FACULTAD DE CIENCIAS EMPRESARIALES
INFLUENCIA DE LA EXPORTACION DE MINERALES METALICOS (ORO, COBRE, ZING, ESTAÑO Y
PLATA REFINADA) EN EL PRODUCTO BRUTO INTERNO DEL PERÚ: 2010-2019
Trabajo de investigación para optar el Grado de Bachiller en las
siguientes carreras:
RICARDO HANNO ZUÑE MORALES
0000-0002-9844-3453 Economía
KENZLY PACHECO ARCE
0000-0002-0420-4452 Economía y Negocios Internacionales
Lima- Perú
2021
“INFLUENCIA DE LA EXPORTACION DE MINERALES METALICOS (ORO,
COBRE,ZING,ESTAÑO Y PLATA REFINADA) EN EL PRODUCTO BRUTO INTERNO
DEL PERÚ: 2010-2019”
Fecha de Aprobación: Miercoles 10 de Febrero del 2,021
Miembros del Comité Evaluador:
Dr. Larios Meoño, Fernando
Dr. Bazán Navarro, Ciro Dr. Mougenot, Benoit
3
TABLA DE CONTENIDO
RESUMEN 4
ABSTRACT 5
CAPÍTULO I: INTRODUCCIÓN 6
1.1. Problema de investigación 7
1.1.1. Planteamiento del problema 7
1.1.2. Formulación del problema 10
1.1.2.1. Problema general 10
1.1.2.2. Problemas específicos 11
1.1.3. Justificación de la investigación 11
1.2. Marco referencial 12
1.2.1. Antecedentes 12
1.2.2. Marco Teórico 16
1.3. Objetivos e hipótesis 26
1.3.1. Objetivos 26
1.3.2. Hipótesis 27
CAPÍTULO II: METODOLOGÍA 29
2.1. Tipo y diseño de investigación 29
2.2. Variables 30
2.3. Muestra 34
2.4. Instrumentos de investigación 34
2.5. Procedimiento de recolección de datos 34
2.6. Plan de análisis 35
CAPÍTULO III: RESULTADOS 37
3.1. Presentación de Resultados 37
3.2. Discusión 44
3.2.1. Exportaciones Significativas en el PBI 44
3.2.2. Exportaciones No Significativas en el PBI 45
3.3. Conclusión 46
3.4. Recomendaciones 48
REFERENCIAS 50
ANEXOS 54
RESUMEN
La finalidad del presente trabajo de investigación es demostrar de manera empírica y
econométrica que la exportación de minerales metálicos, valorizado en millones de soles,
mantiene una influencia positiva en el producto bruto interno peruano, basado en un
análisis trimestral entre 2010 hasta 2019.
El boletín mensual del Ministerio de Energía y Minas (MINEM), en su última publicación
indicó que el sector minero se muestra como uno de los principales aportantes para las
exportaciones nacionales totales, es decir que actúa como un importante indicador
económico que fluctúa en el crecimiento económico del país. Asimismo, este sector está
atravesando por diversas situaciones económicas, ambientales y otros, las cuales afectan
directamente a la producción minera y asimismo al crecimiento económico del país.
Para este modelo econométrico se utilizarán variables de series de tiempo, el cual será
explicado mediante la exportación de oro, cobre, zinc, estaño y plata refinada, las cuales
actúan como variables regresoras; y el Producto Bruto Interno como variable regresada en
el periodo comprendido entre 2010 hasta el 2019, con datos trimestrales.
Asimismo, para la obtención de los resultados de este proyecto de investigación se
usará el programa E-Views 10, donde se obtendrán los resultados econométricos que nos
permitan optar por aceptar la hipótesis nula o la alterna sobre el problema planteado.
Palabras clave: Exportación minera, Exportación, Series de tiempo, Minerales metálicos,
Crecimiento económico, Modelo de regresión múltiple, Banco Central del Perú (BCRP).
5
ABSTRACT
This research work has the purpose empirically and economically demonstrate that the
export of metallic minerals, valued in millions of soles, maintains a positive influence on the
Peruvian gross domestic product, based on a quarterly analysis between 2010 to 2019.
The monthly bulletin from the Ministry of Energy and Mines (MINEM), indicated in its
latest publication that the mining sector is shown as one of the main contributors to total
national exports, that is, it acts as an important economic indicator that fluctuates in growth.
economic of the country. Furthermore, this sector is going through various as economic,
environmental and other situations, which directly affect mining production and specifically
the country's economic growth.
For this econometric model, time series variables will be used, which will be explained
through the export of gold, copper, zinc, tin and refined silver, which act as return variables;
and the Gross Domestic Product as a returned variable in the period from 2010 to 2019,
with quarterly data.
Similarly, to obtain the results of this research project, we will use the E-Views 10
program, where we will obtain the economic results, which will allow us to choose to accept
the null hypothesis or the alternative on the problem posed.
Keywords: Mining export, Export, Time series, Metallic minerals, Economic growth,
Multiple regression model, Central Bank of Peru (BCRP).
CAPÍTULO I: INTRODUCCIÓN
El Perú es uno de los países que posee una gran biodiversidad en el mundo, esta
ventaja nos genera una gran posición en el mundo cuando se habla de cuantiosos recursos
naturales. Durante muchos años, el Perú ha abastecido a muchos países del mundo, lo
cual ha tomado gran importancia sobre el crecimiento económico del país.
Al paso de los años se pudo demostrar que las exportaciones se han convertido en un
factor de fuerte impacto sobre el Producto Bruto Interno (PBI), la creación de lazos de
intercambio sobre bienes y servicios (Tratados de Libre Comercio – TLC) que firmó el Perú
con importantes potencias y demás países alrededor del mundo. Estos tratados refuerzan
la estabilidad macroeconómica, diversifican los mercados y principalmente, aumentaron
significativamente las exportaciones, logrando de esta manera que en los últimos años el
desempeño económico del país sea creciente.
Asimismo, en el Reporte Estadístico Minero Edición N02-2020 (2020), se denota un
crecimiento de las exportaciones de minerales metálicos a un valor de 2,222 millones de
dólares en el mes de enero del 2020. Sin embargo, de las exportaciones mineras totales
que alcanzaron US$ 2,265 millones de dólares en valor FOB. A comparación del mes de
enero del 2019, se denotó un crecimiento de 0.6%.
Este trabajo de investigación desarrollará distintos aspectos importantes, dentro de los
cuales involucran al crecimiento económico peruano y a la exportación de recursos mineros
metálicos que produce el Perú. Para lograr nuestros objetivos y la resolución de nuestro
problema planteado, se utilizarán series de tiempo con un análisis macroeconómico
aplicando el Modelo de Regresión Lineal Múltiple, para poder desarrollar
econométricamente las variables.
7
1.1. Problema de investigación
1.1.1. Planteamiento del problema
El crecimiento económico peruano ha sufrido constantes variaciones
durante los 25 años, teniendo en cuenta que desde el año 1994 hasta el 2001
no se observó un incremento en gran medida. Sin embargo, desde el año 2002
hasta la actualidad, el país ha acumulado 16 años consecutivos de crecimiento.
Figura 1. Variación porcentual del PBI real (2000-2019). El movimiento de las líneas representa la
fluctuación porcentual del PBI real de los últimos 19 años. Adaptado de “BCRP – Data estadística
(series por categoría)”. Elaboración propia.
Un país tiene diversos factores económicos que le permiten determinar el
crecimiento económico nacional, sin embargo, existe un factor que se interpone
a las demás causando un gran impacto en este crecimiento: la exportación de
recursos mineros, estos recursos son encontrados en gran medida dentro del
país, dependiendo de la riqueza natural que posea. En una tesis de
investigación elaborada por Bobadilla (2016), donde realizó un análisis y
evaluación estadística sobre la exportación minera en el Perú, lo cual explicó
utilizando variaciones porcentuales anuales desde el 2008 hasta el 2014. En la
tabla 1 se establecen exportaciones anuales en valor FOB indicaron un 58.4%
del total de productos tradicionales durante el 2008, en el 2009 se dio con un
60.9%, en el 2010 denotó con 59.4%, a diferencia de los dos años anteriores
el porcentaje de las variaciones anuales descendió, pero sin ser opacado por
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
VARIACIONPBIPORCENTUAL
los demás productos exportados, finalizando así en el 2014 con un 52%,
induciendo que la mayor porcentaje de exportaciones se obtienen de este
sector, lo cual resalta su alta participación en el PBI peruano. Por otro lado, en
la tabla 2 se muestra las exportaciones mineras llevadas a cabo en el 2015 con
alrededor de 58.4%, en el 2016 se alcanzó un 58.8%, en el 2017 se logró un
60.7%, en el 2018 se logró un 58.9%, asimismo en el 2019 se logró un mismo
porcentaje al año anterior, siendo las exportaciones mineras uno de los
principales productos tradicionales con mayor participación porcentual
comparada con otros productos tradicionales como pesqueros, agrícolas y
petróleo y gas natural.
Tabla 1.
Exportación Productos Tradicionales y no Tradicionales en Valor FOB Porcentual (2008- 2014).
Fuente: Esta tabla indica el valor FOB porcentual de cada sector. Adaptado de “BCRP - Data
estadística” por Bobadilla H., 2016.
9
Tabla 2.
Exportación Productos Tradicionales y no Tradicionales en Valor FOB Porcentual (2015- 2019).
Fuente: Esta tabla indica el valor FOB porcentual de cada sector. Adaptado de “BCRP - Data
estadística”. Elaboración propia.
Asimismo, en un Informe Temático del Congreso de la República realizado
por Olano (2015) indica que en el 2013 el sector minero aportó un 5% al PBI
peruano, las exportaciones de este sector representan 55.2% del total de
exportaciones realizadas en ese año. En la actualidad La Sociedad Nacional
Minera Petróleo (2020) y el Reporte Estadístico Minero Edición N02-2020
(2020), indicaron que, en enero del 2020, las exportaciones mineras metálicas
representaban un 57% del total de exportaciones; además que la exportación
de minerales no metálicos era un 1.1% y el resto de los productos representan
un 41.9%. De los cuales los minerales que destacan son el cobre, oro, zinc y
plomo, lo que representa, 91.4% del valor total de las exportaciones mineras.
Figura 2. 2020: Estructura del valor de las exportaciones (enero). El gráfico representa el porcentaje de
tres sectores que participan en las exportaciones totales. Adaptado de “BCRP – Data estadística (series
por categoría)” por Ministerio de Energía y Minas (MINEN).
Sin embargo, existe un concepto llamado “La Paradoja de la Abundancia”,
la cual hace mención de que algunos países son ricos en términos naturales
pero pobres en términos económicos, una clara explicación es lo siguiente:
existen países exportadores ricos en naturaleza, por lo que desarrollan solo
sus recursos naturales y quedan atrapados en el subdesarrollo al volverse
dependientes y no poder encadenar esto a otras actividades industriales.
Muchos autores respaldan la teoría centrándose en otros bienes diferentes
a los recursos naturales cuya relación es negativa para muchos sectores,
sobre todo el minero, Morales (2011). Así como hay posturas que afirman esta
teoría, también hay quienes la rechazan, por ejemplo, Kronenberg (2004)
postula que los recursos naturales no son indicados como un problema para
el crecimiento económico en el largo plazo.
Ante esta disyuntiva, está presente investigación busca contrastar la
aplicación del modelo planteado las dos teorías presentadas en base a la
muestra representativa de la población que se va a utilizar.
1.1.2. Formulación del problema
1.1.2.1. Problema general
¿La exportación de minerales metálicos en valor FOB es una
determinante que influye significativamente en las fluctuaciones que
11
presenta el PBI del Perú en el periodo comprendido entre 2010 –
2019?
1.1.2.2. Problemas específicos
¿Existe una relación significativa entre la exportación de oro en valor
FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y
2019?
¿Existe una relación significativa entre la exportación de cobre en valor
FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y
2019?
¿Existe una relación significativa entre la exportación zinc en valor
FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y
2019?
¿Existe una relación significativa entre la exportación estaño en valor
FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y
2019?
¿Existe una relación significativa entre la exportación plata refinada en
valor FOB y las fluctuaciones que presenta el PBI del Perú entre el
2010 y 2019?
