260 ANÁLISIS DE LA EFICIENCIA DEL GASTO MUNICIPAL Y DE SUS DETERMINANTES Pedro Herrera y Pedro Francke Setiembre, 2007 2 ANÁLISIS DE LA EFICIENCIA DEL GASTO MUNICIPAL Y DE SUS DETERMINANTES Pedro Herrera Pedro Francke RESUMEN En este estudio se analizó la eficiencia del gasto local para el año 2003 en 1686 municipalidades peruanas mediante la interpretación de las actividades públicas locales como un proceso de producción que transforma inputs en outputs (Bradford et. al., 1969 y Fisher, 1996). Para ello se construyeron diversas fronteras de producción formadas por los mejores resultados municipales con la finalidad de estimar el exceso de gasto local que parece ser malgastado relativo a esa frontera. Se utilizaron 5 metodologías para la estimación de las fronteras de producción (i) 3 no paramétricas: Free Disposal Hull (FDH) y Data Envelopment Analysis (DEA-CRS y DEA-VRS) y (ii) 2 paramétricas: una determinística y otra estocástica, las cuales se estimaron a través de 10 categorías de municipalidades (4 provinciales y 6 distritales) definidas mediante de una metodología de conglomerados. Finalmente, a partir del empleo de modelos de regresión de tipo TOBIT, se analizaron los determinantes fiscales, socioeconómicos y demográficos de los niveles de eficiencia encontrados. Los resultados obtenidos son diversos y varían según la categoría del municipio analizado, y a pesar que fue posible identificar algunas buenas prácticas municipales, los resultados a nivel nacional son preocupantes dado que indican que se podría alcanzar la misma provisión de bienes y servicios municipales con 57.6% menos recursos. Entre los principales determinantes de este gasto ineficiente se encontraron las transferencias de los recursos del FONCOMUN y del canon, sobretodo a nivel de municipalidades distritales, mientras que uno de los factores que permitieron una provisión más eficiente de los servicios públicos locales fue la participación ciudadana, representada en el estudio por la presencia de los Consejos de Coordinación Local. En el marco de la promulgación del Decreto Supremo No. 068-2006- PCM en octubre del 2006, por el cual se establece la culminación del proceso de transferencias de competencias y funciones, inicialmente programadas para el período 2006- 2010, hacia fines del año 2007, los resultados del estudio resaltan la necesidad de concentrar mayores esfuerzos para mejorar la eficiencia del gasto a nivel local. ABSTRACT In this study we analyzed the efficiency of the spending of 1686 Peruvian municipalities for the year 2003 through the evaluation to the municipal public activities as a process of production which transforms inputs in outputs (Bradford et. al., 1969 y Fisher, 1996). In doing so, we established several “best -practice” production frontiers in order to estimate the extent of municipal spending that seems to be wasted relative to that frontier. Five methodologies for the production frontier estimations were used (i) 3 non parametric: (i) Free Disposal Hull (FDH) and Data Envelopment Analysis (DEA-CRS and DEA-VRS) and (ii) 2 parametric: one deterministic and the other stochastic, which were estimated through 10 categories of municipalities (4 groups of provincial and 6 of district municipalities) defined through a cluster methodology. 3 Finally, using TOBIT regression models, we analyzed the fiscal, socioeconomics and demographic determinants of the efficiency levels. We found different levels of efficiency and although we identified some good practices, the result at the national level is matter of concern because the same results could have been obtained with 57.6% less resources. Among the main determinants of this inefficiency spending the FONCOMUN and canon transfers were found, mainly at the district municipal level. One of the factors that allowed for a more efficient provision of local services was the civil participation, represented in the study by the Local Coordination Council. The results of the study show that there is a need to make more efforts to improve the local government spending. Even more so, after the promulgation of the Supreme Decree No. 068-2006-PCM in October 2006, by virtue of which the culmination of the competences and function transfers process, initially programmed for 2006-20010, brought forward to the end of 2007. 