INFLUENCIA DEL PRECIO INTERNACIONAL DE LOS MINERALES METÁLICOS Y

LA INVERSIÓN EN MINERÍA SOBRE EL NIVEL EMPLEO LABORAL DE LAS

REGIONES DE AREQUIPA, JUNÍN, LA LIBERTAD, LIMA, CAJAMARCA Y PASCO,
PERIODO: 2008 - 2018

Estudiante:

Limache Ignacio, Rony

Curso:

Econometría II

Universidad Nacional del Centro del Perú – Periodo 2020-I

 RESUMEN

Una de las principales actividades que realiza el Perú es la minería, representando un 10 % del PBI en el
2018, adicional a ello somos uno el país que cuenta con la mayor cantidad de trabajadores en este sector
en la región, en los últimos once años el empleo laboral este sector tuvo un comportamiento muy
inestable.
La investigación tuvo como tema central analizar el comportamiento inestable del empleo laboral en el
sector minero en las principales regiones del país, dado que ello permitirá conocer a los factores
causantes y así elaborar políticas la cuales nos llevara a la sostenibilidad y crecimiento del empleo en el
largo plazo.
La investigación responde al siguiente problema ¿Cómo influyo la inversión en minería y precio
internacional de los minerales metálicos en la instabilidad del empleo laboral del sector minero en las
principales regiones del Perú, para el periodo 2008-2018?, siendo el objetivo determinar la influencia de
la inversión en minería y precio de los minerales metálicos en la instabilidad del empleo laboral del sector
 INTRODUCCIÓN
La investigación tuvo como tema central analizar el comportamiento inestable del empleo laboral
en el sector minero en las principales regiones del Perú, dado que ello permitirá conocer a los
factores causantes y así elaborar políticas la cuales nos llevara a la sostenibilidad y crecimiento del
empleo en el largo plazo.
Para su mejor comprensión se estructuro en cinco partes de tal manera que guarde coherencia
para el interés del público lector:
En el capítulo I de la investigación, se presentan los aspectos generales, el planteamiento del
problema de investigación, el objetivo.
El capítulo II contiene: los antecedentes de la investigación, las bases teóricas que fundamentan
la investigación, la hipótesis.
En tanto que en el capítulo III, se presentan los resultados de la investigación, el análisis de los
factores que determinan la inestabilidad de empleo laboral del sector minero durante el período
mencionado anteriormente.
Finalmente se concluye que hay una influencia positiva de la inversión en minería y el precio
internacional de los minerales metálicos en la inestabilidad del empleo laboral.
CAPITULO I
1. PLANTEAMIENTO DEL PROBLEMA

La minería es una actividad intensiva en capital debido a ello el empleo directo generado es
menor al de otros sectores económicos; sin embargo, los puestos de trabajo originados por esta
actividad son de los mejores remunerados a nivel nacional. Adicionalmente, el subsector minero se
mantiene como una fuente significativa de empleo indirecto para el resto de los sectores producto del
efecto multiplicador que este posee.

El sector minero constituye una notable fuente de generación de empleo para otros sectores. Según
estimaciones del Instituto Peruano de Economía (IPE), por cada empleo generado de forma directa
en la actividad minera, se generan adicionalmente 6.25 empleos en el resto de la economía: 1 por
efecto indirecto, 3.25 por el efecto inducido en el consumo y 2 por el efecto inducido en la inversión.
De esta manera, se estima que, en el 2019, la actividad minera generó 1.26 millones de empleos
indirectos.
Figura 1 Perú: Empleo del sector minero años 2008-2018

CANT. TRABAJADORES La figura 1 muestra la evolución

250,000
histórica de empleo del sector
213,956
200,000 200,369 201,547 minero del año 2008 al 2018, se
183,251 183,952
174,213
159,858
170,204 171,981
puede observar que en los
150,000

123,345
últimos 11 años tuvo un
120,289

100,000
comportamiento inestable, con

un máximo en 2012 de 213956 y

50,000

un mínimo de 120504 en el año

0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
2009.
 Figura 2 Perú: Empleo del sector minero por regiones 2018