1.1.3. Justificación de la investigación
Este proyecto de investigación demostrará de forma explícita el análisis
acerca del grado de impacto que presenta la exportación de los minerales
metálicos: oro, cobre, zinc, estaño y plata refinada en el PBI peruano. Para ello
es fundamental comprobar esta relación y la significancia entre dichas variables
para poder generar una respuesta a nuestro problema planteado al inicio del
proyecto y lograr nuestros objetivos. Asimismo, argumentar que existen
muchos recursos exportados en un país megadiverso como lo es Perú que
pueden aportar significativamente al crecimiento de este. Como menciona “ La
minería será el gran motor del crecimiento en el 2019 y si queremos ahondar
esta tendencia debemos trabajar todos en apuntalar la competitividad del
sector”. De la Flor (2019), director ejecutivo de la Sociedad Nacional de Minería,
Petróleo y Energía (SNMPE). Ante ello se busca analizar la dependencia de
este sector con el PBI, y la importancia que tiene este sector para el desarrollo
económico, a nivel regional y nacional. Para así a futuro poder generar mayores
ingresos económicos, mejorar el estilo de vida de la población, principalmente
quienes se topan cara a cara con la minería. Además de evitar los problemas
sociales que han ido en contra del producción y crecimiento de este sector,
como son los proyectos: Conga y Tía María.
Para poder demostrar nuestras investigaciones, utilizaremos diversas
herramientas econométricas para la estimación adecuada de un modelo
econométrico de regresión lineal múltiple, mediante series de tiempo, en un
periodo de evaluación trimestral entre los años 2010 al 2019. Finalmente,
realizaremos una explicación de los estadísticos obtenidos a partir de la base
de datos especificando la relación entre las variables regresoras y la
regresionada.
1.2. Marco referencial
1.2.1. Antecedentes
Antecedentes Internacionales
Aryee (2001) estudió acerca del sector minero en Ghana, realizando una
encuesta a 12 minas, quienes operaron durante el 2016 y 2018, para analizar la
contribución de este sector a la economía nacional. Si bien, el autor indica que
sector minero de Ghana no ha es una gran fuente de contribución económica,
sino que depende de los ingresos de la exportación de otros bienes y servicios
nacionales. Los resultados de la encuesta indican que el sector minero, debido
a la participación de las minas, es uno de los importantes contribuyentes hacia
la economía, por los conceptos de regalías mineras y los impuestos corporativos.
Ante ello, el autor expresa que, si el gobierno mejora la productividad y
diversificación de este sector, a través de iniciativas políticas, este sector será
sostenible.
Kumar, Sahoo y Chandra (2014) efectuaron una estimación de un modelo de
corrección de errores (VECM), basado sobre la causalidad de Granger, para
determinar la causalidad a corto y largo plazo, además para determinar la
relación de equilibrio entre las variables a corto y largo plazo, se basó en aplicar
la técnica de cointegración multivariante de Johansen. Estos autores evaluaron
13
datos anuales de la exportación de minerales, producción industrial y producto
nacional interno durante el periodo de 1981 hasta 2010, obtenidos del Banco de
Datos de la India. Obtuvieron como resultado que estas variables tenían una
causalidad unidireccional en el corto y largo plazo, desde el crecimiento
económico hasta la exportación de minerales; por lo tanto, la extracción y
exportación de minerales aportan al crecimiento económico, sin embargo, se
deben fomentar más alternativas de exportación.
Sahoo et al. (2014) dieron a conocer la posible relación que podría existir
entre las exportaciones de minerales, producción industrial y crecimiento
económico de la India. Para poder explicar esta relación, realizaron una
estimación mediante un modelo VAR (modelo de vector de regresión
automática), que esté basado en IRF (Función impulso respuesta) y en VD
(Descomposición de la varianza). Utilizaron variables del Banco de Reserva de
la India, en un periodo comprendido entre 1981 y 2010. Como resultado, lograron
explicar que las exportaciones de minerales y la producción industrial responden
positivamente al PBI de la India, por otro lado, estas exportaciones solo
contribuyen a una porción de la producción industrial en el largo plazo, ya que
en el corto plazo no presentan significancia.
Chang, Ionut y Jinsheng (2019) realizaron una investigación acerca de la
verdadera valorización de los derechos de extracción de minerales en China que
consideran las grandes corporaciones antes de invertir en los proyectos. Para
ello relacionan por medio de diversos modelos, los indicadores y métodos que
utilizan para medir la rentabilidad de los proyectos en relación con el desarrollo
de economía China. Estos métodos de valorización mencionados son utilizados
en diversos países del mundo ricos en recursos naturales. Indicando también
una relación del impacto económico de estos recursos mineros en sus
economías.
Dimitrakopoulos y Del Castillo (2019) presentaron en su estudio diversos
métodos para optimizar el valor económico de las actividades mineras en los
proyectos con propósitos de largo plazo. Mediante esta investigación, se
presentan resultados en los cuales reflejan el impacto en el valor presente de los
proyectos mineros a través de los diversos planes estratégicos involucrados en
las políticas de optimización de recursos en los complejos mineros. Dentro de
los estudios se analizan modelos de programación no lineales considerando los
metales extraídos de la minería.
Magnus (2019) presentó un análisis sobre el papel que cumple la industria de
la minería en el PBI de los países que obtienes ingresos bajos o medios de los
minerales. Ante ello utilizó series de tiempo desde 1996 hasta el 2019, en base
a indicadores económicos: Costo total de los minerales metálicos, industriales y
carbón (expresado en porcentaje del PBI), Exportaciones de minerales, incluye
el carbón (expresado en porcentaje del PBI), Gastos de exploración de minerales
(expresado en porcentaje de exportaciones totales) y la renta minera (expresado
en porcentaje del PBI). El método aplicado por este autor se basó en la
evaluación de los indicadores IVGP-BP, IHR-BP, HHG-BP y HHG-VR. Dando
como resultado que alrededor de 50 países analizados obtuvieron un índice
HHG-BP alto, es decir que el sector minero juega un rol muy importante en
países de bajos o medios ingresos mineros. Por otro lado, detectó que 11 de los
países de bajos ingresos mineros obtuvieron un alto índice de IHR-BP, pasaron
a formar parte del grupo de medios bajos o altos ingresos mineros. Además,
rescató que los países crean dependencia del sector minero para poder
desarrollarse económica y socialmente.
Robles y Foladori (2019) mencionan empíricamente en su investigación
acerca de la evaluación histórica de la economía mexicana y como esta se ve
impactada por los precios de la minería, además que la aplicación de
automatización en los procesos productivos del sector minero, aportan de forma
distintiva a la productividad de toda esa actividad económica, desarrollando
tecnologías que impulsen notablemente el crecimiento económico de una nación
llevándola a su auge. Dicha investigación destaca mucho la participación de las
actividades mineras como parte de un modelo económico de países neo-
extractivitas (explotación de recursos no procesados).
Tui y Adachi (2020) evaluaron si el potencial del sector minero agrega valor
significativo a la economía de Indonesia, ante ello, optaron por aplicar el análisis
Input-Output (I-O), en base a 185 sectores, donde 86 sectores están
relacionados a la minería, teniendo en cuenta las restricciones políticas sobre la
prohibición de exportación del hierro, plomo, zinc y otros minerales. Como
resultado obtuvieron que las exportaciones del sector minero, especialmente
arena de hierro y mineral de hierro, aportan positivamente a la economía de
15
Indonesia, sin embargo, los autores indican que el gobierno debe de tomar en
consideración la evaluación de examinar las restricciones de exportación.
Xi, Zhou, Gao, Wang y Si (2020) investigaron acerca de la relación del
impacto del comercio internacional de los minerales en las economías
nacionales, para analizar ello, optaron por utilizar el modelo de regresión cuantil
de redes y paneles, basados en la variable dependiente: PBI, y variables
independientes: indicadores de red, grado de entrada, grado de salida,
centralidad de intermediación, centralidad de proximidad y vector propio.
Obteniendo como resultado que el comercio internacional de los minerales está
incrementando, sin embargo, la relación entre los países se está haciendo más
compleja. Por otro lado, las estimaciones indicaron que, si incrementa la
participación de los países en el comercio de minerales, influirá de manera
directa sobre el PBI, lo cual indica que las exportaciones de minerales impulsan
la economía de un país.
Antecedentes Nacionales
Chávez y Díaz (2016) realizaron una investigación no experimental de corte
longitudinal, utilizando datos trimestrales, que van desde el primer trimestre de
1993 hasta el primer trimestre del 2015, con un total de 88 observaciones.
Asimismo, adjuntaron incrementos en variaciones porcentuales positivos que
señalan la efectividad del modelo aplicativo, dando como resultado que las
exportaciones mineras peruanas logran explicar el comportamiento que tiene el
producto bruto interno del Perú.
Castro y Soria (2018) analizaron tres variables: la producción de plata, como
variable explicada; las exportaciones tradicionales y el PBI minero e
hidrocarburos como variables explicativas, aplicaron una investigación no
experimental – longitudinal, mediante el método de Mínimos Cuadrados
Ordinarios, con series de tiempo, de un total de 44 observaciones desde el 2008
hasta 2018, analizados trimestralmente. Obteniendo como resultados que existe
una relación directa entre las variables mencionadas, aceptando la hipótesis nula
planteada por estos autores: La producción de plata posee un impacto positivo
en las exportaciones tradicionales y el crecimiento económico minero del Perú.
Cadenas y Loaysa (2019) realizaron una estimación utilizando el modelo de
regresión lineal múltiple, haciendo una estimación MCO, a través del programa
Eviews, donde obtuvieron resultados positivos, tomando como variables
regresoras: Exportación minera de Cobre y Exportación minera de Oro, que
explican a la variable regresada: Producto Bruto Interno. Obteniendo como
resultado una proporción directa entre las variables, si las tasas de las
exportaciones de oro y cobre tienen una variación del 1%, estas van a reflejarse
en un incremento porcentual en el PBI de 1.84% y 3.56%, respectivamente,
durante el periodo analizado 1995 -2018.
Morales (2019) realizó un análisis y evaluación econométrica sobre los
factores de la minera y como este presenta una influencia en el crecimiento
económico entre los años 2008 hasta el 2017, planteando tres problemáticas,
detalladas en las hipótesis presentadas, donde una de ellas indica que con un
nivel de significancia del 5%, con un total de 120 observaciones, mediante un
cálculo estadístico en el sistema IBM SPSS Statistical Software, acepta la
hipótesis alterna que se había planteado, dando como resultado que las
exportaciones mineras tienen una alta correlación positiva, lo que significa que a
medida que se incrementen las exportaciones mineras, el crecimiento
económico peruano va a incrementar.
1.2.2. Marco Teórico
Bases teóricas
Teoría de la dependencia de recursos
Pfeffer y Salanclk (1978) iniciaron esta teoría, estableciendo que ninguna
organización puede generar o producir todos los recursos que necesita, sino que
los extrae del exterior, además de que no hay un área o sistema específico
dentro de dicha organización para ser su autoproveedor. Estos autores
presentaron esta definición a través de un ejemplo: donde interactúa un
vendedor y dos compradores de productos perecederos, asimismo cada
comprador tiene un día en específico que comprará los productos, haciendo que
las ventas del vendedor disminuyan, ya que tendrá probabilidad de vender a un
solo comprador; ante ello los autores indican que para que se de esta teoría
necesariamente que debería de haber un consumidor que sustituya a otro, para
mantener el control de los recursos, no variabilidad de cambio de proveedores,
no hay un bien sustituto, y que estos compradores no pueden vivir sin el producto
perecedero. Podemos encontrar trabajos aplicados a este concepto en Hillman,
17
Withers y Collins (2009), Salgado y Hernández (2016), Casciaro & Piskorski
(2005), Davis y Cobb (2010) y Nemati et al. (2010).
Teoría de la interdependencia de recursos
Allen (2018) emplea en esta investigación series de modelos econométricos
que explican el poder regional. Se sostiene que la concentración de poder global
no es un indicador de liberalización comercial, por otro lado, las fluctuaciones de
poderes regionales pueden amortiguar y mejorar las tendencias globales. Los
estudios sobre el vínculo entre el dominio del poder y la liberalización del
comercio van a la par con el flujo y el reflujo de la concentración mundial del
poder. Este estudio explora cómo las investigaciones han ignorado el efecto de
las fuerzas compensatorias en un nivel de análisis inferior: la región. Se sostiene
que, si bien hay tendencias mundiales en el comercio que se correlacionan con
el aumento y la disminución de la concentración mundial de poder, las
configuraciones regionales de poder mejoran y disminuyen esos efectos. Si bien
los sistemas globales asimétricos parecen producir períodos de liberalización,
las regiones de asimetría trabajan para actuar contra esas tendencias. Esta
investigación menciona que un estado dominante que sobresale en el poder
financiero, económico y militar tiene un claro interés en establecer un mundo
económicamente interdependiente al alentar a los estados a reducir las barreras
al comercio y aranceles. Estas potencias dominantes buscan beneficiarse al
alentar a otros estados a abandonar sus políticas proteccionistas y abrir sus
mercados al comercio mundial. A largo plazo, a medida que los estados se
vuelvan más dependientes del orden económico y político establecido, tendrán
menos incentivos para tratar de cambiar o derrocar el status quo (Organski 1958;
Organski y Kugler (1980). Podemos encontrar esta teoría aplicada en Rusbult y
Arriaga (1997), Parolia, Jiang, y Sheu (2011), Buchs, Butera y Mugny (2004)
y Lundin (2007).