4 ANÁLISIS DE LA EFICIENCIA DEL GASTO MUNICIPAL Y DE SUS DETERMINANTES* Pedro Herrera Catalán** Pedro Francke Ballve*** 1. INTRODUCCIÓN El análisis de la eficiencia es un campo de creciente relevancia en el ámbito de la actividad económica en general, y del sector público en particular, principalmente en la función de provisión de bienes y servicios públicos (Fox, 2002). Los argumentos que justifican un análisis de eficiencia en el sector público son diversos. Entre ellos se encuentran, la magnitud de su actividad económica en el agregado de la economía, la ausencia de competencia en gran parte de los servicios públicos provistos, la necesidad de justificar resultados en un contexto presupuestario restrictivo, el impacto de los servicios públicos en el crecimiento económico y el bienestar de la población; entre otros. En el Perú este tipo de análisis adquiere relevancia, en el marco del actual proceso de asignación de competencias y funciones sectoriales a los Gobiernos Regionales y Locales, el cual se inició en octubre del 2003 con la transferencia de los proyectos de infraestructura social a cargo de FONCODES a 241 Gobiernos Locales distritales, y de los programas de comedores, alimentos por trabajo, hogares y albergues a cargo del PRONAA a 67 Gobiernos Locales provinciales. A partir del año 2003 se han promulgado anualmente los Planes Anuales de Transferencias de Competencias Sectoriales de los Gobiernos Regionales y Locales, los cuales se han ido asignando, cada vez mayores competencias y funciones a los menores niveles de gobierno. Así por ejemplo el Plan de Transferencias del año 2004 completó la transferencia iniciada en el 2003 de los programas del PRONAA y FONCODES a 58 municipalidades provinciales y a 165 municipalidades distritales, respectivamente; el del año 2005 la transferencia a los Gobiernos Regionales de 28 funciones sectoriales de los sectores Agricultura, Energía y Minas, Salud y Transportes y Comunicaciones, y a los Gobiernos Locales la transferencia de los programas del PRONAA y FONCODES; mientras el Plan de Transferencias del 2006 estableció la transferencia a los municipios provinciales de los programas del PRONAA y del PROVÍAS RURAL, y a los Gobiernos Regionales las funciones de los sectores de Educación, Energía y Minas, Salud, Trabajo y Promoción del Empleo y de la PCM. * Este estudio es resultado final del proyecto “Indicadores de desempeño y capacidades de gestión: un análisis de la eficiencia del gasto municipal y de sus determinantes”, desarrollado en el marco del Concurso Anual de Investigación ACDI-IDRC 2005, organizado por el Consorcio de Investigaciones Económicas y Sociales (CIES). Agradecemos a Ramiro Málaga, profesor del Departamento de Economía de la PUCP, por los comentarios realizados a la versión preliminar del presente estudio. Asimismo, agradecemos los comentarios realizados por docentes y alumnos en la conferencia “Eficiencia Municipal en el Perú” desarrollada en abril del 2007 el marco de los Viernes Económicos del Departamento de Economía de la PUCP. Finalmente, agradecemos las sugerencias y observaciones del Grupo de Descentralización del Acuerdo Nacional alcanzadas en la reunión de julio del 2007. ** Profesor del Departamento de Economía de la Pontificia Universidad Católica del Perú (PUCP), ppherrer@pucp.edu.pe, y consultor de la Dirección General de Economía Internacional, Competencia e Inversión Privada del Ministerio de Economía y Finanzas del Perú, pherrera@mef.gob.pe. *** Profesor del Departamento de Economía de la Pontificia Universidad Católica del Perú (PUCP), pfranck@pucp.edu.pe. 5 Como puede apreciarse el Perú se encuentra inmerso en un proceso de asignación de competencias y funciones a los menores niveles de gobierno, que según la política del actual gobierno, se irá profundizando en los próximos años. Una muestra de ello es la promulgación en octubre del 2006 del Decreto Supremo No. 068-2006-PCM por el cual se estableció la culminación de las transferencias de competencias y funciones inicialmente programadas para el período 2006-2010 hacia fines del año 2007; así como en la promulgación del Decreto Supremo No. 076-2006-PCM (también en octubre del 2006) por el cual se amplió el Plan anual de Transferencias del año 2006 asignándose mayores competencias y funciones a los Gobiernos Regionales y Locales. En el país, la implementación de este conjunto de políticas ha relanzado el debate sobre la eficiencia y las capacidades de gestión de los municipios peruanos. La