En la figura 2 muestra el
EMPLEO DIRECTO POR REGIONES - 2018
35,000
empleo laboral según
30,000

25,000
regiones, Arequipa se
20,000
consolidó como la región líder
15,000

con el mayor número de

10,000

5,000 trabajadores, seguida por

0
O OS A S ÍN UE ES TO
U
IP
A
JU
N
ÍN
RT
A
D
LI
A A O
M RC S C A S
A P A NC
H CA A C
I
Í
U
A CO
N
A
M EG US AC UC PU ELI
H
O
N
O CA RA CO
P I U
N
U LLA D I ON RT EQ MB RE Junín y La libertad, entre los
Q E R U C T C V Á CA D
E Z MA Y TU LO
RE LI
B
JA
M Á P U OQ Y
A
CA U E M
A
N BA
A A H R
LA CA M A
A
N
A
D A SA A M
U L
H M
últimos lugares tenemos a

Tumbes y Loreto.
 Figura 3 Arequipa, Junín, La libertad, Lima, Cajamarca y Pasco: Empleo total del sector minero
años 2008-2018
 

CANTIDAD TOTAL DE TRABAJADORES DE LAS

REGIONES CANTIDAD DE TRABAJADORES POR REGIONES
140000 40000

35000
120000
30000
100000
25000

80000 20000

15000
60000
10000

40000 5000

0
20000 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018

AREQUIPA JUNÍN LA LIBERTAD

0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 LIMA CAJAMARCA PASCO
Figura 5 Arequipa, Junín, La libertad, Lima, Cajamarca y Pasco: Empleo del sector minero años
2008 -2018

INVERSIÓN TOTAL DE LAS REGIONES

Según Málaga (2018), menciona que una
5000

4500
cuando se toma la decisión de desarrollar
4000

3500 un proyecto, el monto a invertir, el tiempo

3000

2500 de ejecución y la demanda por servicios que

2000

1500
se derivan de los mismos genera una
1000
expansión del producto y del empleo, que
500

0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 será persistentes en el tiempo.
 Figura 6: Precio internacional de los minerales 2008 – 2018

1,800.00

El informe realizado por Molinelli

1,600.00

1,400.00
(2008) para OSINERGMIN, hace un
1,200.00 estudio sobre el panorama de la minería en
1,000.00 el Perú, en uno de sus apartados explica la
800.00
importancia que tiene la exportación de los
600.00
metales, por lo que el precio de aquellos
400.00
definirá los beneficios obtenidos para el
200.00

0.00
estado, ante ello obtendrá más ingresos.
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018

COBRE Ctvs.US$/lb LME ORO US$/Oz.tr. LMB ZINC Ctvs.US$/lb LME

PLATA US$/Oz.tr. London Fix PLOMO Ctvs.US$/lb LME ESTAÑO Ctvs.US$/lb LME
HIERRO US$/tm TSI MOLIBDENO US$/lb US Market
FORMULACIÓN DEL PROBLEMA

PROBLEMA GENERAL

¿Cómo influyó la inversión minera y el precio internacional de los minerales metálicos

en el nivel de ocupación laboral de las regiones (Arequipa, Junín, Lima, La libertad y

Pasco) periodo 2008 -2018?

OBJETIVO GENERAL

Determinar la influencia de la inversión minera y el precio internacional de los minerales

metálicos en el nivel de ocupación laboral de las regiones (Arequipa, Junín, Lima, La

libertad y Pasco) periodo 2008 -2018.

