siempre receptor” como aquel que durante los 4 períodos ha tenido una inmigración mayor que su emigración, y luego combinaciones como iii) “Distrito emisor que pasó a ser receptor” o “Distrito receptor que pasó a ser emisor”. Existen, naturalmente, otros casos en los cuales existen distintas mecánicas migratorias, pero se ha de constatar, son una minoría.

Posteriormente, se analiza qué factores están asociados con una mayor/menor migración, tanto en el caso de los flujos de salida (emigración), como en los de llegada (inmigración). Se examina qué

1 Un precedente a resaltar es el de Boyd (2019), quien analiza distintas características de las mujeres jóvenes rurales en los 6 censos poblacionales entre 1961 y 2017, entre las cuales están sus patrones migratorios.


condiciones geográficas, políticas o sociales están más correlacionadas con los patrones de inmigración y emigración, así como en las distintas combinaciones planteadas en la tipología, tales como la altitud, la pendiente, la región natural predominante, el piso altitudinal, su importancia política (capital provincial y/o capital regional), entre otros.

Como parte final del estudio, se ha de evaluar si efectivamente es posible hablar de un “envejecimiento” de las zonas rurales. Esta hipótesis surge dado el perfil juvenil de la población migrante peruana,y que por lo general siempre fue mayor en zonas rurales, hacia las zonas urbanas. La mayor parte de la migración, además, se realiza de manera permanente, es decir, esta población joven migra para establecerse en las zonas urbanas.

Se considera que el problema del envejecimiento de la población no ha sido priorizado adecuadamente en el Perú, y éste no sería un problema en sí mismo, sino que es acompañada de una falta de ahorros para la vejez y de aseguramiento frente a eventos inesperados, como lo son los causados por los desastres naturales y el cambio climático. En particular, la vulnerabilidad de la población mayor en zonas rurales esta muy documentada (Olivera & Clausen, 2014; Varela, 2016). El envejecimiento causado por migración no es un fenómeno extraño, en la medida que por mucho tiempo se ha tendido a favorecer la migración de los jóvenes, quienes buscan mejores oportunidades mediante el estudio y el trabajo. Así, muchas veces, los adultos, y más importantemente, los adultos mayores han optado por quedarse en las zonas rurales de origen para poder proveer de recursos económicos a sus familiares más jóvenes.

Asimismo, la investigación también explora si también se da el caso opuesto, el que consiste en un “rejuvenecimiento” urbano. Es decir, si el perfil demográfico en zonas urbanas es mayoritariamente juvenil. Lo que naturalmente también implica retos de política muy distintos, como lo son la adecuada promoción del empleo y educación de calidad.


2. OBJETIVOS E HIPÓTESIS

El objetivo general de la investigación es dar evidencia exploratoria sobre las dinámicas migratorias en los distritos del Perú desde 1981 y cómo esta emigración está correlacionada con factores geográficos e institucionales.

Objetivos Específicos:

• Crear una base de datos con la tasa de emigración de la población distrital en 1981, 1993, 2007 y 2017 con la que sea posible analizar lo patrones migratorios de los últimos 40 años.

• Construir una tipología con estos patrones migratorios, en particular identificando a aquellos distritos que cambiaron su rol de “emisor” a “receptor” y viceversa.

• Explorar mediante métodos estadísticos multivariados qué variables están más correlacionadas con la mayor emigración e inmigración, así como en los distintos tipos propuestos en la tipología.

• Identificar si estos distintos patrones de emigración han generado cambios en la composición demográfica de los distritos emisores. En particular, analizar si en éstos se ha dado un proceso de envejecimiento acelerado (con respecto al resto del país).

Hipótesis 1: La dinámica migratoria distrital tiene patrones identificables tales como:

• Distrito siempre emisor (tiene más emigrantes que inmigrantes en los 4 censos).• Distritos siempre receptor (tiene más inmigrantes que emigrantes en los 4 censos).• Distritos que pasan a ser emisores (iniciaron siendo receptores y pasan a ser emisores).• Distritos que pasan a ser receptores (iniciaron siendo emisores y pasan a ser receptores).

Hipótesis 2: Los patrones identificados están relacionados con las características geográficas y políticas locales, tales como:

• Altitud y pendiente promedio.• Región natural dominante.• Si es capital de provincia.• Si es capital de departamento.• Si es Lima Metropolitana.• Distancia a la capital Nacional (Lima Metropolitana).• Distancia a la capital Regional.• Distancia a la capital Provincial.


Hipótesis 3: Los patrones de emigración e inmigración han generado un envejecimiento acelerado en la población. En las regresiones, se usa como variable dependiente el porcentaje de la población mayor de edad (de 65 o más años) y, como variables explicativas las variables dependientes e independientes consideradas en la hipótesis 2.


3. MARCO TEÓRICO

Siendo que la migración interna es una de las principales fuerzas demográficas en el Perú, y ese proceso desde 1981 hasta la fecha este proceso se ha visto exacerbado por fenómenos como el terrorismo, la hiperinflación y los distintos fenómenos climáticos y sociales propios de cada región. Sin temor a equivocarnos acotamos que no se han efectuado estudios sobre cómo han evolucionado las dinámicas migratorias de los últimos 40 años a nivel distrital, y éstas cómo han afectado a la composición demográfica en las localidades donde ha constatado más emigración.

En términos generales, es posible separar la literatura en torno a la migración interna en dos grandes grupos. El primero es el que estudió o buscó comprender las primeras olas migratorias del campo a la ciudad, y cómo este fenómeno se relacionaba tanto con una precarizacón de las condiciones de vivienda en las zonas de llegada; es decir, la aparición de un nuevo fenómeno, que se conoció en el Perú como los “Pueblos Jóvenes” (PPJJ) o “Asentamientos Humanos” (AAHH) y, en el resto de América Latina, con distintos nombres como “Villas Miseria” (Argentina), “Campamentos” (Chile), “Ranchos” (Venezuela) o “Favela” (Brasil).

En particular, cuando se dieron las primeras olas migratorias del campo hacia la ciudad, se iniciaron las investigaciones al respecto en el Perú, pero ninguna con un enfoque netamente cuantitativo, sino combinando métodos cualitativos y estudios de caso. El principal enfoque fue el interés en comprender las dinámicas sociales y los patrones de asentamiento de estos individuos. Así como vincularlos con fenómenos ocurridos en el resto del país, como lo fueron el latifundismo, la Reforma Agraria, etc. En esa literatura peruana se puede mencionar a Matos Mar (1986, 1991), Verdera (1986), Golte & Adams (1990), entre otros. Por su parte la literatura económica internacional explora este mismo problema alrededor de todo el mundo, tanto a nivel empírico como a nivel teórico (Todaro, 1980; Pessino, 1991).

Subrayamos que, con el paso del tiempo este fenómeno fue dejándose de lado como un tema de interés frente a otros problemas más acuciantes, como las consecuencias económicas de la Reforma Agraria, la hiperinflación, la violencia terrorista, la emigración internacional, los cambios estructurales de la década de los 90, el retorno a la democracia, y el rápido crecimiento económico de los últimos 15 años. Más aún, cuando gran parte de los llamados AAHH se fueron incluyendo rápidamente en la economía informal y formal de las ciudades mejorando sus niveles de vida, frente a un notable empobrecimiento en las zonas rurales por los procesos antes mencionados.

No obstante, la migración interna siempre ha estado presente. En particular, gran parte del crecimiento de las ciudades se debe al flujo constante de migrantes del interior, quienes buscan oportunidades laborales y educativas. Esta oferta de mano de obra y esta demanda de servicios, genera efectos


positivos en el crecimiento económico que han recibido muy poca atención.

Esto se relaciona con el segundo grupo importante en la literatura, el cual se ha beneficiado de la mayor disponibilidad de datos. Entre estos están los estudios descriptivos, como Yamada (2012), INEI (2009, 2011), Bernard et al. (2017) y Lucas (2015). Y aquellos que exploran el rol de la migración dentro de las múltiples estrategias de los hogares para lograr su bienestar (Laszlo & Santor, 2011, Boyd, 2019).

Otro grupo importante de la literatura, es el que utiliza modelos de gravedad para estimar los determinantes de la inmigración y emigración, simultáneamente. Esta literatura, que inició con la Economía Regional, ha visto un “resurgimiento”, gracias al incremento de información en todo el mundo, lo que le permite modelar de manera econométrica flujos migratorios de manera más detallada. En esta literatura se puede mencionar Flores, Zey & Hoque (2013), Braz Golgher, Rosa, Araújo & De Ari (2008), Van Lottum & Marks (2012), Poot, Alimi, Cameron, & Maré (2016). Sigeze & Balli (2016), Bunea (2012).

Entre los pocos estudios que han abordado el impacto de la migración interna en el Perú está Aldana y Escobal (2017), quienes exploran el período 2007 y 2014. Entre sus resultados más importantes está que la inmigración genera un efecto positivo en el capital humano promedio en las provincias receptoras, y que además este impacto es mayor en aquellas provincias que tenían un nivel de desarrollo menor. Asimismo, el consumo, el nivel de remesas y el perfil demográfico también son afectados por la inmigración.

Si bien es de resaltar este estudio, es importante notar que el de ellos es un período de tiempo muy corto y su nivel de analisis es únicamente el provincial. Asimismo, en el presente estudio explota la disponibilidad de los microdatos del censo poblacional de 1981, el cual ha sido muy explorado a la actualidad y hacer uso de los recientes datos del censo de 2017, los que complementan estudios ya hechos con los censo de 1993 y 2007 (Yamada, 2012, INEI, 2009, 2011).

Asimismo, dado el perfil juvenil de la población peruana, y que por lo general siempre fue mayor en zonas rurales, el problema del envejecimiento de la población no ha sido priorizado adecuadamente. No obstante, frente a la llegada a la vejez de un grupo importante de la población, acompañada de una falta de ahorros y de aseguramiento mediante pensiones, es importante analizar el rol que ha tenido la migración diferencial en exacerbar el problema de la falta de pensiones para adultos mayores en zonas rurales. Esto es particularmente relevante en el contexto de los programas de pensiones no contributivas en el Perú (Pensión 65), el cual a Junio de 2019 cuenta con 540 000 beneficiarios, los cuales necesitan de mayor información para proyectar donde focalizar el programa y estimar en cuanto podría crecer el universo de beneficiarios.