discusión gira en torno al argumento de que estos niveles de gobierno no poseen las capacidades necesarias para asumir las competencias que determinarán su propio desarrollo. En contraposición a este argumento se encuentran aquellos que consideran al municipio como el espacio fundamental para la real democratización de las decisiones y la escala necesaria para mejorar la gestión pública y acceder a un Estado eficiente (Kliksberg, 2004). La racionalidad que subyace a las políticas que asignan responsabilidades y funciones a los niveles menores de gobierno, supone que la participación de estos en escoger el uso de los recursos públicos, les permitirá una mejor adecuación entre la provisión de los servicios locales y las preferencias o necesidades sentidas de la población (Oates, 1972). Adicionalmente, este tipo de resultados favorecerá el esfuerzo de constituir gobiernos más eficientes y democráticos, al reducir las oportunidades de corrupción mediante la simplificación de los canales burocráticos (Marlow, 1988 y Sampaio de Sousa y Stosic, 2003). Si bien actualmente no se cuenta con información sistemática sobre las capacidades de gestión a nivel local, han ocurrido diversos hechos que podrían indicarnos la existencia algún grado de ineficiencia en estos niveles de gobierno. Así por ejemplo, cabe considerar el hecho por el cual el MIMDES tuvo que realizar en el año 2004 una ejecución conjunta de los programas del PRONAA y FONCODES con 58 municipalidades provinciales y 165 municipalidades distritales, debido a las reducidas capacidades de gestión de estos niveles de gobierno. Este proceso exigía como requisito la suscripción de convenios de cooperación para el fortalecimiento institucional, el cual culminaría con la transferencia completa de las responsabilidades de dichos programas, previa suscripción de convenios de gestión. En segundo lugar, la acumulación en cuentas bancarias de los recursos municipales para obras de inversión pública, como resultado de las elevadas transferencias que realiza el Gobierno Central por concepto de canon, lo cual podría estar indicando que estos niveles de gobierno no cuentan con las capacidades de gestión suficientes para la ejecución de obras de inversión pública, aún cuando el SNIP no establece límite de monto para que los Gobiernos Locales declaren la viabilidad de sus proyectos inversión1. En tercer lugar, existe evidencia anecdótica de obras municipales que serían indicativas de un gasto improductivo local generado por los mayores recursos del canon, los cuales han priorizado obras carentes de rentabilidad social, insostenibles e incompatibles con sus Planes de Desarrollo Local y Regional Concertados, como por ejemplo el “Monumento al Lagarto” y el “Parque al Arbitro” en Tumbes, la “Plaza de Toros México” y el “Estadio Municipal Azteca” en Cajamarca, el “Mirador de Tambopata” en Madre de Dios, o el “Monumento a la Maca” en Junín. Finalmente, cabe mencionar el elevado porcentaje de municipalidades que incumplen las reglas fiscales establecidas en la 1 La acumulación de estos recursos ha sido sistemática. En el año 2004 ascendieron a S/. 241, y en el año 2005 a S/. 590 millones. 6 Ley No. 27958, Ley de Responsabilidad y Transparencia Fiscal2, que podría estar indicando algún grado de ineficiencia administrativa3. En este contexto, dado que únicamente la descentralización del gasto público no garantiza una adecuada provisión de bienes y servicios públicos por parte de los Gobiernos Locales, resulta necesario establecer criterios de eficiencia que pueden constituirse en una herramienta de análisis para la evaluación de cómo los recursos públicos vienen siendo gastados por estos niveles de gobierno. En ese sentido, el objetivo de este trabajo consistió en analizar la eficiencia del gasto de los municipios peruanos mediante la interpretación de las actividades públicas locales como un proceso de producción que transforma inputs en outputs/outcomes (Bradford, et. al. 1969 y Fisher, 1996). El análisis de eficiencia se realizó a través de 10 distintos grupos de municipalidades, mediante la aplicación de 5 metodologías de estimación, 3 no paramétricas y 2 paramétricas: una determinística y otra estocástica, para lo cual se utilizó como variable input el gasto municipal per cápita por entidad y como variable output, el Indicador de Desempeño Municipal (IDEM) construido a partir de diversos indicadores obtenidos