En base al análisis de las dos teorías presentadas y de acuerdo con Cadenas
y Loaysa (2019), este trabajo de investigación está enfocado en la teoría de
dependencia de recursos, ya que el Perú es un importante productor en grandes
cantidades de volúmenes de diversos minerales metálicos y no metálicos,
asimismo según MINEM estamos ubicados en los primeros lugares como
productores principales de varios productos mineros, además de que en PBI
nacional se presenta un porcentaje significativo del sector minero.
Bases conceptuales
Exportaciones Mineras
MINEM (2020) detectó una variación negativa para el 2019, en la figura 3, se
observa una caía en las exportaciones, luego de que el 2018 generamos un
crecimiento de 4.8% a comparación del 2017. Esta baja del precio de los
productos mineros y a la disminución de la producción nacional de estos
minerales. Sin embargo, al haber denotado un decrecimiento en exportaciones
mineras, a nivel nacional, el valor de las exportaciones mineras fueron un 60.1%
del total de exportaciones.
Figura 3. Variación porcentual de exportaciones mineras anuales. Adaptado de “BCRP – Data
estadística (series por frecuencia)” por MINEN.
Las exportaciones mineras, han crecido durante los últimos años, en base a
la producción nacional de minerales, asimismo se ha ido moviendo en conjunto
a las cotizaciones de los mercados internacionales, se dice que el Perú es rico
en recursos naturales, lo cual lo está sabiendo explotar mediante las inversiones
privadas y nacionales; generando un gran intercambio comercial entre diversos
países a nivel mundial, asimismo nos ha llevado a ser un país minero, en base
a una vista mundial, ya que somos los primeros productores en muchos metales
19
y no metales mineros. Así reflejan estos graficas presentados en esta sección,
ya que esta comercialización a nivel internacional es un porcentaje significativo
en el total de exportaciones.
Factores de crecimiento de las Exportaciones Mineras
Cotizaciones de los minerales metálicos
MINEM (2018) nos indica que durante el 2017 hubo un alza de precios,
medido en base a cotizaciones diarias del cobre, zinc, oro y plata refinada. En
la figura 4, se observa el alza de cotizaciones de dichos minerales, en base a
su unidad de medida. Donde el cobre mostró un alza en su cotización de
30.1%, la plata presentó un 6%, el zinc un 29.1%, el oro y el plomo en un
11.9%, 25.7% respectivamente.
Figura 4. 2018. Cotización diaria del cobre, zinc, oro y plata durante el 2017. Los gráficos
representan las fluctuaciones de las cotizaciones de los minerales metálicos, los cuales indican
un alza en cada uno de ellos. Adaptado de “BCRP” por MINEN.
Hoyos et al. (2020) diagnosticaron un incremento en las cotizaciones del
cobre, oro, zinc, plomo, estaño y molibdeno; sin embargo, en un análisis de
la variación promedio del precio de estos minerales se contrajo; por otro lado,
la cotización del hierro y los minerales metálicos preciosos durante el periodo
del 2015 y 2019 incrementaron.
Durante el segundo semestre del 2019 en adelante, observaron un
incremento en la cotización del oro y la plata, del 10% y respectivamente; este
crecimiento se debe a una coyuntura política monetaria que atravesó la
Reserva Federal de EE. UU.
Tabla 3.
Cotización de Principales Productos Metálicos (2010 – 2019)
Fuente: Esta tabla indica las cotizaciones anuales del cobre, oro, zinc, plata, plomo, estaño,
hierro y molibdeno. Adaptado de “BCRP – Data estadística” por MINEN.
En base a los autores presentados en esta sección y al análisis de sus
elaboraciones profesionales, se infiere que, en la última década, a nivel
internacional el precio y cotizaciones de los minerales metálicos ha ido en
crecimiento, este factor ha favorecido al Perú en muchos aspectos,
principalmente en la comercialización al exterior de estos productos
metálicos, ya que somos uno de los países con una gran producción de
minerales metálicos. Este último, también es otro factor importante, el cuál es
analizado en el siguiente punto.
Producción de minerales metálicos
Belapatiño, Crispin & Perea (2020) presentaron un análisis del 2019 y 2020
sobre el sector minero. Uno de los enfoques de este informe fue la producción
minera metálica de sus tres principales minerales: cobre, zinc y oro, valorizada
21
en millones de toneladas métricas. La figura 5 muestra que el cobre se
encuentra liderando esta lista, con una representación del 50% de la
producción minera total, aunque tuvo una disminución de 0.3% en el 2019 con
respecto al año anterior, luego se encuentra el zinc con un 12% de
participación en la producción total, quien tuvo una caída del 5% en el 2019,
con respecto al 2018. Por último, se encuentra, el oro, que representa el 13%
de la producción minera total, sin embargo, obtuvo una caída del 8% en el
2019, en base al 2018.
Figura 5. Producción minera por metal en millones de TM. Los tres gráficos representados por
barras, según el mineral, muestra la variación porcentual de la producción de dichos minerales
metálicos y la representación que estos tienen en la producción total. Adaptado de “BCRP y
MINEM”, por BBVA Research.
MINEM (2020) reveló la posición de posición de Perú a nivel mundial, en
base a producción minera. En la tabla 4, señala que, en la producción del oro,
zinc, plomo, estaño, diatomita, indio, andalucita y selenio, somos el N° 1 a
nivel Latinoamérica, sin embargo, a nivel mundial, somos segundo
productores en cobre, plata y zinc.
Tabla 4.
2019: Posición del Perú en el Ranking Mundial de Producción Minera
Fuente: Esta tabla indica la posición a nivel Latinoamérica y Mundial que Perú posee en base
a la producción de minerales metálicos y no metálicos. Adaptado de “U.S. Geological Survey
(USGS), Mineral Commodities Summaries, Marzo2020” por MINEN.
En base al análisis presentado en esta sección, se observa que el Perú es
uno de los mayores productores a nivel Latinoamérica en diversos minerales
metálicos, aunque hubo un decrecimiento de producción en algunos
minerales, se ha mantenido como líder en sus posiciones, sin mostrar grandes
variaciones de producción. Este factor del nivel de producción es importante
al momento de realizar intercambios comerciales, es decir que al ser un país
que posee gran cantidad de recursos tiene la opción de poder llegar a más
mercados internacionales, que otros países que presentan un nivel bajo de
producción minera.
Aporte de la Exportación Minería al PBI
Peñaranda (2019) afirma que el Perú es un país minero. Asimismo, indica
que el país ofrece un ambiente de negocios muy favorable y que genera una
atracción para la inversión privada en minería, en base al Índice de Atracción de
Inversión Minera 2018.
23
Este autor también detalla que la minera genera muchos beneficios en
diversos sectores. Por el lado de la tributación, indica que la recaudación de
impuestos, generados por el impuesto general a las ventas (IGV), representó un
18.1% durante el periodo 2006 y 2010. Además, en base a la renta de aduanas,
regalías, sobre canon, entre otras participaciones, financiaron un 5.3% del total
del presupuesto público del país, entre el periodo 2011 y 2018. Por el concepto
de canon minero en transferencias regionales, en el 2018, se solventaría en
promedio 2.6 años de los gastos del Sistema de Salud Integrado (SIS), el cuál
beneficia a las personas de bajos recursos.
En base al empleo generado por la minería, indica que albergó alrededor del
1% de la Población Económicamente Activa (PEA) durante el 2014. Generando
así, en una evaluación de los últimos 24 años, una quintuplicación de empleos
en el 2018, llegando a 201, 547 empleos a nivel nacional, enfocados en el sector
minero.
Asimismo, el sector minero atrae oportunidades de inversión extranjera
directa a nuestro país. Peñaranda explica que “El futuro de la inversión privada
minera depende de la ejecución de 59 proyectos valorizados en US$ 52.927
millones, que conforman una cartera constituida por 25 proyectos de cobre, siete
de oro, cuatro de fosfato, tres de zinc, tres polimetálico, dos de hierro, dos de
plata, uno de estaño y uno de uranio, mientras que los 11 restantes aún no tienen
un metal definido por encontrarse en fase de exploración”. (2019, p. 8)
En base al análisis del Dr. Peñaranda podemos inferir que las exportaciones
mineras si generan un impacto positivo en el PBI peruano, así como menciona
el MINEM, que “Las exportaciones mineras contribuyen a impulsar la economía
del país, brindando oportunidades de trabajo e ingresos para las personas;
asimismo provee las divisas necesarias para adquirir bienes y servicios
extranjeros”. (2018, p. 18).
Sin embargo, si analizamos las exportaciones de ciertos minerales metálicos,
se tendrá el mismo efecto en el PBI nacional o es que al analizarlo en conjunto,
es decir todos los minerales, generan una influencia positiva en el PBI. Por ello,
en este trabajo de investigación se analizará principalmente si la exportación de
minerales metálicos: oro, cobre, estaño, plata refinada y zinc, influyen
significativamente al PBI nacional.
Modelo estadístico/ econométrico
Modelo de Regresión Lineal Múltiple
Pat et al. (2013) indican que este modelo de regresión lineal múltiple
estudia la relación que se establecen entre las variables regresoras y la
variable regresando. Es decir que, en este modelo, la variable regresando
está en función a dos o más variables regresoras. Este modelo está
expresado en la ecuación (3.1.).
Donde:
- Y = Variable regresando
- 𝑿𝟏 , 𝑿𝟐, … , 𝑿𝒏 = Variables regresoras
- 𝜷�̂�, 𝜷𝟏, … ,̂ 𝜷�̂� = coeficientes
- 𝜺𝒕 = Residual
Modelo teórico
Mínimos Cuadrados Ordinarios
El modelo estadístico econométrico múltiple planteado por Pat et al.
(2013), necesita ser estimado para conocer los coeficientes de los parámetros
de este modelo, por lo que se tiene que aplicar el método de mínimos
cuadrados ordinarios. Este método de estimación se usa para determinar los
coeficientes de una función de regresión muestral.
Gujarati explica que “Los estimadores obtenidos antes se conocen como
estimadores de mínimos cuadrados, pues se derivan del principio de mínimos
cuadrados.” (2010, p.59). Asimismo, estos estimadores presentan dos
propiedades: Propiedades numéricas y propiedades estadísticas.
𝑌 = 𝛽0̂ + 𝛽1̂ 𝑋1 + 𝛽2̂ 𝑋2 + 𝛽3 ̂𝑋3 + 𝛽4̂ 𝑋5 + … 𝛽�̂� 𝑋𝑛 + 𝜀𝑡 (3.1)
25
Propiedades Numéricas
- Los estimadores se calculan fácilmente, ya que se expresan en
términos numéricos.
- Estos estimadores presentan un único valor en MCO, por ellos con
considerados como estimadores puntuales.
Propiedades Estadísticas
Gujarati, D., & Porter, D. (2010) señalan tres principales
propiedades:
- Linealidad: Basándonos en una regresión lineal siempre, los
estimadores 𝛽�̂� y 𝛽�̂� son funciones lineales de la variable dependiente
𝑌𝑖, mostradas en las siguientes ecuaciones (1.1), (1.2) y (1.3):
𝛃�̂� = ∑ k Yi
n
i=1
(1.1)
Y̅i − ∑ X̅iK ni=1 Yi = 𝛃�̂� (1.2)
ki = ∑ Xi Yi
∑ Xi2 ( 1.3)
- Insesgamiento: Esta propiedad presenta tres propiedades principales
para que cumpla el insesgamiento, se parte de las ecuaciones de
regresión lineal de los estimadores planteadas en la propiedad de
linealidad, expresadas en las ecuaciones (2.1), (2.2) y (2.3).
∑ k = 0
n
i=1
( 2.1)
∑ ki2 =
1
∑ Xi2
n
i=1
( 2.2)
∑ ki xi =
n
i=1
∑ ki Xi = 1
n
i=1
( 2.3)
Por otro lado, para aplicar el método MCO, es importante que el modelo de
regresión clásica cumpla con siete supuestos.