El envejecimiento causado por migración no es un fenómeno extraño, en la medida que por mucho tiempo se ha tendido a favorecer la migración de los jóvenes, quienes buscan mejores oportunidades mediante el estudio y el trabajo. Así, muchas veces, los adultos, y más importantemente, los adultos mayores han optado por quedarse en las zonas rurales de origen, para poder proveer de recursos económicos a sus familiares más jóvenes. Este fenómeno podría dañar aún más la situación de


vulnerabilidad en que se encuentra una parte importante de los adultos mayores (INEI, 2018, Varela, 2016, Olivera & Clausen, 2014).

Asimismo, si bien el hecho de que los individuos más adultos de un hogar se queden en las zonas de origen para ayudar al familiar migrante tiene un efecto en el hogar que decide actuar así, no deben descartarse efectos de gran magnitud en términos demográficos en las localidades donde la mayoría o buena parte de los hogares opta por estrategias similares. Esta migración selectiva y envejecimiento local podría tener un efecto negativo en la dinámica económica local, agravando la situación de vulnerabilidad de estos hogares.


4. DATOS Y METODOLOGÍA

4.1 DATOS E INDICADORES

Todo el estudio se realiza usando data secundaria. En particular se usan los cuatro censos poblacionales del Perú:

- VIII Censo de Población y III de Vivienda 1981.2 - IX Censo de Población y IV de Vivienda 1993.- XI Censo de Población y VI de Vivienda 2007.- XII Censo de Población y VII de Vivienda 2017.

Para cada uno de los censos se construye la suma total de:

a) Población que nació en dicho distrito y reside en el distrito.b) Población que nació en dicho distrito y reside en cualquier otro.c) Población que reside en dicho distrito pero nació en otro distrito.

Así, se construye los indicadores siguientes:

d) Tasa de Inmigración, como el ratio de Población que reside en dicho distrito pero nació en otro distrito entre la población que reside en dicho distrito, en porcentaje.

e) Tasa de Emigración, como el ratio de Población que nació en dicho distrito y reside en cualquier otro entre la población que nació en dicho distrito, en porcentaje.

Así, se construye una tipología basada en la combinación de estas dos tasas en cada uno de los cuatro censos. Esto se discute con mayor detalle líneas más abajo.

Por otra parte, para estudiar qué factores están asociados con el envejecimiento o rejuvenecimiento en el distrito, se establece:

- Suma de Adultos Mayores (de 65 o mayores) en el distrito.- Suma de Adultos (40-64) en el distrito.- Suma de Jóvenes (18-39) en el distrito.- Suma de Niños y adolescentes (menores de 18) en el distrito.3

2 No se cuenta con la información de 3 regiones: Apurímac, Loreto y San Martín, para estos casos imputaron los datos usando la información de 1993 en combinación con la de las otras regiones en 1981.

3 No encontré literatura que respalde esta clasificación. Use las clasificaciones de menores de 18, para niños y adolescentes


Las siguientes variables son usadas como variables de control o determinantes de los patrones migratorios.

- Altitud promedio en metros sobre el nivel del mar (m.s.n.m).- Pendiente promedio en grados (p.ej. 45º, etc.).- Región natural dominante. Se estima usando usando los datos de altitud promedio de cada

distrito, con la cual se estima el la región natural dominante del distrito (usando la definición de Pulgar-Vidal).

- Distancia a la capital Nacional (Lima Metropolitana). Se estima la distancia euclideana desde la capital distrital hasta Lima Metropolitana en kilómetros.

- Distancia a la capital Regional. Se estima la distancia euclideana desde la capital distrital hasta la capital regional en kilómetros.

- Distancia a la capital Provincial. Se estima la distancia euclideana desde la capital distrital hasta la capital provincial en kilómetros.

Finalmente, también se incluyen como variables de control:

- Porcentaje de población rural por distrito en 1981.- Logaritmo de la población del distrito en 1981.- Efectos Fijos Regionales (una dummy por cada región).- Variable dummy, si es capital de provincia.

o Usando los códigos UBIGEO se considerará a un distrito como capital provincia si su codigo provincia (los caracteres tercero y cuarto) son “01”.

- Variable dummy, si es capital de departamento. o Usando los códigos UBIGEO se considerará a un distrito como capital provincia si su

codigo departamento (los caracteres primero y segundo) son “01”.- Variable dummy, si es Lima Metropolitana

o Si el código ubigeo provincial es “1501” o “0701”.

Un aspecto metodológico importante, es que se usará como unidad de analisis a los “distritos compatibles”. Es decir, dado que entre 1981 y 2017 se crean muchos distritos nuevos, es necesario compatibilizar a los distritos entre censos para poder hacer una análisis adecuado de sus trayectorias distritales. Esto deja a la muestra final con 1 587 distritos “compatibles”.

4.2 METODOLOGÍA

Para la Hipótesis 1:

En este caso simplemente se combina la información de los cuatro censos y se construye una tipología

y la de mayores de 65, pues son definiciones muy usadas en el contexto peruano para definir a los grupos etarios más vulnerables y más importantes para las políticas de protección social. Dividí al resto de la población en dos para evitar tener un grupo muy numeroso en el medio.


con las combinaciones. En cada censo se genera 3 categorías: Emisor, Receptor, y Ni Emisor Ni Receptor (Ni-Ni).

- Mayoritariamente Emisor, si el distrito tiene una tasa de emigración distrital mayor al promedio del país.

- Mayoritariamente Receptor, si el distrito tiene una tasa de inmigración distrital mayor al promedio del país.

- Ni Emisor, Ni Receptor (Ni-Ni), si está por debajo en ambas. Es decir, es un distrito con baja movilidad de salida y de entrada.

Esta clasificación se elige mediante el “Cluster Analysis” usando la combinación de Tasa de Emigración y Tasa de Inmigración. Se probaron distintas clasificaciones (2, 3, 4 y 5 grupos), pero se optó por usar 3 pues captaba bien la heterogeneidad entre los grupos sin complicar mucho la combinación de una tipología para los 4 censos. En la siguiente sección se presentan los resultados.

Luego, se combinan estas 2 categorías para los cuatro censos, así obteniendo hasta 81 posibles trayectorias, que se resumen en las 7 siguientes:

- Tipo A: Siempre Emisor- Tipo B: Siempre Receptor- Tipo C: Siempre Ni-Ni- Tipo D: Nuevo Emisor- Tipo E: Nuevo Receptor- Tipo F: Nuevo Ni-Ni- Tipo G: Otros

Se optó por esta combinación pues se encontró que las tres categorías de “siempre”, representan cerca del 62% de los datos, y la de nuevo emisor un 24%. Entonces las distintas combinaciones restantes eran poco importantes en magnitud para tener un mayor detalle sobre estas. La categoría “otros” aglomera a todos los distritos que no tienen una trayectoria clara (tienen idas y regresos o tienen las 3 categorías), pero representan únicamente el 6,7%.

Los resultados más detallados se presentan en la siguiente sección, en esta se verán estadísticas descriptivas de cada grupo y matrices de transición entre grupos, con los cual será más sencillo entender como se conforma la tipología final.

Así, esta tipología sirve para comprender mejor cuales son los perfiles distritales de acuerdo a sus características migratorias. En particular, servirá para visualizar espacialmente la migración. La principal ventaja de esta tipología es que combinaría en un solo indicador las estadísticas migratorias de los cuatro censos, un aporte a la literatura que no se había hecho anteriormente.


Para Hipótesis 2:

Se realizarán regresiones con las dos tasas mencionadas: inmigración y emigración usando como variables explicativas variables que no cambien en el tiempo. Se usarían distintas especificaciones. En primer lugar, Mínimos Cuadrados usando como variable dependiente las tasas de inmigración y emigración.

Ecuación 1: yit = a + Vi'b + dt + fi

Donde yit representa a la variable dependiente (tasa de inmigración o emigración) en el distrito “i” en el año “t”. La matriz Xi contiene todas las características geográficas, políticas o sociales fijas en el tiempo de estos distritos listadas en la sub-sección anterior. δt representa los efectos fijos por censo (es decir, una variable dummy por cada censo).

Finalmente, se analiza si alguna de estas variables fijas en el tiempo tiene un efecto en la variación total entre los años 1981 y 2017. De esta forma Dyi captura la variación en la variable dependiente entre los años 1981 y 2017. Esto permitirá saber no solo los efectos promedio de dichas variables, sino si estás están incrementando la diferencia en el tiempo.

Ecuación 2: Dyi = a + Vi’b + fi

Xi contiene todas las características geográficas, políticas o sociales fijas en el tiempo de estos distritos listadas en la sub-sección anterior.

Para Hipótesis 3:

Finalmente, la última hipótesis a evaluar sería si la mayor emigración ha generado un “envejecimiento” y, viceversa, si una mayor inmigración ha generado un mayor “rejuvenecimiento”: Este resultado es importante en la medida que permita comprender los efectos de los patrones migratorios en la composición demográfica.

Ecuación 3: yit = a + Vi’b + m*tasa_inmigrait + z*tasa_emigrait + dt + fi

Donde la variable dependiente capturaría la edad en el distrito i en el año t. Esta variable se capturará como el porcentaje de la población en el distrito con menos de 18 años de edad (niños y adolescentes), entre 18 y 39 (jóvenes), entre 40 y 65 (adultos) y de 65 o más (adultos mayores). Las dos variables independientes adicionales serían la tasa de inmigración y de emigración. La matriz Xi contiene todas las características geográficas, políticas o sociales fijas en el tiempo de estos distritos listadas en la sub-sección anterior. δt representa los efectos fijos por censo (es decir, una variable dummy por cada censo).

Al igual que con la hipótesis anterior, se evaluará si la variación en las tasa de migración entre los censos 1981 y 2017 (variación total del período de estudio), tiene un efecto sobre la variación en la


composición de grupos etareos en el distrito en el mismo período de analisis. La ecuación a analizar sería:

Ecuación 4: yi = a + Vi’b + m*Dtasa_inmigrai + z*Dtasa_emigrai + fi

De esta forma Dyi captura la variación en la variable dependiente entre los años 1981 y 2017 y las variables Dtasa_inmigrai y Dtasa_Emigrai capturan la variación en las tasas de migración en dichos años. Xi contiene todas las características geográficas, políticas o sociales fijas en el tiempo de estos distritos listadas en la sub-sección anterior.