CAPITULO II
MARCO DE REFERENCIA O TEÓRICO

ANTECEDENTE DEL ESTUDIO

Quesada (2013), nos dice que el desarrollo que está viviendo el Perú es consecuencia que la minería

está aportando, esto se suma aún más la incorporación de China que ocasiono un aumento en el precio de

los en minerales, por lo cual entre los años 2012 y 2011 se haya incrementado por 7 el nivel de

exportación, aumentando la recaudación tributaria, generando 177 mil empleos directos y 650 mil

indirectos.
Según Loayza & Paucarmayta Tacuri (2015), la investigación explica que las actividades extractivas han

sido importantes en generar empleo, infraestructura, principalmente infraestructura vial que se ha visto

beneficiados las distintas regiones del país, pero también la minería genera a su vez externalidades , hace

una cita: Ticci 2011) y Escobar (2013) “la expansión de las actividades mineras a nivel local puede

generar cambios en diversas dimensiones económicas, sociales y medioambientales: cambios en la

provisión de bienes y servicios públicos, acceso a infraestructura pública, stock de capital humano, flujos

migratorios, cambios en la dinámica de los mercados locales de bienes, servicios y factores, cambios en el

empleo y la composición del portafolio productivo de las economías locales, condiciones

medioambientales y cambios en las actividades productivas agropecuarias”

 Según Casa y Málaga (2018), Afirma que la minería juega un papel importante en la economía,

pero hasta el momento no se ha desarrollado un modelo que busque identificar cómo los shocks que le

afectan impactan en toda la economía. Por ello, se desarrolla un modelo de equilibrio parcial que busca

identificar los efectos de un shock sobre el precio de los minerales, los cuales impactan sobre la

exploración minera y, de esa manera, aumentan la persistencia de un shock en la economía. Los

resultados preliminares guardan coherencia con lo observado en la economía peruana.

 MARCO TEÓRICO

Demanda efectiva y determinación del nivel de producción y ocupación

El principio fundamental de la Teoría General de Keynes es, sin duda alguna, el de la «demanda

efectiva».
 
Partiendo de las funciones de demanda total representado en la función 1 nos dice que:

 
Es el importe que los empresarios esperan recibir con el empleo de N hombres.

Mientras tanto, la oferta total se representa en la función 2:

 
Todas estas ideas y principios fundamentales de la Teoría General pueden esquematizarse de la forma

siguiente:

La función 3 describe la renta es función del volumen de empleo total N.

La función 4 representa el gasto para consumo que depende del nivel de la renta.

 
En la función 5 se representa el volumen de trabajo total N que los empresarios deciden emplear y que

esta dependerá de la suma de la demanda total .

De aquí que la demanda global o total es:

 
En equilibrio, la demanda total es igual a la oferta total:

De la función 6 se desprende que demanda total excede a la demanda para el consumo:

Y lo mismo también que la oferta total excede a la demanda para el consumo:

En la cuantía de la demanda para inversión (), de aquí se desprende que el volumen de ocupación ()

depende:
 
De la función de oferta total , de la propensión marginal a consumir y del volumen de la

inversión .
 
Además, nuestro modelo dice que la oferta total o global es igual precio de la oferta global, como

se muestra en la función 12:

 
Finalmente nuestra función 13 es el nivel de ocupación que surge de reemplazar la función 12 en

la función 10
PLANTEAMIENTO DE LA HIPÓTESIS

La inversión minera y el precio internacional de los minerales metálicos influyeron de manera

positiva en el nivel de ocupación laboral de las regiones (Arequipa, Junín, Lima, La libertad y

Pasco) periodo 2008 -2018

 METODOLOGÍA

PANEL DE DATOS

Los cálculos con base en los datos de panel permiten capturar la naturaleza de la dinámica transitoria
del modelo de convergencia al utilizar información más rica que combina tanto la combinación de
series de tiempo y corte transversal.

Esto nos permitirá introducir el aspecto dinámico del crecimiento y resolver el problema relacionado a
la heterogeneidad.
 
Se dice que hay un panel balanceado cuando contamos con los mismos periodos T para cada una de las
unidades de corte transversal N.
 