Linealidad: Implica el efecto marginal de X en Y no dependa de la
regresora xi; es decir que sea una constante.
Exogeneidad: La variable x se considera exógena cuando es
independiente de la variable aleatoria, es decir no está correlacionada.
Donde el valor esperado de la variable aleatoria es igual a 0, para todas
las observaciones.
Homocedasticidad: Indica que la varianza del error tiende a ser la
misma que la varianza de la regresión, manteniendo a la variable
independiente constante.
No autocorrelación: La regresión no debe presentar errores que estén
correlacionados; es decir que la covarianza condicional del error con
respecto a la regresora debe ser igual a 0.
Variabilidad de los valores 𝐱𝐢: estas variables no deben atípicas, es
decir no deben ser muy grandes, ya que pueden llevar a que la estimación
no sea la correcta y que los otros supuestos no se puedan aplicar.
La variable xi debe tener valores fijos y deben ser independientes del
término de error.
El número de observaciones tiene que ser mayor al número de variables
independientes.
1.3. Objetivos e hipótesis
1.3.1. Objetivos
Objetivo general
Demostrar que las exportaciones de minerales metálicos en valor FOB, que
aplicaremos en la regresión econométrica, son significativos en el PBI peruano
y sus fluctuaciones durante la brecha entre el 2010 y 2019.
27
Objetivos específicos
Demostrar que la exportación de oro en valores FOB afecta
significativamente en las variaciones del PBI entre el 2010 y 2019.
Demostrar que la exportación de cobre en valores FOB afecta
significativamente en las variaciones del PBI entre el 2010 y 2019.
Demostrar que la exportación de zinc en valores FOB afecta
significativamente en las variaciones del PBI entre el 2010 y 2019.
Demostrar que la exportación de estaño en valores FOB afecta
significativamente en las variaciones del PBI entre el 2010 y 2019.
Demostrar que la exportación de plata refinada en valores FOB afecta
significativamente en las variaciones del PBI entre el 2010 y 2019.
1.3.2. Hipótesis
Hipótesis general
Hipótesis nula: La exportación de minerales metálicos en valor FOB no son
significativos en las variaciones del PBI evaluado en los periodos
comprendidos entre el año 2010 al 2019.
Hipótesis alternativa: La exportación de minerales metálicos en valor FOB
son significativos en las variaciones del PBI evaluado en los periodos
comprendidos entre el año 2010 al 2019.
Hipótesis específicas
Hipótesis especifica 1
- Hipótesis nula: La exportación de oro no es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
- Hipótesis alterna: La exportación de oro si es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
Hipótesis especifica 2
- Hipótesis nula: La exportación de cobre no es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
- Hipótesis alterna: La exportación de cobre es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
Hipótesis especifica 3
- Hipótesis nula: La exportación de zinc no es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
- Hipótesis alterna: La exportación de zinc es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
Hipótesis especifica 4
- Hipótesis nula: La exportación de estaño no es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
- Hipótesis alterna: La exportación de estaño es significativa en las
variaciones del PBI peruano entre el 2010 y 2019.
Hipótesis especifica 5
- Hipótesis nula: La exportación de plata refinada no es significativa en
las variaciones del PBI peruano entre el 2010 y 2019.
- Hipótesis alterna: La exportación de plata refinada es significativa en
las variaciones del PBI peruano entre el 2010 y 2019.
29
CAPÍTULO II: METODOLOGÍA
En este capítulo se analizará la metodología del trabajo de investigación, iniciando con
la determinación del tipo y diseño de investigación a utilizar, además se presentará la
manera en cómo se recolectarán los datos, las cuales siguen el lineamiento de la
estimación de las variables, desarrolladas mediante el modelo de regresión lineal
múltiple. Por otro lado, se describirá secuencialmente el procedimiento a seguir del
método de estimación para la comprobación de las hipótesis planteadas.
2.1. Tipo y diseño de investigación
Tipo de investigación
Mejía (2005) propuso algunos criterios para poder identificar el tipo de investigación
que se requiere en una investigación. Analizando estos criterios planteados por el
autor, se opta por el quinto criterio: “Según el método de estudio de las variables”. Las
cuales se dividen en investigaciones cualitativas y cuantitativas. Para el desarrollo de
este trabajo es considerable basarnos en investigaciones cuantitativas, las cuales usan
variables que pueden medirse y cuantificarse, asimismo expresar resultados
numéricos. Como lo es este caso, donde usamos variables cuantitativas: PBI y
exportaciones de minerales metálicos en valor FOB (oro, cobre, zinc, estaño y plata
refinada).
Diseño de investigación
Hernández, Fernández & Batista (2014) clasificaron la investigación cuantitativa:
experimental y no experimental. Sin embargo, para este trabajo, optaremos por la
investigación no experimental, este se basa principalmente en el estudio de las
variables, sin que están tengan alguna intervención del investigador, por lo que solo
se analizan estas variables en su estado natural.
Sin embargo, la investigación no experimental se clasifica en diseño transeccional
y longitudinal. Por lo que, se optará por el diseño longitudinal, ya que analiza la
evolución de las variables en diferentes puntos del tiempo. Asimismo, este diseño
posee tres divisiones: de tendencia, de evolución de grupo y panel.
Por lo tanto, en este trabajo, nos basaremos en una investigación no experimental
de tendencia, teniendo en cuenta que nos enfocamos en demostrar que las
exportaciones de los minerales metálicos valorizados en millones de dólares FOB
afectan o influyen significativamente en el PBI, sin manipular ninguna de estar
variables para que den un resultado esperado, en un determinado periodo de tiempo
(2010 – 2019).
2.2. Variables
Cohen, Manion y Morrison (2013) señalan que las variables deben tener relación
entre sí. Explicando que una variable independiente actúa como un estímulo para
generar un efecto o un resultado; por otro lado, la variable dependiente, actúa como el
resultado o consecuencia del estímulo aplicado.
En la tabla 5 se presenta las definiciones conceptuales de las variables que se van
a usar este trabajo. Asimismo, en la tabla 6 se muestra las definiciones operacionales
de dichas variables, tanto de las variables dependientes como las independientes
Tabla 5.
Definiciones conceptuales de las Variables Dependientes e Independientes.
Fuente: Esta tabla indica las definiciones conceptuales de cada una de las variables. Elaboración propia.
Tabla 6.
Definiciones Operacionales de las Variables Dependientes e Independientes.
Fuente: Esta tabla indica las definiciones operacionales de cada una de las variables, expresando el tipo de variable, unidad de medida, frecuencia, fuente de datos
y periodo. Elaboración propia.
33
2.3. Muestra
Cohen, Manion y Morrison (2013) nos indican dos tipos de muestra: probabilística
y no probabilística. En base a nuestras variables es conveniente dirigirnos a obtener
una muestra no probabilística, ya que la elección de estos datos depende de las
decisiones del investigador.
En base el tipo de muestra seleccionado, los datos recolectados según la base de
datos presentan una frecuencia trimestral entre el 2010 y 2019, enfocados en dos
unidades de medidas: millones de dólares y millones dólares FOB.
2.4. Instrumentos de investigación
Ñaupas et al. (2014) señalan que los instrumentos de investigación son métodos
que sirven como herramientas para la recolección de datos, con el fin de comprobar
las hipótesis ya planteadas. Ante ello, para poder obtener los datos correspondientes
a cada tipo de variable, tanto independientes como dependientes se recurrió a una
fuente secundaria: BCRPData, esta base de datos confiable pertenece al BCRP.
2.5. Procedimiento de recolección de datos
Teniendo en cuenta las variables presentadas que van a ser usadas en este trabajo,
y del instrumento que se va a utilizar para la recolección de los datos, se procederá a
presentar el procedimiento de la recolección de estos datos.
Primero se analizó la variable producto bruto interno (PBI), la cual se obtuvo de
BCRPData, en la sección de Series por Frecuencia Trimestral (T1 a T4), denominada
“Producto bruto interno (índice 2007 = 100) - PBI Global”, haciendo la selección desde
el primer trimestre del 2010, hasta el cuarto trimestre del 2019.
De la misma manera, dentro de la base de datos del BCRP, se obtuvo las variables:
exportación de oro (Oro), exportación de estaño (Estaño), exportación de Cobre
(Cobre), exportación de plata refinada (Plata) y exportación de zinc (Zinc); estas se
presentan dentro de la sección Series por Frecuencia Trimestral, denominada
“Exportaciones de productos tradicionales - valores FOB (millones US$)- Mineros Oro,
Estaño, Cobre, Plata Refinada y Zinc”, seleccionadas desde el primer trimestre del
2010, hasta el cuarto trimestre del 2019.
Luego de la recolección de datos de todas las variables analizadas, donde cada una
de ellas tuvo 40 observaciones, llegando a un total, en conjunto de todas las variables,
de 240 observaciones.
2.6. Plan de análisis
Teniendo de base las secciones analizadas con anterioridad y las hipótesis
planteadas, ante ello se utilizará un modelo econométrico de series de tiempo,
mediante una Regresión Lineal Múltiple. Este tipo de modelo permite el análisis
estadístico de relación entre la variable dependiente y las variables dependientes. Para
ello, utilizamos un software estadístico: E-views 11, el cual nos permite hacer una
evaluación econométrica.
Las variables observadas se presentarán en la siguiente función:
PBIS = f (XAu, XSn, XCu, XAg, XZn), es decir que la variable regresada se encuentra
en función de las variables regresoras.
Para poder realizar las evaluaciones econométricas, es necesario la recopilación
de los datos de las variables, procedimiento ya explicado en la sección “Procedimiento
de Recolección de Datos” de este trabajo, teniendo en cuenta que este análisis ha sido
aprobado y respaldado con artículos de investigación.
Posterior a la aprobación de realizar un modelo respaldado con investigación
profesional, analizamos las series y sus estadísticos descriptivos. Se tuvo que analizar
los datos de cada una de las variables, ante ello se detectó que la variable PBI presenta
estacionalidad, a lo cual lo cual se aplica la desestacionalización para convertirla en
una variable desestacionalizada.
Luego se aplicó a las series de nuestras variables, logaritmo natural para suavizar
la muestra y hacer más compactos los datos para el análisis y evaluarlo
porcentualmente de igual forma, por lo que formamos un modelo LOG-LOG, ya que
las varianzas dentro de la matriz VAR-COV eran muy altas.
Ya teniendo variables más fáciles de analizar, se realizaron diversas pruebas, para
evaluar el cumplimiento de los supuestos que requiere el modelo de Regresión Lineal
Múltiple. Primero se analizó la prueba de Jarque - Bera, donde se analiza el valor del
P-value con el nivel de significancia (α = 5%), esta prueba determina si las variables
se ajustan a una distribución normal. Se continua con el test de Autocorrelación de
Dickey- Fuller (raíces unitarias), para determinar la estacionariedad de la variable, el
P-value menores al nivel de significancia (α = 5%). Ante ello, se procedió a evaluar el
Test de Granger, para poder determinar la causalidad del modelo, evaluando el P-
value, si este es menor al nivel de significancia, determinando la dirección de la
causalidad: unidireccional o bidireccional. Consecuentemente, pasamos a estimar el
MCO, y analizamos supuestos de este método de estimación: autocorrelación,
heterocedasticidad, multicolinealidad, normalidad, cada uno con sus respectivos test.
Ante ello se tiene que pasar a la corrección, primero, se evalúan los residuos de la
ecuación anterior, y se realizó el test de raíz unitaria, por lo que se puede usar el
Modelo de Corrección de Errores (MCE), analizándolos en su primera diferencia,
agregando el rezago del residuo, se vuelve a analizar los supuestos del MCO:
autocorrelación, heterocedasticidad, normalidad; ante ello se detecta autocorrelación,
ante ello se tiene que corregir el modelo MCE planteado, agregando la variable más
significativa, el regresando. Luego, observamos donde se presentaban los quiebres
del modelo, ante ello se añaden las variables dummy por cada uno de los quiebres, se
tienen que añadir al modelo ya corregido, para poder obtener nuestro final corregido.
Al obtener el modelo final, se tienen que realizar las pruebas de normalidad,
autocorrelación y heterocedasticidad.
37
CAPÍTULO III: RESULTADOS
En este capítulo, se presentarán los resultados obtenidos mediante la aplicación del
modelo teórico y según el método de estimación planteado. Asimismo, se realizará una
recomendación según la evaluación de la discusión de los resultados obtenidos.