Una variación importante de esta especificación es la que incluye la tipología propuesta sobre las mismas variables únicamente en las variables dependientes en el último censo. Es decir, en lugar de incluir las tasas de emigración, incluir una variable dummy por cada una de las categorías de la tipología. Esto permitirá una interpretación más sencilla de los resultados, al contener la información de los cuatro censos en variables dicotómicas y en una variable de corte transversal, y no de panel.

La ecuación a estimar sería similar a la ecuación 4, pero incluyendo una variable dummy por cada una de las categorías de la tipología listada arriba.

Ecuación 5: yi = a + Vi’b + RHj + fi

Xi contiene todas las características geográficas, políticas o sociales fijas en el tiempo de estos distritos listadas en la sub-sección anterior. Esto permitirá conocer como afecta a la composición etaria del distrito pertenecer a cada una de las mismas.


5. RESULTADOS

5.1 RESULTADOS DE LA TIPOLOGÍA

No existe, de acuerdo a la revisión de literatura realizada, una tipología previa sobre los patrones migratorios en el Perú, ni en algún país similar, por lo que para esta se decidió hacer una tipología ad-hoc, usando como metología de “Cluster Analysis” , o análisis de conglomerados, en el cual se propone una serie de indicadores y un número determinado de grupos, que se formarán maximizando la homogeneidad entre estos y maximizando la diferencia con los otros.

Para iniciar esta metodología, es importante conocer primero los datos disponible, así, en el Gráfico Nº1 se presenta el gráfico de dispersión entre las tasas de inmigración y emigración para la muestra de los distritos. Tal como es posible observar, y pese a lo anticipado, no se observa una marcada correlación entre ambas variables. Es decir, no se visualizan aglomeraciones evidentes por las cuales sea posible plantear una tipología inicial.

A raíz de esto se realizan 4 distintos analisis de conglomerados por medias, usando 2, 3, 4 y 5 grupos. Esto permite saber cual sería la clasificación de los distritos en caso de usar dichas aglomeraciones. En principio, un mayor número de grupos hará la comparación más fina, pero complicará el análisis al hacer muy numerosas las posibles combinaciones y dinámicas entre censos.

En el Gráfico Nº 2 se presentan los resultados de las 4 metodologías. Tal como es posible observar, el resultado cambia de manera importante dependiendo de la cantidad de grupos con la que se decida trabajar. Para este estudio se decidió usar sólo 3 categorías, debido a que la que usa 2 grupos muestra insuficiente capacidad para capturar una variabilidad interesante, mientras que si bien las de 4 y 5 son más interesantes en promedio, expandir mucho el número de grupos complicaría, más adelante, comprender las dinámicas.

Entonces, la clasificación anual utilizada es la de tres grupos, a los que denominaremos:

a) Emisorb) Receptorc) Ni Emisor, ni Receptor

En la Tabla Nº 1 se presenta el tamaño de cada grupo por censo. Tal como es posible observar, el número de distritos receptores se reduce ligeramente en el tiempo, mientras que el número de emisores se incrementa y el número de distritos Ni-Ni se reducen en elevada magnitud. Esto es una clara señal de que la mayor transición podría estarse tanto entre distrito Ni-Ni que pasan a ser emisores.


Gráfico Nº 1 Gráfico de Dispersión entre las Tasas de Inmigración y Emigración en los cuatro censos de 1981,

1993, 2007 y 2017

Fuente: Censos de Población y Vivienda 1981, 1993, 2007 y 2017. Elaboración Propia.

Gráfico Nº 2. Resultados de distintos Analisis de Conglomerados para las tasas de inmigración y emigración

1981, 1993, 2007 y 2017 con 2, 3, 4 y 5 grupos



Cuadro Nº 1 Distritos por tipo y por año del censo

Tipo 1981 1993 2007 2017

Receptor 357 350 311 315

Emisor 467 487 556 813

Ni-Ni 763 750 720 459

Total 1 587 1 587 1 587 1 587


Así, al usar el analisis de conglomerados de tres grupos, se pasa a analizar las dinámicas entre grupos. Es interesante analizar esto mismo mediante matrices de transición, que permiten conocer cómo evolucionan los distritos en el tiempo. En los Mapas A1-A8, en el Anexo 1, se observa la tasa de inmigración y emigración distrital para cada uno de los años de los censos. Tal como se discutirá más adelante, estos mapas muestran patrones espaciales migratorios interesantes, como lo son una creciente emigración en la sierra, y una mayor inmigración en la costa y selva del país. Aunque con marcada heterogeneidad, existiendo “polos” Ni-Ni, tanto en la costa norte (Piura y Lambayeque), en la sierra sur (Cuzco y Puno), y en la selva (Loreto y Ucayali).

En la Tabla Nº 2 se presenta dicho analisis usando únicamente el censo de 1981 del 2017. Tal como es posible observar, por ejemplo, en 1981, 357 distritos eran clasificados como receptores, de los cuales sólo 243 lo son en 2017. No obstante, este mismo grupo también habría “ganado” 72 distritos que iniciaron siendo de otro grupo y ahora pasaron a ser receptores, por lo que el total en 2017 es de 315 receptores, tal como vimos en la Tabla Nº 1. Este mismo análisis se puede hacer para todos los grupos.

Cuadro Nº 2 Matriz de Transición entre tipos de distritos entre 1981 y 2017

Por númeroTipo en 2017

Receptor Emisor Ni-Ni Total

Tipoen

1981

Receptor 243 60 54 357Emisor 28 399 40 467Ni-Ni 44 354 365 763

Total 315 813 459 1 587

Como porcentaje Tipo en 2017

Receptor Emisor Ni-Ni Total

Tipoen

1981

Receptor 15,31 3,78 3,40 22,50Emisor 1,76 25,14 2,52 29,43Ni-Ni 2,77 22,31 23,00 48,08

Total 19,85 51,23 28,92 100,00Fuente: Censos de Población y Vivienda 1981, 1993, 2007 y 2017. Elaboración Propia.


Sin embargo, es importante resaltar el gran cambio que se ve en los distritos que iniciarion siendo Ni-Ni, los cuales en 1981 eran 763, es decir, cerca del 50% nacional. Pero para el 2017, sólo 365 han permanecido en dicha categoría. Asimismo, se ve que el principal grupo que habría recibido a dichos distritos es el de Emisores. Es decir, la mayor dinámica, en tamaño, entre los 4 censos es la de pasar de ser distritos Ni-Ni a ser distritos emisores. En otras palabras, esto nos muestra que la mayor tendencia migratoria en el país ha sido la de incrementar la emigración en aquellos distritos que en un inicio tenían bajas tasas de inmigración y de emigración. Tal como es posible imaginar, eso se debería a que tendrían menores niveles de desarrollo económico, lo que los hacía poco atractivos para los inmigrantes y, al mismo tiempo, reducía la capacidad de los locales de salir del distrito a buscar nuevas oportunidades.

Una posible respuesta es que el crecimiento de los últimos años haya beneficiado a estos pobladores permitiéndoles incrementar sus tasas de emigración o, también, que el crecimiento económico haya sido muy concentrado en los distritos receptores (mayoritariamente urbanos), haciéndolos más atractivos para los inmigrantes.

Por último, otra forma de visualizar esta tipología es de manera espacial. Así, en los mapas Nº 1, Nº 2, Nº 3 y Nº 4 se presenta la tipología propuesta año por año. Tal como se precisó en la descripción de los mapas A1-A8 en el Anexo, se observa claramente algunos patrones espaciales interesantes, tales como el incremento de distritos emisores en la sierra peruana con el paso del tiempo, y también se visualiza que existe una notable concentración de distritos por su “tipo”, siendo que se ven y distinguen polos de distritos “Ni-Ni” en la costa norte (Piura y Lambayeque), en la sierra sur (Cuzco y Puno), y en la Selva (Loreto y Ucayali).

Estos mapas nos dan cuenta de cómo han ido evolucionando los distritos en sus patrones migratorios durante los cuatro censos y, tal como se mostrará más adelante, es notable la persistencia en las clasificaciones de la mayoría de los distritos. Finalmente, para una más sencilla interpretación se plantea usar la siguiente clasificación “global”, combinando las clasificaciones en cada uno de los censos:

- Tipo A: Siempre Emisor - Tipo E: Nuevo Receptor- Tipo B: Siempre Receptor - Tipo F: Nuevo Ni-Ni- Tipo C: Siempre Ni-Ni - Tipo G: Otros- Tipo D: Nuevo Emisor

Donde clasificamos en los primeros tres grupos a todos aquellos distritos que consistentemente en los 4 censos han sido clasificados sea como Emisores, Receptores o Ni-Ni.4 Dado que existen multiples trayectorias entre las tres, se decidió clasificarlos únicamente como “nuevos” Emisores, Receptores o Ni-Ni si hacen sólo una transición a los largo de los cuatro censos. Esto último para evitar los errores de medición, puesto que al hacer una sola transición es más probable que tanto la categoría de inicio y de final estén correctamente medidas. Finalmente, la séptima categoría contiene a todas aquellas trayectorias “extrañas”, que consisten en aquellos que llegan a estar en las 3 categorías en algún momento o si hacen otro tipo de trayectorias diferente.

4 Para simplificar, se considera que si en alguno de los años intermedios cambia de categoría pero luego regresa a la de origen, se trata de un error de medición y que siempre perteneció al grupo de inicio y final.


Mapa Nº 1 Tipología Distrital en 1981

Fuente: Censo de Población y Vivienda 1981. Elaboración Propia.



Fuente: Censo de Población y Vivienda 1993.Elaboración Propia.