MÉTODOS :

 Pool de datos

(1)

 Efectos fijos
(2)

 Efectos aleatorios

   
(3)
Figura 7: Elección del mejor modelo
CAPITULO III
 ANÁLISIS DE RESULTADOS

 
PRESENTACIÓN DEL MODELO
 Modelo económico:
 

 
 MODELO ECONOMÉTRICO

Para la estimación de las variables usaremos el método de panel de datos. Por lo que
nuestro modelo econométrico es la siguiente:

 𝐸𝑚𝑝 𝑖𝑡 = 𝛽 0 + 𝛽 1 𝐼𝑛𝑣 𝑖𝑡 + 𝛽 2 𝑃𝑟𝑒𝑐 𝑖𝑡 + 𝑢𝑖𝑡

  Dónde:

1: Arequipa  Emp : Empleo laboral (número de trabajadores)

2: Junín
3: La libertad  Inv : Inversión (millones de dólares)
4: Lima
5: Cajamarca  Prec: Precio internacional de los metales (dólares)
6: Pasco
 µ: error
𝑡=2008,2009,2010
  ,……2018
Tabla 02
Perú: Regresión panel de datos con efectos aleatorios
 
Dependent Variable: LEMPLEO
Method: Panel EGLS (Cross-section random effects)
Date: 06/06/20 Time: 21:43
Sample: 2008 2018
Periods included: 11
Cross-sections included: 6
Total panel (balanced) observations: 66
Swamy and Arora estimator of component variances

Variable Coefficient Std. Error t-Statistic Prob.

C 2.755984 0.473158 5.824663 0.0000

INVERSION 6.66E-05 1.85E-05 3.599646 0.0006
PRECIO 0.005213 0.001334 3.906781 0.0002
CROSSID EFFECT
Effects Specification AREQUIPA 0.045535
S.D. Rho JUNÍN 0.096988
Cross-section random 0.297269 0.2298 LA LIBERTAD -0.225354
Idiosyncratic random 0.544183 0.7702
LIMA -0.273132
Weighted Statistics CAJAMARCA 0.366221

R-squared 0.612685 Mean dependent var 2.750865 PASCO -0.010258

Adjusted R-squared 0.594357 S.D. dependent var 0.699507
S.E. of regression 0.539865 Sum squared resid 18.36162
F-statistic 23.06291 Durbin-Watson stat 1.190933
Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.459618 Mean dependent var 5.692678

Sum squared resid 22.25206 Durbin-Watson stat 0.982717
 
Ecuación de estimación:

 Interpretación de signos:

Y = 2.755984 + 1.342459*IVERSIÓN + 0.05783*PRECIO – 0.2253 * LIBERTAD – 0.27313*LIMA –

0.01024*PASCO + 0.04553*AREQUIPA + 0.096988*JUNÍN + 0.36622*CAJAMARCA.

Tal como afirma la Teoría de la ocupación laboral de Keynes.

 Interpretación del
= 0.61
 

Las variaciones del consumo, la inversión y el gasto público explican hasta un 61% las variaciones de la demanda

agregada.
  Interpretación del t-stadistic

t-stadistic = 3.59
Ese valor está fuera de la zona de aceptación, entonces se rechaza la hipótesis nula y el parámetro
“” es significativo.
 

t-stadistic = 3.90
Ese valor está dentro de la zona de aceptación, entonces se acepta la hipótesis nula y el parámetro
“” no es significativo.
  Interpretación del F-stadistic

 
Alguno de los coeficientes (, ) es diferente de cero.

F-stadistic = 23.06

Se rechaza la hipótesis nula, afirmando que alguno de los coeficientes (, ) es

significativo.
 CONCLUSIONES
En el trabajo de investigación se pudo determinar que hay una influencia positiva de la
inversión en minería y el precio internacional de los minerales metálicos nivel del empleo
laboral del sector minero de las regiones mencionadas.  