3.1. Presentación de Resultados
Modelo aplicado
Para la evaluación del método de estimación a palicar, se identificó el modelo
de regresión lineal múltiple, expresado en la ecuación (4.1).
𝐿𝑛(𝑃𝐵𝐼𝑆)𝑡 = 𝛽0̂ + 𝛽1̂𝐿𝑛(𝑋𝐴𝑢𝑡) + 𝛽2̂𝐿𝑛(𝑋𝑆𝑛𝑡) + 𝛽3̂𝐿𝑛(𝑋𝐶𝑢𝑡) +
𝛽4̂𝐿𝑛(𝑋𝐴𝑔𝑡) + 𝛽5̂𝐿𝑛(𝑋𝑍𝑛𝑡) + 𝜀𝑡
( 4.1)
Análisis estadísticos descriptivos
En la tabla 7 se observa que las desviaciones estándar de las variables son
bastantes elevadas, por lo que se aplicarán logaritmos con la finalidad de evitar
que los datos no sean muy dispersos. Asimismo, se muestra en la tabla 8, donde
figuran varianzas relativamente altas dentro de la matriz VAR-COV. Debido a ello,
se tuvo que aplicar logaritmos a dichas variables, para obtener una mejor
evaluación, generando un modelo LOG-LOG, denotado por la tabla 9, ya con unas
varianzas menores a la anterior, se procede a analizar la estacionariedad de las
variables.
Tabla 7.
Estadísticos Descriptivos de las Variables sin Aplicación Logarítmica.
Fuente: Esta tabla indica los valores de los estadísticos descriptivos de las variables sin la aplicación
de logaritmos. Adaptado de “E-views 11”. Elaboración propia
ESTADÍSTICOS
DESCRIPTIVOSPBIS XAG XAU XCU XSN XZN
Media 49336.3600 48.3034 2076.9550 2751.0320 125.5532 438.4986
Mediana 49871.2300 34.8108 2045.0560 2636.8720 105.2353 385.4065
Desv. Estandar 5971.4490 34.0554 371.5502 638.5914 51.8094 121.9264
Probabilidad 0.3219 0.0000 0.0699 0.2603 0.0039 0.0007
Observaciones 40 40 40 40 40 40
Tabla 8.
Matriz VAR-COV de las Variables sin Aplicación Logarítmica.
Fuente: Esta tabla indica los valores de las varianzas y covarianzas sin la aplicación de logaritmos
en la matriz VAR-COV. Adaptado de “E-views 11”. Elaboración propia
Tabla 9.
Estadísticos Descriptivos de las Variables con Aplicación Logarítmica.
Fuente: Esta tabla indica los valores de los estadísticos descriptivos de las variables con la
aplicación de logaritmos. Adaptado de “E-views 11”. Elaboración propia
Estacionariedad de las variables
Se realizó la aplicación del Test de Dickey Fuller Aumentado de Raíz Unitaria,
donde se identifica que todos los p-value que son menores al α = 5%, son
estacionarios. Por lo que, en este caso las variables estacionarias son LXAg,
LXAu, LXSn y LXZn, analizados en su primera diferencia, expresados en la tabla
10. En el caso del LPBIS y LXCu, son estacionarios en su segunda diferencia,
expresados en la tabla 11.
PBIS XAG XAU XCU XSN XZN
PBIS 34766744.00 -11756.45 -39946.27 2453179.00 -203388.60 371870.60
XAG -11756.45 1130.77 365.97 -6534.28 370.86 -1585.35
XAU -39946.27 365.97 134598.30 66881.79 4545.90 -1096.63
XCU 2453179.00 -6534.28 66881.79 397604.00 -9872.92 60931.36
XSN -203388.60 370.86 4545.90 -9872.92 2617.11 -1643.48
XZN 371870.60 -1585.35 -1096.63 60931.36 -1643.48 14494.40
ESTADÍSTICOS
DESCRIPTIVOSLPBIS LXAG LXAU LXCU LXSN LXZN
Media 10.7981 3.7039 7.6241 7.8941 4.7627 6.0508
Mediana 10.8099 3.5499 7.6232 7.8773 4.6562 5.9543
Desv. Estandar 0.1359 0.5597 0.1702 0.2282 0.3647 0.2502
Probabilidad 0.0652 0.1327 0.2804 0.4640 0.1321 0.0984
Observaciones 40 40 40 40 40 40
39
Tabla 10.
Test de Dickey Fuller en Primera Diferencia.
Fuente: Esta tabla indica los valores del p-value de la primera diferencia de las variables del Test de
Dickey-Fuller. Adaptado de “E-views 11”. Elaboración propia.
Tabla 11.
Test de Dickey Fuller en segunda diferencia.
Fuente: Esta tabla indica los valores del p-value de la segunda diferencia de las variables del Test de
Dickey-Fuller. Adaptado de “E-views 11”. Elaboración propia.
Dirección de Causalidad del Test de Granger
Analizando el test de Causalidad de Granger, inferimos que en algunas de las
variables estacionarias presentan causalidad en sentido de Granger, en dos
direcciones: unidireccional y bidireccional, como se muestra en la tabla 12. Aunque
no todas las variables no tienen causalidad en sentido de Granger, eso no significa
que no pueda existir relación entre las variables.
t-Stat P-Val
LXAG -5.7166 0.0000
LXCU -2.4984 0.0140
LXSN -9.8642 0.0000
LXZN -7.4998 0.0000
t-Stat P-Val
LPBIS -18.3668 0.0000
LXAU -7.4384 0.0000
Tabla 12.
Test de Causalidad de Granger hasta el rezago 10.
Fuente: Esta tabla señala la dirección de la causalidad de las variables estacionarias. Adaptado de
“E-views 11”. Elaboración propia.
Aplicación del MCO a la Regresión Lineal Múltiple
En la aplicación del MCO, en la tabla 13 se pudo determinar que no existen
problemas de normalidad (Véase Anexo 1.), ni heterocedasticidad (Véase Anexo
2.), sin embargo, existe problema de autocorrelación, ya que el valor del Durbin-
Watson es menor que 2, además para corroborar ello, el test de LM de correlación
serial de Breusch-Godfrey indicó que presenta autocorrelación (Véase Anexo 3.),
además el R cuadrado (R^2) de 0.68% lo que indica que es muy bajo para que
represente un buen ajuste en el modelo de regresión múltiple.
LAGS PROB INTERPRETACIÓN CAUSALIDAD
DLXAU does not Granger Cause D2LPBIS 2 0.0345 Se rechaza Ho Bidireccional
DLXCU does not Granger Cause D2LPBIS 2 0.0071 Se rechaza Ho Unidireccional
DLXSN does not Granger Cause D2LPBIS 1 0.0489 Se rechaza Ho Unidireccional
DLXZN does not Granger Cause D2LPBIS 1 0.0438 Se rechaza Ho
D2LPBIS does not Granger Cause DLXZN 8 0.0338 Se rechaza Ho
DLXAG does not Granger Cause DLXAU 4 0.0427 Se rechaza Ho Unidireccional
DLXAG does not Granger Cause DLXCU 3 0.0250 Se rechaza Ho Unidireccional
DLXAG does not Granger Cause DLXSN 6 0.0175 Se rechaza Ho Unidireccional
DLXSN does not Granger Cause DLXAU 3 0.0038 Se rechaza Ho Unidireccional
6 0.0220 Se rechaza Ho Unidireccional
4 0.0253 Se rechaza Ho Unidireccional
Bidireccional
HIPÓTESIS NULA
DLXZN does not Granger Cause DLXSN
DLXSN does not Granger Cause DLXCU
41
Tabla 13.
Estimación por MCO.
Fuente: Esta tabla indica los valores de los coeficientes, error estándar, t-estadístico y la
probabilidad de las variables, en base a la estimación por MCO de las variables. Adaptado de “E-
views 11”. Elaboración propia.
Corrección del MCO, a través de sus residuos
Para la corrección del MCO, primero se identificaron que los residuos son
estacionarios, ya que tienen raíz unitaria. Ante ello, se aplicó el Modelo de
Corrección de Errores (MCE), a través de las primeras diferencias de las variables,
agregando el primer rezago del error y la variable más significativa del modelo, que
es el PBI, además de la corrección de los dos quiebres generados en el tercer
trimestre del 2013 y el tercer trimestre del 2019 (Véase Anexo 4.).
En la tabla 14 se identifica al MCE corregido, debido a problemas de
autocorrelación en el modelo inicial del MCE (Véase Anexo 5.), además no se
encuentran problemas en las pruebas de normalidad, heterocedasticidad, ni
autocorrelación (Véase Anexo 6,7 y 8.), además se encuentra un nivel de
significancia global, y un R cuadrado de 0.91, lo cual indica un alto nivel de ajuste
en el modelo aplicado, ante ello se establece que no viola ningún supuesto del
modelo de regresión lineal múltiple planteada.
Dependent Variable: LPBIS
Method: Least Squares
Sample: 2010Q1-2019Q4
Included observations: 40
Variable Coefficient Std. Error t-Statistic Prob.
C 9.2192 0.6921 13.3197 0.0000
LXAG 0.0696 0.0276 2.5186 0.0167
LXAU -0.1235 0.1029 -1.1999 0.2385
LXCU 0.4324 0.1156 3.7413 0.0007
LXSN -0.1828 0.0421 -4.3440 0.0001
LXZN -0.0464 0.0971 -0.4775 0.6361
R-squared 0.6889 10.7981
Adjusted R-squared 0.6432 0.1359
S.E. of regression 0.0812 -2.0465
Sum squared resid 0.2241 -1.7932
Log likelihood 46.9302 -1.9549
F-statistic 15.0597 1.4264
Prob(F-statistic) 0.0000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
Tabla 14.
Estimación por MCE corregido.
Fuente: Esta tabla indica los valores de los coeficientes, error estándar, t-estadístico y la
probabilidad de las variables, en base a la estimación por MCE corregido de las variables. Adaptado
de “E-views 11”. Elaboración propia.
El modelo corregido no presenta problemas de heterocedasticidad ni
autocorrelación y además los residuos siguen una distribución normal de acuerdo
con los resultados de los test de heterocedasticidad ARCH, Glejser y Breusch
Pagan Godfrey, el test de autocorrelación de Breusch Godfrey y el test de
normalidad de Jarque Bera que se muestran en la tabla 15.
Tabla 15
Test de Prueba de Heterocedastidad del Modelo MCE Corregido.
Dependent Variable: DLPBI
Method: Least Squares
Sample (adjusted): 2011Q2 2019Q4
Included observations: 35 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.0014 0.0042 0.3285 0.7453
U1(-1) -0.1829 0.0714 -2.5613 0.0168
DLXAG -0.0020 0.0161 -0.1218 0.9040
DLXAU -0.0176 0.0459 -0.3822 0.7056
DLXCU 0.1515 0.0405 3.7396 0.0010
DLXSN -0.0006 0.0149 -0.0418 0.9670
DLXZN 0.0283 0.0348 0.8136 0.4235
DLPBI(-4) 0.6796 0.0780 8.7140 0.0000
D13Q3 -0.0687 0.0249 -2.7558 0.0108
D19Q3 0.0576 0.0258 2.2305 0.0349
R-squared 0.9145 0.0127
Adjusted R-squared 0.8837 0.0637
S.E. of regression 0.0217 -4.5848
Sum squared resid 0.0118 -4.1404
Log likelihood 90.2339 -4.4314
F-statistic 29.7085 2.3168
Prob(F-statistic) 0.0000
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
Mean dependent var
S.D. dependent var
43
Test Estadístico Probabilidad Decisión
ARCH 6.4046 0.1709 La varianza de los residuos
es homocedástica
Glejser 0.4702 0.7571 La varianza de los residuos
es homocedástica
Breusch Pagan
Godfrey 3.3247 0.7671
La varianza de los residuos
es homocedástica
Breusch Godfrey 3.6593 0.4541
No existe autocorrelación
entre residuos de periodos
diferentes
Jarque Bera 0.7176 0.6984
Los residuos del modelo
siguen una distribución
normal
Fuente: Esta tabla indica los estadísticos y las probabilidades de las pruebas para heterocedasticidad
ARCH, Glejser y Breusch Pagan Godfrey, la prueba de autocorrelación de Breusch Godfrey y la prueba
de normalidad de Jarque Bera. Adaptado de “E-views 11”. Elaboración propia.