De esta forma la tipología final se presenta en la Tabla Nº 3. Se ve que cerca del 62% de los distritos muestran una consistencia temporal notable, es decir, se mantienen en la misma tipología los 4 censos. Asimismo, se observa que el único grupo de transición importante es el de “Nuevos Emisores”, es decir, distritos que salen de ser o Receptores o Ni-Ni para ser Emisores. Es posible afirmar que en base a lo visto en la Tabla Nº 2, la mayoría de estos nuevos emisores eran anteriormente Ni-Ni.

Finalmente, es claro que las otras tres categorías, “Nuevos Ni-Ni”, “Nuevos Receptores” y “Otros” son, en conjunto poco relevantes para caracterizar la migración, pues éstas solo capturan aproximadamente el 12% de los distritos.

Cuadro Nº 3 Tipología de patrones migratorios de distritos entre 1981 y 2017

Tipo N % % Acum.Siempre Receptor 240 15,12 15,12Siempre Emisor 390 24,57 39,70Siempre Ni-Ni 362 22,81 62,51Nuevo Receptor 64 4,03 66,54Nuevo Emisor 382 24,07 90,61Nuevo Ni-Ni 89 5,61 96,22Otros 60 3,78 100,00


Finalmente, en el Mapa Nº 5 se presenta la distribución espacial de la mencionada tipología. Tal como es posible observar, existen interesantes patrones espaciales. En la Costa, se tienen, por ejemplo, polos de Receptores alrededor de la zona costera de Lima, Ancash y La Libertad, en el norte, y en Arequipa, Moquegua y Tacna en el sur. Aunque no se presentan directamente en el mapa, claramente están relacionadas con las ciudades de la costa.

Otro notable polo de receptores está en la región de Madre de Dios y en una zona de la Selva entre Loreto, San Martín y Huánuco, principalmente en los distritos relacionados con las ciudades de Tarapoto, Pucallpa y Tingo María (en Huánuco). El otro patrón que es evidente es la de la transformación de la sierra en emisora, este patrón es notable principalmente en la sierra central. Salvo en las regiones de Cuzco, Puno y algunas de la sierra norte de Ancash y Cajamarca, es indudable que la sierra es mayoritariamente una zona emisora de migrantes.

Aunque ya mencionamos que en tamaño es de poca magnitud, llama la atención la aparición de “Nuevos Ni-Ni” concentrados en la selva de Cuzco (La Convención), en la zona sur de Ucayali y en la región Amazonas, tres zonas de la Selva que durante los últimos años han mostrado tener menos crecimiento que otras regiones de la selva.

Por último, también es de resaltar que los “nuevos Receptores” están concentrados básicamente en la región Arequipa, Ica, San Martín y Tumbes, precisamente en regiones que han mostrado tasas de crecimiento mayores al promedio del resto del país.


Mapa Nº 5 Tipología Distrital de Patrones Migratorios entre 1981 y 2017



5.2 ESTADÍSTICAS DESCRIPTIVAS

Tal como se discutió en la sección metodológica, para el presente estudio se han utilizado diversas fuentes de información. Así, en la Tabla 4 se presentan los estadísticos descriptivos más importantes (media, desviación estándar, mínimo y máximo) de todas las variables usadas como control. En el Anexo se presentan los Mapas (Nº C1 al Nº C9) con la variación distrital de estas variables.

Cuadro Nº 4 Estadísticos Descriptivos de las Variables Control

N Media Desviación Estándar Mínimo Máximo

Características al inicio del período 1981

Log. Población en 1981 6 348 8,23 1,26 3,74 13,38

Porcentaje población rural en 1981 6 348 59,98 29,62 0,00 101,72

Accesibilidad e importancia política

Distancia en Kilómetros a Lima Metropolitana 6 348 293,29 217,42 0,00 907,59

Distancia en Kilómetros a la Capital Regional 6 348 54,22 54,36 0,00 466,38

Distancia en Kilómetros a la Capital Provincial 6 348 16,70 19,74 0,00 231,30

Dummy si es Lima Metropolitana 6 348 0,02 0,15 0,00 1,00

Dummy si es Capital Regional 6 348 0,20 0,40 0,00 1,00

Dummy si es Capital Provincial 6 348 0,10 0,30 0,00 1,00

Características Geográficas

Altitud promedio (en miles de m.s.n.m.) 6 348 2,71 1,45 0,00 4,82

Pendiente promedio (en grados) 6 348 15,77 7,67 0,43 40,93

Piso Ecológico Dominante:

Chala o Costa (Cuenca Pacífico - Menos 500 msnm.) 6 348 0,10 0,30 0,00 1,00

Yunga Marítima (Cuenca Pacífico - Entre 500 y 2300 msnm.) 6 348 0,09 0,28 0,00 1,00

Quechua (Entre 2300 y 3500 msnm.) 6 348 0,27 0,44 0,00 1,00

Suni o Jalca (Entre 3500 y 4000 msnm.) 6 348 0,21 0,41 0,00 1,00

Puna (Entre 4000 y 4800 msnm.) 6 348 0,20 0,40 0,00 1,00

Cordillera o Janca (Más de 4800 msnm) 6 348 0,00 0,03 0,00 1,00

Yunga Fluvial (Cuenca Amazónica - Entre 1000 y 2300 msnm.) 6 348 0,06 0,24 0,00 1,00

Selva Alta (Cuenca Amazónica - Entre 1000 y 400 msnm.) 6 348 0,03 0,17 0,00 1,00

Selva Baja (Cuenca Amazónica - Menos de 400 msnm.) 6 348 0,05 0,22 0,00 1,00

Región

Amazonas 6 348 0,05 0,21 0,00 1,00

Ancash 6 348 0,09 0,29 0,00 1,00

Apurímac 6 348 0,05 0,21 0,00 1,00

Arequipa 6 348 0,06 0,24 0,00 1,00

Continúa...


Cuadro Nº 4 Estadísticos Descriptivos de las Variables Control

Conclusión.


Ayacucho 6 348 0,06 0,24 0,00 1,00

Cajamarca 6 348 0,06 0,24 0,00 1,00

Callao 6 348 0,00 0,06 0,00 1,00

Cusco 6 348 0,06 0,24 0,00 1,00

Huancavelica 6 348 0,05 0,23 0,00 1,00

Huanuco 6 348 0,04 0,19 0,00 1,00

Ica 6 348 0,02 0,15 0,00 1,00

Junín 6 348 0,08 0,27 0,00 1,00

La Libertad 6 348 0,04 0,20 0,00 1,00

Lambayeque 6 348 0,02 0,13 0,00 1,00

Lima 6 348 0,10 0,30 0,00 1,00

Loreto 6 348 0,02 0,15 0,00 1,00

Madre de Dios 6 348 0,00 0,07 0,00 1,00

Moquegua 6 348 0,01 0,11 0,00 1,00

Pasco 6 348 0,02 0,12 0,00 1,00

Piura 6 348 0,04 0,19 0,00 1,00

Puno 6 348 0,05 0,23 0,00 1,00

San Martín 6 348 0,05 0,21 0,00 1,00

Tacna 6 348 0,01 0,10 0,00 1,00

Tumbes 6 348 0,01 0,07 0,00 1,00

Ucayali 6 348 0,01 0,08 0,00 1,00

Fuente: Censo de Población y Vivienda 1981, DEM, e INEI.Elaboración Propia.

Por otro lado, la Tabla Nº 5 presenta los estadísticos descriptivos de las variables dependientes del estudio, tales como la tasa de inmigración, emigración y los porcentajes de la población por grupos de edad. Asimismo, también se muestra la variación promedio entre los censos de 1981 y 2017. Tal como hemos visto en las Tablas anteriores es posible notar que hay una reducción de la tasa de inmigración distrital promedio entre los censos y un incremento en la tasa de emigración. Es importante notar que el incremento de la tasa de emigración es mayor que la reducción en la tasa de inmigración. Esta diferencia naturalmente se debe a que los distritos donde aumenta la emigración son menores en tamaño de aquellos donde disminuye la inmigración.

Por otro lado se observa un importante envejecimiento de la población, siendo que en 1981 cerca del 50% de la población en el distrito promedio era menor de edad, mientras que este porcentaje es de 32% en 2017. Asimismo, mientras que este porcentaje era de 5,5% en 1981 para la población mayor de 65 años, este se ha incrementado a 12% en 2017.


Cuadro Nº 5 Estadísticos Descriptivos de las Variables Dependientes por año


En 1981 Tasa de Inmigración 1 587 16,53 15,29 0,00 75,19Tasa de Emigración 1 587 30,26 15,90 0,80 85,63Porcentaje menor de 18 años 1 587 50,09 5,00 6,35 66,18Porcentaje entre 18 y 40 años 1 587 26,67 4,73 9,03 50,00Porcentaje entre 40 y 65 años 1 587 17,74 3,93 7,20 38,19Porcentaje mayor de 65 años 1 587 5,50 3,05 -0,08 42,86En 1993 Tasa de Inmigración 1 587 16,08 13,43 1,31 80,44Tasa de Emigración 1 587 30,64 15,38 1,57 83,07Porcentaje menor de 18 años 1 587 46,82 5,38 23,42 62,90Porcentaje entre 18 y 40 años 1 587 29,60 4,13 16,73 46,58Porcentaje entre 40 y 65 años 1 587 17,28 2,94 8,91 30,50Porcentaje mayor de 65 años 1 587 6,30 3,09 0,44 20,31En 2007 Tasa de Inmigración 1 587 14,20 13,19 0,53 75,40Tasa de Emigración 1 587 32,16 15,50 2,31 93,13Porcentaje menor de 18 años 1 587 39,77 6,73 7,31 58,23Porcentaje entre 18 y 40 años 1 587 30,78 5,02 18,50 66,21Porcentaje entre 40 y 65 años 1 587 20,78 3,39 10,19 40,29Porcentaje mayor de 65 años 1 587 8,67 3,96 0,74 27,20En 2017 Tasa de Inmigración 1 587 14,50 12,65 0,88 79,27Tasa de Emigración 1 587 38,25 16,71 1,72 88,66Porcentaje menor de 18 años 1 587 32,95 6,73 9,03 57,02Porcentaje entre 18 y 40 años 1 587 29,13 5,30 13,96 51,83Porcentaje entre 40 y 65 años 1 587 26,23 4,01 13,04 40,45Porcentaje mayor de 65 años 1 587 11,70 5,37 1,23 36,49Variación entre 1981 y 2017 Tasa de Inmigración 1 587 -2,03 9,68 -49,42 68,09Tasa de Emigración 1 587 7,99 13,14 -41,23 62,89Porcentaje menor de 18 años 1 587 -17,15 5,75 -39,94 28,10Porcentaje entre 18 y 40 años 1 587 2,46 4,56 -19,41 25,16Porcentaje entre 40 y 65 años 1 587 8,49 3,98 -10,26 23,11Porcentaje mayor de 65 años 1 587 6,20 4,24 -18,52 25,57

Fuente: Censo de Población y Vivienda 1981, 1993, 2007 y 2017Elaboración Propia.