Una mayor inversión en minería creara nuevos puestos de trabajo a la cual podrán acceder más
personas que necesitan de un empleo, a pesar de que el sector minero no es una actividad
intensiva en la utilización mano de obra sino más bien de capital, el empleo que se genera en
este sector se caracteriza por ser un empleo formal que conlleva todos los beneficios laborales,
esto es un incentivo para la población local de los centros de influencia de las actividades
mineras en la región, pues ellos serán los más beneficiados a la hora de acceder a estos puestos
de trabajo
 REFERENCIAS BIBLIOGRÁFICAS

Bravo, J. (2018 ). Automatización e Inteligencia Artificial: Desafíos del Mercado Laboral. Santiago: CLAPES.
Caballero, S. (2018). IMPACTO DE LA ROBÓTICA EN LA ORGANIZACIÓN DEL TRABAJO y LAS NECESIDADES DE RRHH. España: Valladoid.
Casa, C., & Malaga, A. (2016). Modelo de equilibrio parcial del sector minero para una economía pequeña y abierta como la nuestra. Lima:
Universidad del pacifico.
Castillo, M. (diciembre de 2018). El estado de la manufactura avanzada: Competencia entre las plataformas de la Internet Industrial.
Córdoba, R. J.-M. (Septiembre de 2018). Los empleos del futuro, el futuro de los empleos.
Figueroa, A. (2015). Growth Employment, Inecuality and the Environment. New York: Palgrave Macmillan.
García, J. A. (s.f.). Metodologías de valoración de activos tecnológicos, una revisión. Obtenido de
http://rcientificas.uninorte.edu.co/index.php/pensamiento/article/viewFile/3658/2442
Gomez, O. C. (2018). ÉTICA E INTELIGENCIA ARTIFICIAL ¿NECESIDAD O URGENCIA? Universidad Nacional de Colombia, 6.
 ANEXOS

ANÁLISIS GRÁFICO 1 = Arequipa - 2 = Junín - 3 = La libertad - 4 = Lima - 5 = Cajamarca - 6 = Pasco

1 2
11 11

10 10

9
9
8
8
7
7
6

6 5

5 4
08 09 10 11 12 13 14 15 16 17 18 08 09 10 11 12 13 14 15 16 17 18

3 4
10 10

9 9

8 8

7 7

6 6

5 5

4 4
08 09 10 11 12 13 14 15 16 17 18 08 09 10 11 12 13 14 15 16 17 18

5 6
10 10

9 9

8 8

7 7

6 6

5 5

4 4
08 09 10 11 12 13 14 15 16 17 18 08 09 10 11 12 13 14 15 16 17 18

LEMPLEO LINVERSION LPRECIO

 Dependent Variable: LEMPLEO    
Method: Panel Least Squares    
Date: 06/06/20 Time: 21:42    
Sample: 2008 2018    
Periods included: 11    
Cross-sections included: 6    
Total panel (balanced) observations: 66  
         
         
POOL DE DATOS Variable Coefficient Std. Error t-Statistic Prob.  
         
         
C 2.761504 0.487150 5.668694 0.0000
INVERSION 6.58E-05 1.28E-05 5.137297 0.0000
PRECIO 0.005234 0.001393 3.756954 0.0004
         
         
R-squared 0.459650    Mean dependent var 5.692678
Adjusted R-squared 0.442496    S.D. dependent var 0.795936
S.E. of regression 0.594295    Akaike info criterion 1.841507
Sum squared resid 22.25074    Schwarz criterion 1.941036
Log likelihood -57.76972    Hannan-Quinn criter. 1.880836
F-statistic 26.79554    Durbin-Watson stat 0.982681
Prob(F-statistic) 0.000000      
 Dependent Variable: LEMPLEO    
Method: Panel Least Squares    
Date: 06/06/20 Time: 21:43    
Sample: 2008 2018    
Periods included: 11    
Cross-sections included: 6    
Total panel (balanced) observations: 66  
         
         
Variable Coefficient Std. Error t-Statistic Prob.  
         