También se determinó la linealidad de los parámetros del modelo MCE corregido
con el Test RESET de Ramsey, el cual tiene como hipótesis nula el modelo está
correctamente especificado y es aceptada cuando la probabilidad del estadístico F
es mayor a 0.05 y cuando se rechaza la hipótesis nula es debido a que una variable
explicativa es no lineal. En la tabla 16 se presenta los resúmenes de los estadísticos
de la prueba RESET para la potencia 1 y 2.
Tabla 16
Resumen de resultados del test RESET de Ramsey.
Grado de la potencia
Estadístico F Grados de libertad Probabilidad
1 0.2023 (1, 24) 0.6569
2 1.746937 (2, 23) 0.1967
Fuente: Esta tabla indica los estadísticos y las probabilidades de la prueba RESET de Ramsey
aplicados a los casos con potencia de grado 1 y 2. Adaptado de “E-views 11”. Elaboración propia.
Al ser la probabilidad del estadístico F en ambos casos mayor al 5% de nivel de
significancia se aceptó la hipótesis nula de correcta especificación del modelo lo
cual implica que los parámetros y las variables son lineales.
Finalmente, interpretando los supuestos del modelo de regresión lineal múltiple
y las correcciones del MCO y el MCE, se infiere que la velocidad de ajuste a largo
plazo, la exportación de cobre y los quiebres estructurales son significativos para
el PBI, obteniendo como resultado la ecuación (5.1) en el corto plazo, y la
ecuación (5.2) en el largo plazo.
𝐷𝐿𝑛(𝑃𝐵𝐼𝑆)𝑡 = 0.001 − 0.183𝑈𝑡−1 − 0.0019𝐷𝑙𝑛(𝑋𝐴𝑔) − 0.0176𝐷𝐿𝑛(𝑋𝐴𝑢) +
0.151 𝐷𝐿𝑛 (𝑋𝐶𝑢 ) + 0.006𝐷𝑙𝑛(𝑋𝑆𝑛) + 0.0283𝐷𝑙𝑛(𝑋𝑍𝑛) +
0.6796𝐷𝐿𝑛(𝑃𝐵𝐼𝑆)𝑡−4 − 0.069𝑑13𝑄3 + 0.058𝑑19𝑄3 + 𝜀𝑡
(5.1)
𝐷𝐿𝑛(𝑃𝐵𝐼𝑆)𝑡 = 9.2192 − 0.0696𝐷𝑙𝑛(𝑋𝐴𝑔) − 0.1235𝐷𝐿𝑛(𝑋𝐴𝑢) +
0.4324 𝐷𝐿𝑛 (𝑋𝐶𝑢 ) − 0.1828𝐷𝑙𝑛(𝑋𝑆𝑛) − 0.0464𝐷𝑙𝑛(𝑋𝑍𝑛)
(5.2)
3.2. Discusión
El presente trabajo de investigación planteó como objetivo en poder demostrar que
las exportaciones de minerales metálicos: oro, cobre, plata, zinc y estaño, en valor
FOB, son significativos en el PBI peruano y sus fluctuaciones durante la brecha entre
el periodo 2010 y 2019. Asimismo, mediante el análisis presentado en la sección
anterior, que las variables regresoras: Exportación de Oro (XAu), Exportación de Cobre
(XCu), Exportación de Plata (XAg), Exportación de Zinc (XZn) y Exportación de Estaño
(XSn), no todas logran tener una influencia significativa dentro de la variable
regresando: PBI desestacionalizado (PBIS).
Por lo que daremos a explicar los resultados obtenidos en la sección anterior,
elaborador mediante el programa Eviews-11, para su respectivo análisis e
interpretación efectiva.
3.2.1. Exportaciones Significativas en el PBI
Con los resultados obtenidos de la evaluación econometría que se realizó en
Eviews-11, se puede verificar que la exportación de cobre genera una influencia
de manera positiva y significativa en el PBI peruano en el corto y largo plazo.
Asimismo, Cadenas y Loaysa (2019) expresan en su material de estudio que
mediante el modelo regresión lineal múltiple que plantearon, encuentran una
45
relación positiva y significativa con respecto a la exportación del cobre y el
crecimiento del PBI. Además, esto se respalda con la publicación de MINEM en
su Anuario Minero (2019), indicando que la exportación de cobre representa el
29.1% del total de exportaciones nacionales.
Con respecto a la exportación de plata refinada, en el corto plazo no tiene un
grado de significancia hacia el PBI, a pesar de que, en el 2019, MINEM, en su
Anuario Minero, indicó que, a nivel mundial, somos el segundo país con una
mayor producción minera mundial y en Latinoamérica, sin embargo, una posible
causa es que el volumen de producción varíe cada año, como en el 2019 que se
redujo a 3,860 TMF. Sin embargo, en el largo plazo, la exportación de plata, si
presentó un grado de significancia hacia el PBI. Esto se debe principalmente a
que el nivel de producción nacional en TMF, analizado desde el 2010 hasta el
2018 ha ido en crecimiento, además de que, según el Servicio Geológico de los
Estados Unidos, el Perú tiene una de mayores reservas de este mineral a nivel
mundial. (MINEM, 2019).
3.2.2. Exportaciones No Significativas en el PBI
En base a los resultados estadísticos del E-views11, la exportación de oro,
en el corto plazo y largo plazo, este no genera un cierto grado de impacto en el
PBI, cuando se toman en consideración las demás exportaciones de minerales
metálicos establecidas en este trabajo de investigación. Una causa posible de
que esto suceda es que, en cuestión de mayor producción a nivel mundial, nos
ubicamos en el octavo lugar en el 2019, teniendo en cuenta el nicho de mercado
se centra en el continente europeo y asiático. (MINEM, 2019). Asimismo, en el
largo plazo, Cadenas y Loaysa (2019) determinaron en un análisis desde 1995
hasta el 2018, al incremento del 1% de la exportación de oro, el PBI crecerá en
1.84%, lo que demuestra que la exportación de este mineral influye
significativamente en el PBI, teniendo en cuenta que es a largo plazo.
En base a la exportación de estaño, al igual que la exportación de oro y plata
refinada, no presenta un grado de significancia en el PBI nacional en el corto
plazo, esto se debe a que hubo una reducción porcentual de participación en las
exportaciones mineras, donde en el 2016 tuvo una participación del 1.6% y en el
2019 un 1.3%. (BBVA Research, 2017 y MINEM, 2019). Sin embargo, el
crecimiento del volumen de la exportación, valor y precio del estaño desde 1993
hasta el 2006, es decir en el largo plazo del tiempo mientras incremente las
exportaciones, crece la probabilidad de incrementar porcentualmente la
presencia de exportaciones de este mineral en el PBI. (Dammert y Molinelli,
2007).
En el caso de la exportación de zinc, en el corto y largo plazo no presenta un
grado de significancia en el PBI nacional, aun siendo el primer productor en
Latinoamérica, y siendo el segundo a nivel mundial, según el Anuario Minero del
MINEM (2019), la participación en volumen de exportación de este mineral es
mucho menor que la exportación de oro, cobre, durante 2010 hasta el 2019,
teniendo un máximo nivel de volumen de exportación de 1,217 miles de TM. Por
otro lado, desde 1994 hasta el 2006, el nivel de producción tuvo un crecimiento
de producción bastante bajos, a comparación de otros minerales.
Por otro lado, podemos inferir que los resultados obtenidos en el grado de
significancia global de todos los minerales metálicos exportados entre el periodo del
2010 hasta el 2019 son significativas con respecto al PBI, tal cual como se muestran
en los datos recopilados con anterioridad del BCRP, MINEM. Así como Bobadilla
(2016) y nuestro análisis que se obtuvo mediante la herramienta de datos del BCRP,
donde se encontraron participaciones significativas en las exportaciones mineras que
afectaban directamente al PBI peruano. Por otro lado, en base a los autores
internacionales y nacionales se puede demostrar una relación directa con las
investigaciones, ya que en ellas se muestra que las exportaciones mineras son fuente
principal que inserta millones de dólares en valores FOB al PBI. Con ello podemos
interpretar que la exportación de los minerales metálicos analizados ( Cobre, Oro, Plata
refinada, Estaño y Zinc) en su conjunto son significativas y aportan al PBI, por lo que
podemos inferir que el Perú sigue la teoría de dependencia de recursos, presentada
por Pfeffer y Salanclk en 1978. (Se puede encontrar mayor información sobre la teoría
de dependencia de recursos en el Subcapitulo 1.2. Marco referencial, 1.2.2. Marco
Teórico).
3.3. Conclusión
En base al análisis y la evaluación exhaustiva realizado a los resultados obtenidos
de nuestro trabajo de investigación, en base a las variables y a la data cuantitativa
obtenidas por fuentes secundarias, se constata que el objetivo planteado en la sección
de objetivos e hipótesis, inferimos que no todas las exportaciones de minerales
metálicos en valor FOB, analizadas en este trabajo de investigación en el corto plazo,
son significativos en el PBI peruano y sus fluctuaciones durante la brecha entre el 2010
y 2019. Teniendo en cuenta ello, se acepta la Hipótesis nula general y se rechaza la
Hipótesis alterna general.
47
Dado por entendido lo anterior, en base a las Hipótesis específicas, en la primera
Hipótesis se rechaza la Hipótesis alterna y se acepta la Hipótesis nula, por lo que
damos validez a que la exportación de oro no es significativa en las variaciones del
PBI peruano entre el 2010 y 2019, dando que no presenta un nivel de significancia
según el MCE corregido.
En el caso de la segunda Hipótesis específica, se rechaza la Hipótesis nula, y se
acepta la Hipótesis alterna, por lo que se deduce que el impacto que genera las
exportaciones del cobre incrementará en 0.15% al PBI nacional.
Sin embargo, en base a la tercera, cuarta y quinta Hipótesis específica, se infiere
que se aceptan las Hipótesis nulas, ya que, en el corto plazo, las exportaciones de
zinc, estaño y plata refinada, respectivamente, no son significativas en las variaciones
del PBI peruano.
Por otro lado, al evaluar que solo una exportación de un mineral influye
significativamente, esto no quiere dar a entender que no son significativas en conjunto,
lo cual se corrobora con la significancia global del modelo, presentada, tanto en el
corto, como en el largo plazo. Además, como es un modelo dinámico, el PBI afecta
positivamente cada año en base a su año anterior. Además, el quiebre del 2013 tuvo
un impacto negativo en el PBI, ya que la SNMPE (2019) indicó que ese año el volumen
de exportaciones de oro, cobre, molibdeno y estaño y el precio de cotización que
tuvieron estos minerales, presentaron un decrecimiento con respecto al año anterior.
Por otro lado, el quiebre que se dio en el 2019 tuvo un impacto positivo en el PBI, a
pesar de que el MINEM (2020) detectó que en ese año las exportaciones mineras en
disminuyeron un 2.9% con respecto al año anterior, debido a una caída de los precios
de cotización.
Teniendo en cuenta lo analizado e interpretado en todas las secciones de este
trabajo de investigación, podemos denotar el gran impacto que tiene la exportación de
cobre, y el impacto que tienen todas las exportaciones de los minerales metálicos
analizados en conjunto, en el PBI nacional. En el largo plazo, se denota que la
exportación de cobre es directamente proporcional al crecimiento del PBI, de manera
positiva durante el 2019 hasta el 2019.
Dando por concluido nuestro trabajo de investigación, es importante señalar que lo
que De la Flor (2019), director ejecutivo de la Sociedad Nacional de Minería, Petróleo
y Energía (SNMPE), señaló es correcto, ya que el sector minero al ser una fuente
principal de ingresos en el Perú, como incremento de empleos en las zonas mineras,
mejor calidad de vida para los trabajadores de ese sector, sin embargo, se tiene que
empezar a invertir para poder incrementar la productividad y ser más eficientes, para
así no retrasar con planteamientos y conflictos sociales que van en contra de este
sector que ha traído muchos beneficios desde que se inició.
3.4. Recomendaciones
En base al análisis de los resultados obtenidos anteriormente y teniendo en cuenta
la justificación de este presente trabajo de investigación, se recomienda el incentivo
de la inversión privada nacional y extranjera en los diferentes proyectos mineros,
asimismo concientizar a la población que vive en conjunto con la minería, para que
puedan evaluar los beneficios que este sector tiene, especialmente los que viven
alrededor de las minas, por otro lado se tiene que tener en cuenta la nueva realidad
que se está viviendo actualmente, debido al COVID-19.
Narrea (2018) desarrolló diversas estrategias en un plan de corto, mediano y largo
plazo, las cuales pueden ser implementadas en el sector minero del Perú, sin embargo,
se debe tener el apoyo de diversas entidades públicas para que estas propuestas
funcionen para el beneficio del país.
Tabla 17.