En el Anexo, se muestran en los Mapas Nº B.1 – B.16 los porcentajes de la población distrital en los cuatro grupos etarios elegidos para el estudio. Así, es posible observar también patrones espaciales en estos cambios, siendo que el mayor envejecimiento parece darse en la zona sierra del país, donde se observa en el año 2017 elevados porcentajes de esta población. Esto está relacionado con los distintos patrones migratorios del distrito para explicar la composición etaria de los distritos.

Otro aspecto a notar es que la composición etaria también es distinta por regiones, siendo el porcentaje de la población menor de edad en 2017 particularmente alta en las zonas de la selva, principalmente en Loreto, por ejemplo.

Finalmente, la Tabla Nº 6 presenta el promedio de las variables dependiente por año y a nivel de variación entre 1981 y 2017 para cada uno de los tipos propuestos con la tipología.

Así, es posible ver que no existen diferencias importantes entre los distritos que pasaran a ser “Nuevos” en 1981, siendo que las diferencias de estos en niveles de inmigración y emigración recién son notorios con el paso del tiempo, llegando a 2017 a ser muy similares a los niveles de los clasificados como “siempre” de un mismo tipo.

Entre los resultados más resaltantes está el evidente incremento en las brechas de edad promedio entre los distritos emisores (tanto “Siempre Emisores” como “Nuevos Emisores”) con los distritos receptores (tanto “Siempre receptores” como “Nuevos Receptores”), mostrando claramente que durante los últimos cuarenta años se ha incrementado la diferencia de edad promedio entre estos distritos.


Cuadro Nº 6 Promedio de las Variables Dependientes por Tipología de Trayectorias Migratorias

Siempre Receptor

Siempre Emisor

Siempre Ni-Ni

Nuevo Receptor

Nuevo Emisor

Nuevo Ni-Ni Otros

En 1981 Tasa de Inmigración 42,56 12,04 7,52 19,14 11,30 22,24 16,10Tasa de Emigración 20,24 51,03 18,52 31,37 27,15 29,02 33,30Porcentaje menor de 18 años 49,41 47,95 52,09 48,64 50,98 49,99 49,98Porcentaje entre 18 y 40 años 32,70 22,98 26,47 28,93 25,70 28,73 26,69Porcentaje entre 40 y 65 años 14,81 20,91 16,70 17,15 17,91 16,55 17,78Porcentaje mayor de 65 años 3,08 8,16 4,74 5,29 5,41 4,73 5,55En 1993 Tasa de Inmigración 38,92 13,15 7,53 22,79 10,66 19,37 16,14Tasa de Emigración 19,94 50,60 18,32 28,97 29,94 27,20 34,65Porcentaje menor de 18 años 45,36 43,92 49,77 45,43 48,02 47,16 46,25Porcentaje entre 18 y 40 años 34,61 27,53 29,07 32,09 28,08 31,25 29,76Porcentaje entre 40 y 65 años 16,08 19,20 16,00 16,55 17,69 16,30 17,58Porcentaje mayor de 65 años 3,95 9,35 5,16 5,94 6,22 5,29 6,41En 2007 Tasa de Inmigración 36,02 11,39 5,75 29,36 8,55 14,29 14,29Tasa de Emigración 21,32 48,32 20,74 26,84 36,42 24,77 34,06Porcentaje menor de 18 años 36,82 36,89 43,97 37,05 41,05 40,19 38,73Porcentaje entre 18 y 40 años 36,46 28,25 30,38 35,48 28,52 32,40 31,91Porcentaje entre 40 y 65 años 20,97 22,52 18,74 20,58 21,06 20,24 20,86Porcentaje mayor de 65 años 5,75 12,34 6,91 6,89 9,37 7,17 8,50En 2017 Tasa de Inmigración 34,53 12,12 6,19 34,00 8,96 13,26 14,79Tasa de Emigración 21,10 56,35 25,81 25,38 47,50 26,34 41,25Porcentaje menor de 18 años 32,56 29,40 37,13 32,58 32,45 34,74 32,31Porcentaje entre 18 y 40 años 34,76 25,97 29,54 35,23 26,74 31,05 29,14Porcentaje entre 40 y 65 años 25,18 28,53 23,96 24,55 27,32 24,99 26,54Porcentaje mayor de 65 años 7,51 16,10 9,37 7,65 13,49 9,22 12,01Variación entre 1981 y 2017 Tasa de Inmigración -8,02 0,07 -1,33 14,86 -2,34 -8,98 -1,30Tasa de Emigración 0,87 5,32 7,29 -5,99 20,35 -2,68 7,95Porcentaje menor de 18 años -16,85 -18,55 -14,95 -16,06 -18,52 -15,25 -17,67Porcentaje entre 18 y 40 años 2,06 2,98 3,07 6,30 1,04 2,31 2,46Porcentaje entre 40 y 65 años 10,37 7,62 7,25 7,40 9,40 8,45 8,76Porcentaje mayor de 65 años 4,42 7,95 4,63 2,36 8,08 4,49 6,46

Fuente: Censo de Población y Vivienda 1981, 1993, 2007 y 2017.Elaboración Propia.


5.3 RESULTADOS ECONOMÉTRICOS – DETERMINANTES DE LAS TENDENCIAS MIGRATORIAS

En la Tabla 7 se presentan los resultados del análisis de regresión lineal propuesto en las Ecuaciones 1 y 2 de la sección Metodología, usando como variables dependientes los porcentajes de emigración e inmigración distrital y como variables independientes a todas las variables control propuestas.

El propósito de este análisis no es el de dar resultados de causa-efecto, sino explorar las correlaciones que existen entre las distintas variables control del modelo con las distintas propuestas como importantes predictores de la inmigración y emigración.

Así, por ejemplo, observamos que una mayor población en 1981 está relacionada con una menor emigración en promedio, pero con un mayor crecimiento de la emigración entre 1981 y 2017

Por otro lado, se observa que las variables de distancia euclidiana no parecen ser importantes predictores de las tasas de migración, en cambio las variables dummy respecto a la importancia política del distrito sí parecen tener un rol importante, pues como es de esperar, ser de Lima Metropolitana está relacionada con una menor tasa de emigración, al igual que ser de la capital regional, lo cual es el caso opuesto para las capitales provinciales, las cuales tienen un efecto positivo en la tasa de emigración.

Entre las variables geográficas, se observa que una mayor altitud se relaciona con mayores niveles de emigración y menores de inmigración. No se encuentra un efecto fuerte de la pendiente promedio, siendo lo más notorio que una mayor pendiente incrementa la emigración y reduce la tasa de inmigración. Se resalta además en la Tabla Nº 7 el elevado R cuadrado obtenido, lo que es una señal de que todas las variables en conjunto son capaces de explicar una gran parte de la varianza de la variable dependiente. Esto es importante, pues todas estas variables serán incluidas en los siguientes modelos y servirán para ajustar mejor el modelo.

Cuadro Nº 7 Determinantes de la Emigración e Inmigración en el Perú

VARIABLES(1) (2) (3) (4)

% Emigración

% Inmigración

Var. Emigración

Var. Inmigración

Características al inicio del período 1981Log, Población en 1981 -3,82*** 1,08*** 3,18*** -2,51*** (0,19) (0,16) (0,35) (0,28)Porcentaje población rural en 1981 -0,12*** -0,10*** 0,04*** 0,02* (0,01) (0,01) (0,01) (0,01)Conectabilidad e importancia políticaDistancia en Kilómetros a Lima Metropolitana -0,01** 0 0 -0,01** (0,00) (0,00) (0,01) (0,00)

Continúa...



VARIABLES(1) (2) (3) (4)

% Emigración

% Inmigración

Var. Emigración

Var. Inmigración

Distancia en Kilómetros a la Capital Regional 0,01* 0,01*** -0,01 0

(0,00) (0,00) (0,01) (0,01)

Distancia en Kilómetros a la Capital Provincial 0,03*** 0,04*** 0,01 -0,04***

(0,01) (0,01) (0,02) (0,01)

Dummy si es Lima Metropolitana -10,60*** 1,98* 3,74 0,97

(1,71) (1,08) (2,34) (2,15)

Dummy si es Capital Regional -5,97*** 1,06*** -3,14*** 3,94***

(0,48) (0,34) (0,90) (0,69)

Dummy si es Capital Provincial 15,39*** 2,71*** -8,72*** 2,01***

(0,58) (0,44) (1,00) (0,77)

Características Geográficas

Altitud promedio (en miles de m,s,n,m,) 2,47*** -4,50*** 3,94*** 2,73***

(0,60) (0,49) (1,10) (0,93)

Pendiente promedio (en grados) 0,05 -0,10*** 0,27*** -0,21***

(0,03) (0,03) (0,07) (0,05)

Piso Ecológico Dominante (Chala o Costa es la categoría de comparación)

Yunga Marítima (Cuenca Pacífico - Entre 500 y 2300 msnm) 4,04*** 7,29*** -3,15* -1,26

(1,16) (0,94) (1,87) (1,66)

Quechua (Entre 2300 y 3500 msnm,) 4,33** 1,25 -2,87 -1,13

(1,89) (1,53) (3,21) (2,99)

Suni o Jalca (Entre 3500 y 4000 msnm,) 4,13* -0,36 -0,28 -2,61

(2,25) (1,81) (3,93) (3,54)

Puna (Entre 4000 y 4800 msnm,) 2,29 1,63 0,62 -5,57

(2,50) (1,98) (4,36) (3,90)

Cordillera o Janca (Más de 4800 msnm) -6,01** -3,82 -11,28** -4,02

(2,93) (2,40) (5,05) (4,39)

Yunga Fluvial (Cuenca Amazónica - Entre 1000 y 2300 msnm) 1,33 9,49*** 1,16 -7,49***

(1,54) (1,31) (2,54) (2,47)

Continúa...