         
C 2.748334 0.472483 5.816787 0.0000
EFECTOS FIJOS INVERSION 6.77E-05 2.50E-05 2.705361 0.0089
PRECIO 0.005183 0.001411 3.672243 0.0005
         
         
  Effects Specification    
         
         
Cross-section fixed (dummy variables)  
         
         
R-squared 0.582891    Mean dependent var 5.692678
Adjusted R-squared 0.532551    S.D. dependent var 0.795936
S.E. of regression 0.544183    Akaike info criterion 1.734151
Sum squared resid 17.17585    Schwarz criterion 1.999564
Log likelihood -49.22698    Hannan-Quinn criter. 1.839028
F-statistic 11.57893    Durbin-Watson stat 1.273378
Prob(F-statistic) 0.000000      
         
         
         
 Dependent Variable: LEMPLEO
Method: Panel EGLS (Cross-section random effects)
Date: 06/06/20 Time: 21:43
Sample: 2008 2018
Periods included: 11
Cross-sections included: 6
Total panel (balanced) observations: 66
Swamy and Arora estimator of component variances

Variable Coefficient Std. Error t-Statistic Prob.

C 2.755984 0.473158 5.824663 0.0000

INVERSION 6.66E-05 1.85E-05 3.599646 0.0006
PRECIO 0.005213 0.001334 3.906781 0.0002
EFECTOS ALEATORIOS
Effects Specification
S.D. Rho

Cross-section random 0.297269 0.2298

Idiosyncratic random 0.544183 0.7702

Weighted Statistics

R-squared 0.612685 Mean dependent var 2.750865

Adjusted R-squared 0.594357 S.D. dependent var 0.699507
S.E. of regression 0.539865 Sum squared resid 18.36162
F-statistic 23.06291 Durbin-Watson stat 1.190933
Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.459618 Mean dependent var 5.692678

Sum squared resid 22.25206 Durbin-Watson stat 0.982717
 Correlated Random Effects - Hausman Test
Equation: EQ03
Test cross-section random effects

Chi-Sq.
TEST DE HAUSMAN Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 0.000000 2 1.0000

  * Cross-section test variance is invalid. Hausman statistic set to zero.

= Los estimadores no difieren sustancialmente Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.

= Los estimadores si difieren sustancialmente INVERSION

PRECIO
0.000068
0.005183
0.000067
0.005213
0.000000
0.000000
0.9486
0.9486

Cross-section random effects test equation:

Dependent Variable: LEMPLEO
Method: Panel Least Squares
  Date: 06/07/20 Time: 19:43
Como no se rechaza la , entonces ambos estimadores Sample: 2008 2018
Periods included: 11
Cross-sections included: 6
son consistentes pero nos quedamos con efectos Total panel (balanced) observations: 66

Variable Coefficient Std. Error t-Statistic Prob.

aleatorios, dado que no utiliza variables dicotómicas
C 2.748334 0.472483 5.816787 0.0000
INVERSION 6.77E-05 2.50E-05 2.705361 0.0089
como el otro método. PRECIO 0.005183 0.001411 3.672243 0.0005

Effects Specification
  Cross-section fixed (dummy variables)

R-squared 0.582891 Mean dependent var 5.692678

Adjusted R-squared 0.532551 S.D. dependent var 0.795936
S.E. of regression 0.544183 Akaike info criterion 1.734151
Sum squared resid 17.17585 Schwarz criterion 1.999564
Log likelihood -49.22698 Hannan-Quinn criter. 1.839028
F-statistic 11.57893 Durbin-Watson stat 1.273378
Prob(F-statistic) 0.000000
8
Series: Standardized Residuals
7 Sample 2008 2018
Observations 66
6

5 Mean 1.63e-16
H0: No se distribuye normalmente
Median -0.142348
4
Maximum 1.347294 H1: se distribuye normalmente
3 Minimum -0.916989
Std. Dev. 0.585098
2 Skewness 0.583484
Kurtosis 2.340760
1

0 Jarque-Bera 4.940138
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 Probability 0.084579

P Value > 0.05, entones se rechaza la hipotesis nula y se acepta la alterna, se afirma que lo errores se
distribuyen normalmente.