Plan Estratégico para Desarrollo del Sector Minero.
Fuente: Esta tabla indican tres propuestas, dos a corto plazo y una a largo plazo, para promover el
desarrollo del sector minero. Adaptado de “ Narrea O.”. Elaboración propia.
ENTIDADES DE APOYO
ENTIDADES DE APOYO
Ministerio de Transportes y
Comunicaciones (MTC), Ministerio de
Economía y Finanzas (MEF), la
Sociedad Nacional de Minería,
Petróleo y Energía (SNMPE) y los
Gobiernos Regionales.
Promover el mejoramiente de la infraestructura pública para la
facilitacion de accesos a la exploración, producción y extracción minera,
asimismo generar iniciativas para el uso de infraestructura compartida
multiusuario y miltipropósito en el sector privado.
El Estado debe liderar estrategias para desarrollar corredores
económicos en las regiones mineras, se debe se hacer un mapeo
específico de datos a base de empresas mineras y proovedores mineras.
Consejo Nacional de
Competitividad y Formalización (CNC)
y la Sociedad Nacional de Minería,
Petróleo y Energía (SNMPE).
Fortalecer los clústeres mineros para generar un grupo de
productores peruanos que participen en la demanda de bienes y
servicios de las minas de Arequipa, Cusco, Moquegua y Apurimac.
LARGO PLAZO
- Promover la industrialización minera y construir infraestructuras
resilientes.
CORTO PLAZO
- Promover el crecimiento del sector minero, el empleo y la productividad.
PLAN ESTRATEGICO
49
De acuerdo a las estrategias y propuestas presentadas por Narrea, en la Agenda
2030 “La minería como motor de desarrollo económico para el cumplimiento de los
Objetivos de Desarrollo Sostenible 8, 9, 12 y 17”, estas se desarrollaron para el
beneficio económico y social del país, ya que incentiva el empleo, el nivel educativo
de la población, asimismo el mejoramiento de carreteras para un mejor circulación de
personas y productos de primera necesidad a zonas alejadas a las ciudades, que estén
cerca de las minas; sin embargo este investigador aclara que todo este proyecto de
impulso minero se tiene que trabajar en conjunto, tanto por el apoyo del Estado como
el de las empresas privadas
Por otro lado, teniendo en cuenta, la situación que estamos llevando, respecto a la
pandemia originada en China, que llegó hasta nuestro país, es importante velar por la
salud y bienestar de las personas que forman parte de la mano de obra minera. Por lo
que el MINEN desarrolló la implementación de algunas medidas sanitarias para la
reactivación del sector minero, ya que cuando se dio inicio la cuarentena este sector
se vio perjudicado, ya que según datos de MINEM (2020), la producción de minerales
metálicos tuvo un decrecimiento de sus principales productos: cobre, oro, zinc, plata,
plomo, hierro y estaño; asimismo indicó que las exportaciones siguieron un rumbo
desalentador ya que tuvo un decrecimiento de 9.6% con respecto al año anterior.
En base a la reactivación en la fase 1, propuesta por el Estado, el MINEM tiene
como objetivo estables ciertos requisitos para que las minas puedan operar sin que
este sea un foco de contagios, por lo que establecieron que las empresas mineras
deben de elaborar un “Plan de vigilancia, prevención y control de COVID-19 en el
trabajo”, el cual debe presentarse al Comité de Seguridad y Salud en el Trabajo
(CSST), asimismo se tiene que hacer una verificación de la estructura y contenido de
dicho plan, para así poder registrarlo en el Sistema Integrado para COVID-19 y
empezar a dar funcionamiento de las empresas mineras. Si bien se tiene en cuenta
que el Estado en conjunto con las Entidades Públicas están trabajando en defender la
salud pública en el trabajo, es importante reconocer que los planes estratégicos de
desarrollo y del cuidado de la salud del trabajador, van de la mano, por ende se tiene
que tener en consideración que estas evaluaciones se tienen que cumplir al pie de la
letra para así evitar nuevos contagios y poder hacer resurgir el sector minero, teniendo
una fuerte mano de obra minera que se ubique en mejores condiciones laborales, para
así poder generar mayores ingresos a sus familias.
REFERENCIAS
Aryee, B. (2001). Ghana’s mining sector: its contribution to the national economy.
Resources. 27(2), 61–75. doi:10.1016/s0301-4207(00)00042-8
Belapatiño et al. (2020). Sector Minero: Evolución reciente y perspectivas de corto
plazo (Informe Minero). Lima: BBVA Research.
Benavides, R. (2012). La Minería Responsable y sus Aportes al Desarrollo del Perú.
(Informe Minero). Lima: Comunica2.
Bobadilla, H. (2016). Recursos Minerales: Maldición O Bendición Para El Crecimiento
De La Economía Peruana 1991t1-2015t2. (Tesis de bachiller, Universidad Nacional de
Piura). Repositorio UNP. http://repositorio.unp.edu.pe/handle/UNP/629
Buchs, C., Butera, F., & Mugny, G. (2004). Interdependencia de recursos,
interacciones estudiantiles y desempeño en aprendizaje cooperativo. Psicología
educativa , 24 (3), 291-314.
Cadenas, B., Loaysa, A. (2019). Efecto De Las Exportaciones Mineras en el Producto
Bruto Interno Del Perú 1995-2018 (Tesis de bachiller, Universidad San Ignacio de
Loyola). Repositorio USIL.
http://repositorio.usil.edu.pe/bitstream/USIL/9490/1/2019_Cadenas-Polanco.pdf.
Casciaro, T., & Piskorski, M. (2005). Power imbalance, mutual dependence, and
constraint absorption: A closer look at resource dependence theory. Administrative
science quarterly, 50(2), 167-199.
Castro, A., Soria, L. (2019). Impacto de la Producción de Plata sobre el Crecimiento
del Sector Minero y las Exportaciones Tradicionales del Perú 2008–2018 (Tesis de
bachiller, USIL) Repositorio USIL. http://repositorio.usil.edu.pe/handle/USIL/9503.
Chang, X., Ionut, F., & Jinsheng, Z. (2019). A comparison of pricing modelos for mineral
rights: Copper mine in China. Resources Policy. Revista Científica, 65,12.
Chávez, A., & Díaz, J. (2016). La Exportación de Minerales y su Incidencia en el
Producto Bruto Interno Del Perú 1993–2014, Una Aproximación Empírica. Universidad
de Cajamarca (Tesis de licenciatura, Universidad Privada Antonio Guillermo Urrelo).
Repositorio UPAGU. http://repositorio.upagu.edu.pe/handle/UPAGU/93.
Cohen, L., Manion, L., & Morrison, K. (2013). Research Methods in Education (6ta. ed.).
Routledge.
Crispin, Y., & Grippa, F. (2018). Perú: Sector Minero (Informe Minero). Lima: BBVA
Research.
51
Davis, F., & Cobb, A. (2010). Resource dependence theory: Past and future. In
Stanford's organization theory renaissance, 1970–2000. Emerald Group Publishing
Limited.
Dammert, A. & Molinelli, F. (2007). Panorama de la Minería en el Perú (Informe
Minero). Lima: Osinergmin.
Dimitrakopoulos, R. & Del Castillo, F. (2019). Dynamically optimizing the strategic plan
of mining complexes under supply uncertainty. Revista Científica, 60, 83-93.
Dirección de Promoción Minera (2020). Boletín Estadístico Minero (Edición N° 02-
2020). Lima: Ministerio de Energía y Minas. P.P. 8,9.
Gujarati, D., & Porter, D. (2010). Econometría (5ta. ed.). C.P. 01376, Mexico D.F:
MeGraw-Hill/Irwin.Inc.
Hernández, R., Fernández, C., & Batista, P. (2014). Metodología de la investigación
(6ta. ed.). México: McGraw-Hill.
Hillman, A., Withers, M., & Collins, B. (2009). Resource Dependence Theory: A
Review. Journal of Management, 35(6), 1404–1427. doi:10.1177/0149206309343469
Hoyos, W. et al. (2019). Anuario Minero 2019 (Informe Minero). Lima: MINEM,
Dirección de Promoción Minera.
ICMM (2020). ¿Qué son los minerales y metales? [ICMM.com]. Recuperado de:
https://www.icmm.com/es/metals-and-minerals/producing-metals/que-son-los-
minerales-y-metales
Kronenberg, T. (2002). The curse of natural resources in the transition economies.
Arbeiten aus dem Osteuropa-Institut München,12, 399-426.
Kumar, A., Sahoo, D., & Chandra, N. (2014). Mining export, industrial production and
economic growth: A cointegration and causality analysis for India. Revista Resources
Policy, 42, 27-34.
Larios, J., Gonzales, C., & Álvarez, J. (2016). Investigación en Economía y Negocios
(1ra. ed.). Universidad san Ignacio de Loyola: Fondo Editorial USIL.
Ley No 29157 sobre el Decreto Legislativo No 1053. (2008). En Diario Oficial El
Peruano. Perú.
Lundin, M. (2007). Explicar la cooperación: cómo la interdependencia de los recursos,
la congruencia de objetivos y la confianza afectan las acciones conjuntas en la
implementación de políticas. Revista de Investigación y Teoría de la Administración
Pública, 17 (4), 651-672.
Magnus E. (2019). Mining's contribution to national economies between 1996 and
2016. Revista Universidad Tecnológica de LuLea. 65, 223-250. Doi:
10.1016/j.resourpol.2019.101535
MINEM (2020). Boletín Estadístico Minero (Edición N° 04-2020). Lima: Ministerio de
Energía y Minas. P.P. 2,38.
Morales, L. (2019). Factores De La Minería Y Su Influencia En El Crecimiento
Económico Del Perú, Año 2008–2017. (Tesis de licenciatura, Universidad Privada de
Tacna). Repositorio UPT. http://repositorio.upt.edu.pe/handle/UPT/1105.
Ñaupas, H., Mejía, E. M., Novoa, E., & Villagómez, A. (2014). Metodología de la
investigación cuantitativa-cualitativa y redacción de la tesis. (4ta. ed.). Ediciones de la
U.
Narrea, O. (2018). La minería como motor de desarrollo económico para el
cumplimiento de los Objetivos de Desarrollo Sostenible 8, 9, 12 y 17 (Informe Minero).
Nemati, A., et al. (2010). Impact of resource-based view and resource dependence
theory on strategic decision making. International journal of business and management,
5(12), 110.
Olano, M. (2015). Impacto de la Minería en el Producto Bruto Interno en Argentina,
Chile, México Y Perú (Informe Temático N° 118 /2014-2015). Lima: Congreso de la
República, Área de Servicios de investigación.
Pacompia, E. (2018). Análisis de las Principales Variables Macroeconómicas que
Influyen en la Exportación de Oro en el Perú, Periódo 2000-2015 (Tesis de
Licenciatura, UNA Puno). Respositorio Institucional UNA-PUNO.
Parkin, M. (2018). Economía. (12va. ed.). Pearson Hispano América.
Parolia, N., Jiang, JJ, Klein, G. y Sheu, TS (2011). La Contribución De La
Interdependencia De Recursos Al Rendimiento Del Programa de TI: Una Perspectiva
De Interdependencia Social. Revista Internacional de Gestión de Proyectos, 29 (3),
313-324.
Pat, L. et al. (2013). Introducción a los modelos de regresión (1ra. ed.). México: Plaza
y Valdés, SA de CV.
Peñaranda, C. (2019). El Gran Aporte Minero. Revista La cámara, 892, 7-8.
Pfeffer, J., & Salancik, G. (2003). The External Control Of Organizations: A Resource
Dependence Perspective. Social Science Electronic Publishing 23 (2), 123–133.
Robles, R., & Foladori, G. (2019). Una revisión histórica de la automatización de la
minería en México. Revista Problemas del Desarrollo, 50,157-180.
53
Rusbult, C., & Arriaga, B. (1997). Interdependence theory. In S. Duck (Ed.), Handbook
of personal relationships: Theory, research and interventions. John Wiley & Sons Inc.,
221-250.
Sahoo, A., Sahu, N., Sahoo, D., & Pradhan, B. (2014). Mineral export and economic
growth in india: Evidence from VAR model analysis. Mineral Economics, 27, p. 51-58.
Doi: http://dx.doi.org/10.1007/s13563-014-0047-7
Salgado, M., & Hernández, P. (2016). La Sustentabilidad Organizacional desde la
Teoría de la Dependencia de Recursos y La Teoría De Recursos Y Capacidades.
Aportaciones a los Estudios Económico-Administrativos, 17.