VARIABLES(1) (2) (3) (4)

% Emigración

% Inmigración

Var. Emigración

Var. Inmigración

Selva Alta ‘(Cuenca Amazónica - Entre 1000 y 400 msnm) 6,67*** 1,01 1,52 -7,55**(1,67) (1,96) (2,82) (3,52)

Selva Baja ‘(Cuenca Amazónica - Menos de 400 msnm) 9,48*** -7,10*** 5,38* -1,97(1,80) (2,06) (2,81) (3,52)

Efecto Fijo Región (Amazonas es la región de comparación)Ancash 4,10*** -0,56 -19,91*** -6,45*** (1,02) (0,89) (1,93) (1,68)Apurímac 5,08*** -1,36 -18,57*** -2,59 (1,44) (1,18) (2,75) (2,14)Arequipa 6,14*** 4,40*** -13,99*** -0,51 (1,69) (1,48) (3,29) (2,63)Ayacucho 9,19*** -1,89* -14,96*** -3,39* (1,20) (1,03) (2,32) (1,93)Cajamarca 7,63*** -9,06*** -13,63*** -2,01 (0,98) (0,87) (1,90) (1,71)Callao 21,02*** 12,21*** -15,86* -18,33*** (4,28) (2,68) (8,43) (3,86)Cusco -1,56 1,64 -19,24*** -0,47 (1,74) (1,55) (3,38) (2,73)Huancavelica 7,48*** -1,15 -11,20*** -7,32*** (1,18) (0,92) (2,08) (1,74)Huánuco -1,57 1,52 -14,68*** -8,89*** (1,07) (1,04) (2,16) (1,93)Ica -0,11 -4,70*** -15,86*** -4,89* (1,55) (1,43) (2,76) (2,90)Junín 1,52 4,42*** -14,83*** -7,98*** (1,04) (0,97) (1,94) (1,88)La Libertad 3,31*** -4,50*** -16,36*** -3,12* (1,13) (0,95) (2,28) (1,81)Lambayeque 4,83*** -13,86*** -10,55*** 1 (1,50) (1,31) (2,58) (2,60)Lima 5,70*** 2,09** -20,49*** -4,74** (1,11) (1,01) (2,14) (1,91)

Continúa...



VARIABLES(1) (2) (3) (4)

% Emigración

% Inmigración

Var. Emigración

Var. Inmigración

Loreto -10,88*** -12,14*** -12,69*** -0,75 (1,97) (2,22) (3,33) (3,82)Madre de Dios -8,61** 16,29*** -16,66*** 6,97 (3,83) (3,28) (5,08) (8,65)Moquegua 1,49 5,49*** -13,02*** -2,81 (2,61) (2,11) (4,90) (3,34)Pasco 1,15 1,1 -20,50*** -10,28*** (1,43) (1,09) (3,00) (2,12)Piura 7,44*** -18,40*** -10,76*** 1,09 (1,43) (1,17) (2,67) (2,16)Puno 0,23 -3,07 -19,43*** -1,88 (2,33) (1,90) (4,32) (3,40)San Martín -3,68** 8,03*** -11,88*** 4,08 (1,44) (1,69) (2,55) (3,17)Tacna 6,43** 10,40*** -12,94** -4,41 (2,91) (2,37) (5,56) (4,39)Tumbes 0,46 -9,19*** -11,30** -2,17 (2,22) (2,09) (4,39) (3,33)Ucayali -3,18 -6,88*** -13,43*** -5,57 (2,14) (2,22) (3,44) (4,38)Efecto Fijo Año 1981 es el año comparación 1993 0,38 -0,46 (0,41) (0,34) 2007 1,91*** -2,33*** (0,44) (0,34) 2017 7,99*** -2,03*** (0,45) (0,34) Constante 55,39*** 24,29*** -17,54*** 21,67*** (2,13) (1,92) (3,88) (3,24) Observaciones 6,348 6,348 1,587 1,587R-cuadrado 0,433 0,564 0,311 0,242Errores robustos en paréntesis

*** p<0,01, ** p<0,05, * p<0,1

Conclusión.


5.4 RESULTADOS ECONOMÉTRICOS – EFECTO DE LA MIGRACIÓN EN LA COMPOSICIÓN ETARIA

En la Tabla Nº 8 se presentan los resultados de la ecuación 3. En esta ecuación podemos observar el efecto de las tasas de emigración e inmigración en la composición etaria del distrito, luego de controlar por todas las variables control.

Así, es posible observar que una mayor tasa de emigración está correlacionada positivamente con la mayor edad del distrito, siendo que a mayor emigración, se incrementan los porcentajes correspondientes a los grupos de población de mayor edad.

En específico, el incremento en 1 punto porcentual en la tasa de emigración está relacionada con un incremento en 0,08 pp. en la población entre 40 y 64 y en 0,12 pp. de la población mayor de 65.

En el caso opuesto, una mayor tasa de inmigración está relacionada únicamente con un incremento en el grupo de la población entre 18 y 39 años, no con el de menores de 18. Este efecto es interesante, pues indica que los migrantes son mayoritariamente de este rango de edad. Así, un incremento en 1 punto porcentual en la tasa de inmigración distrital está relacionado con un aumento en 0.19 pp. en el porcentaje de la población entre 18 y 39 años.

Un potencial problema con la interpretación de estos resultados es que, pese a estar controlado por un importante grupo de variables y efectos fijos, estos resultados podrían estar correlacionados con variables no-observables que sesguen los resultados en alguna dirección no prevista. Una potencial solución a este problema es usar las variaciones entre años.

Cuadro Nº 8 Efecto de las Tasas de Inmigración y Emigración en la Composición Etaria

VARIABLES

(1) (2) (3) (4)

Porcentaje de la población

Menor de 18 Entre 18 y 39 Entre 40 y 64 Mayor de 65

Tasa Emigración -0,12*** -0,08*** 0,08*** 0,12***

(0,01) (0,00) (0,00) (0,00)

Tasa Inmigración -0,01* 0,19*** -0,08*** -0,10***

(0,01) (0,01) (0,00) (0,00)

Constante 46,97*** 24,15*** 21,26*** 7,62***

(0,84) (0,70) (0,51) (0,51)

Observaciones 6,348 6,348 6,348 6,348

R-cuadrado 0,79 0,62 0,73 0,68Errores robustos en paréntesis *** p<0,01, ** p<0,05, * p<0,1


En la Tabla Nº 9 se presenta los resultados correspondientes a la ecuación 4, que es coherente con esta idea. En dicha Tabla vemos resultados muy similares a los observados en la Tabla 8, lo que indicaría que los potenciales problemas de variables no observables podrían no ser relevantes en este caso. En ese sentido, considerando que la especificación de la Tabla Nº 8 es más eficiente en el caso de no existir endogeneidad, se sugiere tomar en mayor consideración esos resultados.

Así, es posible observar que una mayor tasa de emigración está correlacionada positivamente con la mayor edad del distrito, siendo que a mayor emigración, se incrementan los porcentajes correspondientes a los grupos de población de mayor edad.

En específico, el incremento en 1 punto porcentual en la variación de tasa de emigración entre los censos 1981 y 2017 está relacionada con un incremento en la variación los censos 1981 y 2017 en el porcentaje de la población mayor de 65 en el distrito entre 0,14 pp. en la población entre 40 y 64 y en 0,08 pp.

Cuadro Nº 9 Efecto de las Variación en las Tasas de Inmigración y Emigración en la Variación en la Composición

Etaria

VARIABLES

(1) (2) (3) (4)



Tasa Emigración -0,10*** -0,12*** 0,08*** 0,14***

(0,01) (0,01) (0,01) (0,01)

Tasa Inmigración -0,04 0,17*** -0,08*** -0,06***

(0,02) (0,02) (0,01) (0,01)

Constante -18,09*** 0,68 7,95*** 9,46***

(2,07) (1,36) (1,29) (1,34)

Observaciones 1,587 1,587 1,587 1,587

R-cuadrado 0,24 0,32 0,29 0,33

Errores robustos en paréntesis *** p<0,01, ** p<0,05, * p<0,1

Por último, en la Tabla Nº 10 se presentan los resultados de la ecuación 5, siendo la ventaja de esta especificación que es posible asociar la pertenencia a alguno de estos grupos la mayor o menor importancia de un grupo etario en la composición de la población distrital.

Así, es posible afirmar que pertenecer a la categoría de “Siempre Receptor” o “Nuevo Receptor” está asociada a una composición etaria de entre 35% y 36% de su población entre 18 y 39 en el año 2017, superior en 7 pp. al porcentaje de esa población en los distritos “Siempre Emisores” o “Nuevos Emisores”.


Asimismo, pertenecer a un distrito “Siempre Emisor” o “Nuevo Emisor” está relacionado con una proporción de entre 15% y 14% de adultos mayores de 65 años, porcentaje significativamente mayor que el de los distritos “Siempre Receptores” o “Nuevos Receptores”, donde este mismo porcentaje es de entre 8 y 7%, es decir, aproximadamente la mitad.

Estos resultados corroboran lo analizado a lo largo de todo el estudio, que es que la mayor emigración está relacionada con un “envejecimiento” promedio de los distritos emisores, mientras que la mayor inmigración está relacionada con un “rejuvenecimiento” de los distritos receptores de migrantes.

Cuadro Nº 10 Efecto de pertenecer a cada tipo en la Composición Etaria

VARIABLES

(1) (2) (3) (4)



Siempre Receptor 29,96*** 35,46*** 26,45*** 8,13***

(1,15) (0,81) (0,75) (0,80)

Siempre Emisor 25,66*** 28,00*** 30,60*** 15,74***

(1,21) (0,87) (0,79) (0,85)

Siempre Ni-Ni 30,60*** 31,40*** 27,33*** 10,68***

(1,18) (0,86) (0,76) (0,81)

Nuevo Receptor 30,23*** 36,30*** 25,87*** 7,60***

(1,20) (0,98) (0,81) (0,88)

Nuevo Emisor 27,63*** 28,52*** 29,93*** 13,92***

(1,17) (0,83) (0,76) (0,81)

Nuevo Ni-Ni 28,84*** 32,01*** 28,23*** 10,92***

(1,33) (0,87) (0,85) (0,88)

Otros 27,52*** 30,47*** 29,15*** 12,86***

(1,32) (0,95) (0,82) (0,92)

Observaciones 1,587 1,587 1,587 1,587

R-cuadrado 0,97 0,97 0,97 0,91

Errores robustos en paréntesis *** p<0,01, ** p<0,05, * p<0,1


6. CONCLUSIONES

El presente estudio tuvo tiene tres objetivos principales. El primero proponer tipología que simplifique los diversos patrones migratorios entre los cuatro censos poblacionales entre 1981 y 2017. El resultado se puede observar en el Mapa Nº 5, y se ve que existen alrededor de 5 grandes grupos; el primero compuesto por aquellos distritos que siempre, durante los cuatro censos, han sido mayoritariamente receptores, el segundo formado por aquellos que han sido siempre mayoritariamente emisores, el tercero por aquellos que nunca han tenido tienen ni una elevada tasa de emigración ni una elevada inmigración denominados “Siempre Ni-Ni”, y el cuarto por aquellos distritos que, habiendo sido Ni-Ni, han pasado a ser emisores con el paso del tiempo. El resto de distritos tienen distintas trayectorias, pero en conjunto representan sólo el 16% del total, por lo que los cuatro grupos anteriores son los más importantes.

Respecto de los grupos definidos, el primero está formado por las ciudades y regiones con mayor crecimiento. Aquí podemos encontrar los distritos de Lima Metropolitana y las ciudades de Arequipa, Trujillo, etc. Además, es notable que este grupo también se encuentren a muchos distritos de las regiones de San Martín y Madre de Dios, las cuales, si bien destacan por su mayor crecimiento económico, no lo eran tanto por su marcado perfil de receptores de migrantes.

El segundo y el cuarto están mayoritariamente concentrados en la sierra peruana, y verifican la hipótesis de que es esta la región que se ha ido despoblando más durante los últimos años. No obstante, es interesante entender la diferencia entre aquellos que siempre fueron emisores, de aquellos que sólo pasaron a serlo durante los últimos censos. Es decir, hay una heterogeneidad interesante, que probablemente está relacionada con el mayor crecimiento económico nacional y concentrado en las ciudades, pero también con el mayor crecimiento en la sierra, que contrario a lo esperado, en lugar de reducir la migración, la ha incrementado, al permitir a los hogares residentes poder costear la migración de sus miembros. Este sería el caso, por ejemplo, de familias que optan por enviar a estudiar o a trabajar a sus miembros, dado que ahora ya cuentan con mayores recursos económicos.

El tercer grupo de interés son los distritos que son “Siempre Ni-Ni”, es decir, que no han dejado su aislamiento durante el período de análisis. Es notable que estos distritos además parecieran estar claramente concentrados en tres lugares, el primero es la costa norte de Piura y Lambayeque, el segundo la sierra sur de Cuzco y Puno y, finalmente la selva de Loreto. El porqué de esto es difícil de anticipar, y puede deberse tanto a la falta de deseo de migrar, tanto por razones económicas como culturales, o por la falta de acceso a lugares donde migrar que sean asequibles, y también podría deberse a la falta de crecimiento económico en estos lugares, lo que impide que puedan costear la migración.


La siguiente parte del estudio explora econométricamente las hipótesis que se desprenden en la construcción de la tipología y en gran medida los resultados son coherentes. Así, se tiene que una mayor altitud está relacionada con mayor emigración, lo que es coherente con lo observado en los distritos de la sierra.

Asimismo, se encuentra que una mayor población en 1981 también está relacionada con una mayor inmigración y con una menor emigración, lo que es coherente con que son las zonas urbanas las que atraen migrantes, y las rurales las que los expulsan.

Asimismo, un resultado interesante es que la mayor tasa de población rural en 1981 reduce tanto la inmigración como la emigración. Esto tiene sentido en el caso de los Ni-Ni, los que debido a su aislamiento o a sus menores recursos económicos, no son atractivos para la inmigración pero tampoco les permite costear ni acceder a lugares donde emigrar.

Por otro lado, no se encuentran efectos interesantes en la distancia hacia los distintos centros políticos (capitales), ni tampoco un efecto importante en la pendiente promedio. No obstante, claramente se ve un efecto de nacer en alguno de estos centros políticos. Por ejemplo, nacer en Lima Metropolitana reduce en 10 pp. la probabilidad de ser emigrante e incrementa en 2 pp. de ser inmigrante. Este efecto es similar al de ser distrito capital regional, pero en menor magnitud.

No obstante, ser distrito capital provincial, está relacionado con una mayor probabilidad de emigración y de inmigración. Es decir, el ser de estos distritos, que también han sido llamados “ciudades intermedias” por la literatura, hace que sea más probable emigrar y también más probable que lleguen más migrantes.

Finalmente, en la parte final del estudio se explora si una mayor tasa de emigración está relacionada con un mayor envejecimiento. Esta hipótesis se verifica puesto que se encuentra una mayor tasa de emigración incrementa la proporción de la población mayor de 40, y en mayor medida la de 65 años y reduce la de menores de 40 años, y en mayor medida la de menores de 18.

Asimismo, se encuentra que la mayor tasa de inmigración incrementa la población entre 18 y 40 años notablemente y, simultáneamente, reduce la de mayores de 40 y la de mayores de 65. Estos resultados son verificados al analizar únicamente las variaciones intercensales y al usar las tipologías.

Por ejemplo, pertenecer a un distrito tipo “Siempre Receptor” o “Nuevo Receptor”, incrementa la población entre 18 y 40 más que cualquier otro grupo, y simultáneamente pertenecer a un distrito tipo “Siempre Emisor” o “Nuevo Emisor” incrementa la población mayor de 65 en mayor proporción que cualquier otro grupo.


7. IMPLICANCIAS DE POLÍTICA PÚBLICA

Este estudio muestra el potencial impacto del uso de la información censal, en general, para la toma de decisiones. Es decir, este es el primer estudio que combina la información de los cuatro censos poblacionales para los cuales se dispone de los microdatos y es fácil darse cuenta que este estudio habría sido imposible de hacer con fuentes de información alternativas, dado que no se tienen datos de la misma calidad y nivel de desagregación para los mismos años. E incluso en el caso particular de la migración, esta variable está muy bien medida en los censos, y no se podría obtener el mismo nivel de profundidad usando, por ejemplo, encuestas de hogares. En la actualidad es mucho el uso que se hace de las distintas encuestas de hogares recogidas por el INEI y por otras instituciones, pero debería aprovecharse la información ya recogida de la misma manera.

Asimismo, y de manera más general, este estudio busca traer a discusión de políticas públicas tanto las distintas dinámicas migratorias distritales como la mayor vulnerabilidad de los distritos de envejecimiento acelerado frente a shocks negativos climáticos, en la medida que gran parte de esta población continua dependiendo de la agricultura como fuente de ingresos y de alimentos. Se espera que estos resultados puedan colaborar con la focalización de programas sociales enfocados en la población adulta mayor, como Pensión 65, y de salud, quienes deberían interesarse en afrontar el envejecimiento acelerado en zonas al interior del país.

No menos importante es repensar el rol del estado como promotor de la inmigración hacia zonas despobladas, como en algún momento se hizo con la Amazonía. En este caso, probablemente se traté de buscar repoblar zonas de sierra, que tal como se observa en este estudio, tiene la mayor emigración.

Por otro lado, dada lo desagregado del análisis, es posible pensar políticas diferenciadas por zonas. Por ejemplo, los patrones migratorios y de envejecimiento, son muy distintos entre regiones de la selva, siendo muy evidente al comparar la región de Loreto, que muestra una baja tasa de inmigración y de emigración, con la de San Martín y Madre de Dios, que tienen una de las mayores tasas de inmigración del país. Asimismo, las realidades son muy distintas alrededor de la costa y de la sierra, tal como se ha discutido ampliamente en el documento.

También se puede se podrían mejorar los instrumentos estadísticos disponibles para afrontar mejor el envejecimiento acelerado, tales como encuestas especializadas en los adultos mayores, que permitan conocer las demandas de servicios públicos de estas poblaciones (similares al ESBAM, levantado por el INEI en 2012 por ejemplo).

Por último, y no menos importante, es un aporte para la elaboración de políticas públicas el fomento a la investigación en torno a la migración interna, uno de los fenómenos sociales más importantes y persistentes del Perú y que aún requiere mucha más investigación para poder entender que está detrás de los distintos patrones y que efectos tendrían estos en el futuro.


8. LIMITACIONES Y FUTUROS CAMPOS DE ESTUDIO

Es importante concluir el estudio haciendo un recuento de las limitaciones que tiene el mismo. Por una parte, no se está brindando evidencia causal de una relación entre la migración y el envejecimiento, ni mucho menos evidencia de que alguno de los determinantes analizados detrás de la mayor migración sea causal. La evidencia encontrada es sugestiva de una relación, en la medida que es un primer estudio del tema, estos resultados servirían para que futuros estudios analicen con más detalle la relación causa efecto de las mismas.

Sin embargo, los resultados pueden ser considerados como un primer gran aporte en este sentido, dado que los patrones migratorios encontrados dan señales de que efectivamente se está dando un mayor despoblamiento en las zonas rurales o de la sierra, respecto a las zonas urbanas y de la costa y selva y que, este mayor despoblamiento también parece ser selectivo en las edades.

Así, un futuro campo de análisis sería indagar mediante el uso de métodos de panel de datos esta relación. Si bien no es posible tener un panel de datos a nivel individual con los censos, por su naturaleza anonimizada. Si es posible construir un panel de datos con las cohortes de nacimiento y los distritos de nacimiento. Es decir, es posible identificar en todos los paneles quienes nacieron, por ejemplo, entre 1961 y 1965 en el distrito de Huancayo, y es posible saber dónde está residiendo en los censos 1981, 1993, 2007 y 2017.