Tui, R., & Adachi, T. (2020). An input - output approach in analyzing Indonesia’s mineral
export policy. Mineral Economics. doi:10.1007/s13563-020-00226-3
Zhou, J., et al. (2020). Impact of the global mineral trade structure on national
economies based on complex network and panel quantile regression analyses.
Resources, Conservation and Recycling, 154, 104637.
doi:10.1016/j.resconrec.2019.104637
ANEXOS
Anexo 1. Test de Normalidad del MCO.
Anexo 1. Diagrama del Test de Normalidad. Las barras representan la normalidad de errores, comprobada por
la probabilidad de Jarque-Bera. Adaptado de “Eviews-11”. Elaboración propia.
Anexo 2. Test de Heterocedasticidad del MCO.
Anexo 2. Test de heteroscedasticidad de Arch, Harvey y White indican no existencia de heterocedasticidad.
Adaptado de “Eviews-11”. Elaboración propia.
Anexo 3. Test de LM de correlación serial de Breusch-Godfrey del MCO.
Anexo 3. Test de Autocorrelación de Breusch-Godfrey del MCO. Esta prueba indica que existe problemas de
autocorrelación por tener un p-value menor al nivel de significancia. Adaptado de “Eviews-11”. Elaboración
propia.
0
1
2
3
4
5
6
7
8
-0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15
Series: Residuals
Sample 2010Q1 2019Q4
Observations 40
Mean 7.07e-16
Median -0.002992
Maximum 0.160405
Minimum -0.196666
Std. Dev. 0.075809
Skewness -0.349731
Kurtosis 3.356486
Jarque-Bera 1.027218
Probability 0.598332
F-statistic 4.7218 0.0045
Obs*R-squared 15.4537 0.0038
Prob. F(4,30)
Prob. Chi-Square(4)
Breusch-Godfrey Serial Correlation LM Test:
55
Anexo 4. Quiebres Estructurales Según MCE Inicial.
Anexo 4. Quiebres estructurales del MCE inicial. Los círculos rojos indican dos quiebres estructurales
generados en el 2013 y el 2019. Adaptado de “Eviews-11”. Elaboración propia.
Anexo 5. Test de LM de correlación serial de Breusch-Godfrey del MCE Inicial.
Anexo 5. Test de Autocorrelación de Breusch-Godfrey del MCE inicial. Esta prueba indica que existe
problemas de autocorrelación por tener un p-value menor al nivel de significancia. Adaptado de “Eviews-11”.
Elaboración propia.
F-statistic 7.9086 0.0002
Obs*R-squared 20.6884 0.0004
Breusch-Godfrey Serial Correlation LM Test:
Prob. F(4,28)
Prob. Chi-Square(4)
-.08
-.04
.00
.04
.08
.12
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
DLPBI Residuals
Anexo 6. Test de Normalidad del MCE corregido.
Anexo 6. Diagrama del Test de Normalidad del MCE corregido. Las barras representan la normalidad de
errores, comprobada por la probabilidad de Jarque-Bera. Adaptado de “Eviews-11”. Elaboración propia.
Anexo 7. Test de Heterocedasticidad del MCE Corregido.
Anexo 7. Test de heteroscedasticidad de Arch, Glejser y Breush-Pagan-Godfrey indican no existencia de
heterocedasticidad. Adaptado de “Eviews-11”. Elaboración propia.
Anexo 8. Test de LM de correlación serial de Breusch-Godfrey del MCE Corregido.
Anexo 8. Test de Autocorrelación de Breusch-Godfrey del MCE corregido. Esta prueba indica que no existe
problemas de autocorrelación por tener un p-value mayor al nivel de significancia. Adaptado de “Eviews-11”.
Elaboración propia.
0
1
2
3
4
5
6
7
8
-0.03 -0.02 -0.01 0.00 0.01 0.02 0.03
Series: Residuals
Sample 2011Q2 2019Q4
Observations 35
Mean 3.47e-18
Median 1.39e-17
Maximum 0.034878
Minimum -0.033518
Std. Dev. 0.018638
Skewness 0.013469
Kurtosis 2.299020
Jarque-Bera 0.717644
Probability 0.698499
F-statistic 0.4702 0.7571
Obs*R-squared 2.0913 0.7190
F-statistic 1.2974 0.2871
Obs*R-squared 11.1426 0.2661
Scaled explained SS 8.8061 0.4554
F-statistic 1.3046 0.2834
Obs*R-squared 7.6651 0.2637
Scaled explained SS 3.3247 0.7671
Prob. F(6,32)
Prob. Chi-Square(6)
Prob. Chi-Square(6)
Heteroskedasticity Test: Breusch-Pagan-Godfrey
Prob. F(9,25)
Prob. Chi-Square(9)
Prob. Chi-Square(9)
Heteroskedasticity Test: Arch
Prob. F(4,26)
Prob. Chi-Square(4)
Heteroskedasticity Test: Glejser
F-statistic 0.6130 0.6579
Obs*R-squared 3.6593 0.4541
Breusch-Godfrey Serial Correlation LM Test:
Prob. F(4,21)
Prob. Chi-Square(4)
57
Anexo 9. Resultados del Test RESET de Ramsey para el modelo corregido para el
grado de potencia 1.
Anexo 9. Test RESET de Ramsey de grado de potencia 1. Adaptado de “Eviews-11”. Elaboración propia.
Anexo 10 Resultados del Test RESET de Ramsey para el modelo corregido para el
grado de potencia 2.
Anexo 10. Test RESET de Ramsey de grado de potencia 2 . Adaptado de “Eviews-11”. Elaboración propia.
Valor G.L Probabilidad
Estadístico t 0.449777 24 0.6569
Estadístico F 0.2023 (1, 24) 0.6569
Ratio de Verosimilitud 0.293784 1 0.5878
Test RESET de Ramsey
Valor G.L Probabilidad
Estadístico F 1.7469 (2, 23) 0.1967
Ratio de Verosimilitud 4.9497 2 0.0842
Test RESET de Ramsey
Anexo 11. Variables
Fecha
Exportaciones de Oro -
valores FOB (millones
US$)
Exportaciones de Estaño - valores FOB
(millones US$)
Exportaciones de Cobre - valores FOB
(millones US$)
Exportaciones de Plata
Refinada - valores FOB
(millones US$)
Exportaciones de Zinc -
valores FOB (millones US$)
Producto Bruto Interno
(millones US$)
T110 1876 156 1915 24 374 32899
T210 1938 200 2116 25 448 37192
T310 1843 226 2283 31 366 37948
T410 2088 259 2565 38 508 40997
T111 2076 235 2711 52 410 38877
T211 2408 202 2840 52 404 42204
T311 2861 82 2785 67 376 43612
T411 2891 257 2385 49 332 46453
T112 2934 173 2748 58 353 43609
T212 2266 138 2377 53 313 47221
T312 2718 109 2774 54 320 49035
T412 2827 138 2832 44 367 53266
T113 2468 126 2398 80 351 48858
T213 2181 123 2183 108 365 51162
T313 2077 138 2651 165 355 49814
T413 1810 141 2589 126 343 52274
T114 1649 158 2034 139 358 47763
T214 1595 138 2176 97 359 51044
T314 1785 134 2447 51 353 51590
T414 1701 110 2218 44 434 51945
T115 1655 101 1729 34 384 45978
T215 1629 82 1952 36 386 48481
T315 1646 73 2065 33 398 47802
T415 1720 87 2421 34 339 49062
T116 1648 71 1925 26 300 44046
T216 1862 81 2351 29 304 49063
T316 2035 86 2622 35 382 49944
T416 1881 105 3272 30 483 51606
T117 1786 90 3040 27 514 49200
T217 1991 96 3200 29 540 52940
T317 2324 97 3526 29 551 54845
T417 2169 87 4079 33 793 57366
T118 2119 86 3683 30 738 53127
T218 2075 96 3952 35 749 57726
T318 1966 79 3460 30 559 56137
T418 2099 91 3842 27 528 58319
T119 1920 97 3064 14 529 53167
T219 1972 105 3602 18 573 58475
T319 2012 85 3304 22 497 58526
T419 2055 82 3925 22 500 60640
Anexo 11. Data de las variables regresoras y regresando desde el primer trimestre del 2010 hasta el cuarto
trimestre del 2019. Adaptado de “BCRP”. Elaboración propia.
Anexo 12. Matriz de Consistencia
Problemas Objetivos Hipótesis Justificación
Variables Metodología
General General General Dependiente
¿La exportación de minerales metálicos en valor FOB es una determinante que influye significativamente en las fluctuaciones que presenta el PBI del Perú en el periodo comprendido entre 2010 – 2019?
Demostrar que las exportaciones de minerales metálicos en valor FOB, que aplicaremos en la regresión econométrica, son significativos en el PBI peruano y sus fluctuaciones durante la brecha entre el 2010 y 2019.
Ho: La exportación de minerales metálicos en valor FOB no son significativos en las variaciones del PBI evaluado en los periodos comprendidos entre el año 2010 al 2019.
Si la exportación de minerales metálicos incrementa positivamente, el PBI incrementará, es por ello por lo que tendrá una representación significativa en el PBI, en este caso al ser significativa aportará al PBI ayudando a diversos índices de crecimiento económico.
Producto Bruto Interno
H1: La exportación de minerales metálicos en valor FOB son significativos en las variaciones del PBI evaluado en los periodos comprendidos entre el año 2010 al 2019.
Tipo de investigación
Cuantitativa
Específicos Específicos Específicos Justificación Independientes
¿Existe una relación significativa entre la exportación de oro en valor FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y 2019?
Demostrar que la exportación de oro en valores FOB afecta significativamente en las variaciones del PBI entre el 2010 y 2019.
Ho: La exportación de oro no es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Si se determina que la exportación de oro es significativa en el modelo, se podrá interpretar que es representativa en el PBI nacional, porque dará a conocer su importancia en este sector.
Exportación de Oro
Diseño de Investigación
No experimental
Longitudinal
H1: La exportación de oro si es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Muestra
¿Existe una relación significativa entre la exportación de cobre en valor FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y 2019?
Demostrar que la exportación de cobre en valores FOB afecta significativamente en las variaciones del PBI entre el 2010 y 2019.
Ho: La exportación de cobre no es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Si se determina que la exportación de cobre es significativa en el modelo, se podrá interpretar que es representativa en el PBI nacional, porque dará a conocer su importancia en este sector.
Exportación de Cobre
T1 2010 - T4 2019
H1: La exportación de cobre si es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Nivel de Investigación
Explicativo
Problemas Objetivos Hipótesis Justificación
Variables Metodología
Específicos Específicos Específicos Independientes
¿Existe una relación significativa entre la exportación zinc en valor FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y 2019?
Demostrar que la exportación de zinc en valores FOB afecta significativamente en las variaciones del PBI entre el 2010 y 2019.
Ho: La exportación de zinc no es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Si se determina que la exportación de zinc es significativa en el modelo, se podrá interpretar que es representativa en el PBI nacional, porque dará a conocer su importancia en este sector.
Exportación de Zinc
Para el desarrollo de este análisis, fue necesario el uso de una Regresión Lineal Múltiple, ya que se usaron cinco variables explicativas y una explicada. Asimismo, la estimación del modelo mediante Mínimos Cuadrados Ordinarios y los supuestos que lo acompañan.
H1: La exportación de zinc si es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
¿Existe una relación significativa entre la exportación estaño en valor FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y 2019?
Demostrar que la exportación de estaño en valores FOB afecta significativamente en las variaciones del PBI entre el 2010 y 2019.
Ho: La exportación de estaño no es significativa en las variaciones del PBI peruano entre el 2010 y 2019. H1: La exportación de estaño si es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Si se determina que la exportación de estaño es significativa en el modelo, se podrá interpretar que es representativa en el PBI nacional, porque dará a conocer su importancia en este sector.
Exportación de Estaño
¿Existe una relación significativa entre la exportación plata refinada en valor FOB y las fluctuaciones que presenta el PBI del Perú entre el 2010 y 2019?
Demostrar que la exportación de plata refinada en valores FOB afecta significativamente en las variaciones del PBI entre el 2010 y 2019.
Ho: La exportación de plata refinada no es significativa en las variaciones del PBI peruano entre el 2010 y 2019. H1: La exportación de plata refinada si es significativa en las variaciones del PBI peruano entre el 2010 y 2019.
Si se determina que la exportación de plata refinada es significativa en el modelo, se podrá interpretar que es representativa en el PBI nacional, porque dará a conocer su importancia en este sector.
Exportación de Plata
61
Top Related