Esta identificación a nivel panel de datos permitiría una mejor identificación de relaciones causales, por lo que considero que este debería ser la siguiente dirección hacia donde debieran avanzar los siguientes estudios.

Por otro lado, otro futuro campo de avance es estudiar fenómenos específicos. Por ejemplo, se podría explorar los efectos de desastres naturales de gran envergadura, como el Fenómeno del Niño de la década de los 90, el efecto de la violencia terrorista en la década de los 80’s, etc. Todos estos fenómenos pueden ser adecuadamente identificados dado que se cuenta con una “línea de base” que son los censos de anteriores a dicho suceso.

Finalmente considero que también se puede usar este estudio como un inicio a una tipología de patrones migratorios más completa. Una idea prometedora sería elaborar el equivalente a los ya ampliamente utilizados mapas de pobreza, pero con las tendencias migratorias. Por ejemplo, esto permitiría identificar distritos con distintas demandas de programas sociales correspondientes a sus status de “siempre emisores”, que podrían ser, por ejemplo, mayor preocupación por asegurar pensiones para la vejez y programa de protección social para la tercera edad (salud, etc.).

En contrapartida, aquellos distritos que son “siempre receptores”, deberían tener políticas que fomenten la inclusión laboral de los migrantes y, en general, provean servicios educativos de calidad y con amplia


demanda laboral, así como programas de cuidado infantil para poder liberar también la oferta laboral de las madres de familia.

Asimismo, el poder identificar los polos de migración regional, sería muy útil para la planificación de políticas públicas a muchos niveles, puesto que permite, por una parte, conocer mejor que distritos son receptores de migrantes de que otros distritos. Por ejemplo, pareciera claro, por el mapa, que la ciudad de Tarapoto, y en general la región San Martín, atrae migrantes de la zona nor-este del país. En ese sentido, mejorar las carreteras y caminos que unen estos distritos sería clave para mejorar el nivel de vida de estas poblaciones.

Un grupo interesante, que no había sido identificado hasta el momento son los que hemos denominado “Ni-Ni”, y lo es también observar donde se encuentran ubicados, la mayor parte en la costa norte, la sierra sur y en la selva norte. Es decir, en lugares muy diversos geográficamente pero que se caracterizan por tener, en general, muy bajos niveles de emigración y de inmigración. Estos distritos, que podríamos llamar lo más aislados del país, son llamativos pues pese a la creencia tradicional de que todo distrito con bajo nivel de crecimiento económico tendería a incrementar su emigración, esto nos muestra que hay algunos en los que se optará por no migrar, sea porque no tienen opciones cercanas o porque quedándose pueden aún tener un nivel de vida adecuado. En opinión del autor, este grupo es el más interesante para futuras investigaciones, pues el porqué de sus bajas tasas de emigración e inmigración no ha sido explorado antes y se podría plantear hipótesis culturales o económicas al respecto que podrían complementarse con políticas públicas adecuadas para su contexto.


9. ANEXO. MAPAS

GRUPO DE MAPAS A. Mapas de inmigración y emigración en los censos de población y vivienda 1981, 1993, 2007 y 2017 ..................................................................................................... 57

GRUPO DE MAPAS B. Mapas de la composición etaréa por grupos de edad de menores de 18 años, entre 18 y 39 años, entre 40 y 64 años y mayores de 65 años en los censos de población y vivienda 1981, 1993, 2007 y 2017 ........................................................ 65

GRUPO DE MAPAS C. Mapas de las variables control usadas en el estudio ........................................................................... 81


GRUPO DE MAPAS A. MAPAS DE INMIGRACIÓN Y EMIGRACIÓN EN LOS CENSOS DE POBLACIÓN Y VIVIENDA 1981, 1993,

2007 y 2017

Mapa Nº A1 Tasa de Inmigración en 1981



Mapa Nº A2 Tasa de Emigración en 1981



GRUPO DE MAPAS B MAPAS DE LA COMPOSICIÓN ETARÉA POR GRUPOS DE EDAD DE MENORES DE 18 AÑOS, ENTRE 18 y 39 AÑOS, ENTRE 40 y 64 AÑOS Y MAYORES DE 65 AÑOS EN LOS CENSOS DE POBLACIÓN Y

VIVIENDA 1981, 1993, 2007 y 2017

Mapa Nº B1 Porcentaje de la Población del Distrito menor de 18 años en 1981



Mapa Nº B2 Porcentaje de la Población del Distrito entre 17 y 39 años en 1981



Mapa Nº B4 Porcentaje de la Población del Distrito mayor de 65 años en 1981



GRUPO DE MAPAS C MAPAS DE LAS VARIABLES CONTROL USADAS EN EL ESTUDIO

Mapa Nº C1 Distritos Capitales Provinciales, Regionales o Nacional

Fuente: DEM. Elaboración Propia.


Mapa Nº C2 Distancia Euclidiana a la Capital Nacional



Mapa Nº C3 Distancia Euclidiana a la Capital Regional



Mapa Nº C4 Distancia Euclidiana a la Capital Provincial



Mapa Nº C5 Piso Ecológico Dominante en el Distrito



Mapa Nº C6 Ruralidad en 1981



Mapa Nº C7 Logaritmo de la Población en 1981



Mapa Nº C8 Altitud Promedio



Mapa Nº C9 Pendiente Promedio



9. REFERENCIAS

1. ALDANA, U. & ESCOBAL, J. (2017). Los efectos de la migración interna entre el 2007 y el 2014 en el perú, un análisis a nivel provincial. Serie documentos de trabajo Nº 203, Grupo de trabajo, programa cohesión territorial para el desarrollo. Santiago De Chile: RIMISP.

2. BERNARD, A., ROWE, F., BELL, M., UEFFING, P., CHARLES-EDWARD, E. (2017). Comparing internal migration across countries of Latin America: a multidimensional approach. plos one, 12(3). pp.1-10.

3. BOYD, C. (2019). Trayectorias de las mujeres jóvenes en el Perú Rural. Reflexiones para las políticas públicas y el desarrollo rural a partir de los censos de población (1961-2017). documento de trabajo RIMISP Nº 254. Lima: IEP

4. BUNEA, D. (2012). Modern gravity models of internal migration. The case of Romania. Theoretical and applied economics. 49 (4), pp. 127-44.

5. BRAZ GOLGHER, A., ROSA, C., ARAÚJO J., & DE ARI, F. (2008). Determinants of migration in Brazil: regional polarization and poverty traps. Papeles de población, 14 (56), pp. 135-171.

6. CAZZUFFI, C. & FERNÁNDEZ, J. (2018). Rural youth and migration in Ecuador, Mexico and Peru. Serie documentos de trabajo Nº 235, Program “Rural Youth, territories, and opportunities: a policy engagement strategy. Santiago de Chile: RIMISP, Centro latinoamericano para el desarrollo rural.

7. FLORES, M., ZEY, M. & HOQUE, N. (2013). Economic liberalization and contemporary determinants of Mexico’s Internal migration: an application of spatial gravity models, 8 (2), pp. 195-214.

8. GOLTE, J. & ADAMS, N. (1990). Los Caballos de troya de los invasores. Estrategias campesinas en la conquista de la Gran Lima. Lima: Instituto de Estudios Peruanos.

9. INSTITUTO NACIONAL DE ESTADÍSTICA E INFORMÁTICA (2009). Perú: Migraciones internas: 1993 -2007. Lima: Instituto Nacional de Estadística e Informática.

10. INSTITUTO NACIONAL DE ESTADÍSTICA E INFORMÁTICA (2011). Perú: Migración interna reciente y el sistema de ciudades, 2002-2007. Lima, Perú: Instituto Nacional de Estadística e Informática.

11. INSTITUTO NACIONAL DE ESTADÍSTICA E INFORMÁTICA (2018). Situación de la población Adulta Mayor. Informe Técnico No. 2-2018. Lima: Instituto Nacional de Estadística e Informática.

12. LASZLO, S. & SANTOR, E. (2011). Internal migration and borrowing constraints: evidence from Peru. MIMEO.


13. LUCAS, R. (2015). Internal migration in developing countries: an overview. Knomad wp 6.

14. MATOS MAR, J. (1986). Desborde popular y crisis del estado. El nuevo rostro del Perú En la década de 1980. Lima: Instituto de Estudios Peruanos.

15. MATOS MAR, J. (1991). Las migraciones campesinas y el proceso de urbanización en el Perú. Lima: Instituto de Estudios Peruanos.

16. OLIVERA, J. & CLAUSEN, J. (2014). Las características del adulto mayor peruano y las políticas de protección social. Economía, XXXVII, N° 73, A. 75-113.

17. PESSINO, C. (1991). Sequential migration theory and evidence from Peru. Journal of Development Economics, 36, pp. 55-87.

18. POOT, J., ALIMI, O., CAMERON, M. & MARÉ, D. (2016). The gravity model of migration: the successful comeback of an ageing superstar in regional science. Iza Discussion Paper No. 10329. Iza: Bonn.

19. SIGEZE, C. & BALLI, E. (2016). The determinants of internal migration: the case of Turkey. International Journal of Economics and Finance Studies, 8(2), pp. 292-303.

20. TODARO, M. (1980). Internal migration in developing countries: a survey. En: Easterlin, R. (Ed.) Population and economic change in developing countries. Chicago: University of Chicago Press.

21. VAN LOTTUM, J. & MARKS, D. (2012). The determinants of internal migration in a developing country: quantitative evidence for Indonesia, 1930–2000. Applied Economics, 44(34), pp. 4485-94.

22. VARELA, L. (2016). Salud y calidad de vida en el Adulto Mayor. Rev. Perú. Med. Exp. Salud Publica, 33(2), 199-201

23. VERDERA, F. (1986). La migración a Lima entre 1972 Y 1981: anotaciones desde una perspectiva económica. Documento de Trabajo No. 14, Serie Economía No. 5. Lima: Instituto de Estudios Peruanos.

24. YAMADA, G. (2012). Patrones de migración interna en el Perú reciente. Lima: Universidad del Pacífico.

Instituto Nacional de Estadística e Informática Av ...

Documents

Transcript of Instituto Nacional de Estadística e Informática Av ...