del Registro Nacional de Municipalidades 2004 (RENAMU 2004). Posteriormente, en una segunda parte del estudio, mediante la aplicación de diversos modelos de regresión de tipo Tobit se evaluaron los determinantes fiscales, socioeconómicos y demográficos de los niveles de eficiencia obtenidos. Los resultados obtenidos son diversos y varían según el grupo de municipio analizado. Sin embargo, es posible afirmar que en promedio hay un espacio importante para mejorar la eficiencia del gasto en los municipios peruanos. En el marco de la promulgación del Decreto Supremo No. 068-2006-PCM, por el cual se establece la culminación de las transferencias de competencias y funciones inicialmente programadas para el período 2006-2010 hacia fines del año 2007, los resultados obtenidos resaltan la necesidad de concentrar mayores esfuerzos en mejorar la eficiencia del gasto a nivel local. Para ello consideramos indispensable la implementación de un Sistema de Medición de las Capacidades de la Gestión Municipal que funcione de manera simultánea con un mecanismo de capacitación y asistencia técnica y de un sistema para la obtención de indicadores objetivos o resultados que procedan de la ejecución de los programas de transferencia de competencias y recursos. El presente estudio se divide en siete secciones. En la primera, se presenta la introducción del tema a investigar. En la segunda sección, se establece el marco teórico y conceptual que guiará la investigación. En la tercera sección, se presentan las metodologías no paramétricas y paramétricas que se utilizarán para realizar el análisis de eficiencia municipal. En la cuarta sección, se presenta la metodología de conglomerados, a partir de la cual se definen 10 grupos de municipalidades sobre la base de las variables población, urbanidad y nivel de pobreza, y que son los que se utilizarán en la quinta sección para realizar el análisis de eficiencia municipal. En la quinta sección, se presentan los indicadores input, output y se construye el Indicador de Desempeño Municipal (IDEM), los cuales se emplearán en el análisis de eficiencia, y se procede a estimar las diversas fronteras de producción. En la sexta sección, a partir de modelos de tipo Tobit, se analizan los determinantes fiscales, socioeconómicos y demográficos de la eficiencia municipal. Finalmente, en la séptima sección, se presentan las conclusiones y las recomendaciones de política. 2 48.9% a nivel nacional, según informe del MEF (2004). 3 Una de las reglas en mención establece que el saldo de la deuda respecto a los ingresos corrientes no debe exceder el 100%. Por tanto, el hecho que el saldo de deuda del municipio “x” exceda el monto de sus ingresos corrientes, no necesariamente responde a una gestión municipal eficiente. 7 2. MARCO TEÓRICO Y CONCEPTUAL El análisis de eficiencia municipal, se deriva de la teoría microeconómica de la producción, la cual interpreta las actividades públicas locales como un proceso de producción que transforma inputs (tales como capital y fuerza laboral) en outputs/outcomes (Bradford, et. al. 1969 y Fisher, 1996). Siguiendo a Lovell (2000), dado un conjunto de Kk ,...,1= municipalidades, cada uno emplea un vector de N inputs (recursos), ),...( 1 Nxxx = , para producir un conjunto de D outputs (productos), ),...( 1 Dyyy = mediante el desarrollo de un conjunto de diversas actividades. 2.1. El criterio de eficiencia de Farell (1957). Tradicionalmente, el desempeño de las unidades de gestión se ha analizado mediante el concepto de eficiencia económica de Farell (1957), el cual se compone de la eficiencia técnica y la eficiencia asignativa. La eficiencia técnica refleja la capacidad de una unidad económica para producir el máximo posible dado un conjunto de inputs, es decir la habilidad para producir sobre la frontera de posibilidades de producción, dada la tecnología, pudiendo ésta ser medida en términos de relaciones físicas entre el output observable y el máximo output obtenible (posible) para un conjunto de observables inputs. Por otro lado, la eficiencia asignativa, denominada también precio-eficiencia, muestra la capacidad de una unidad económica para escoger un conjunto óptimo de inputs, dados los correspondientes precios y la referencia tecnológica. En línea con el concepto de eficiencia técnica de Farell (1957) es factible analizar el proceso de producción municipal mediante el empleo de diversos indicadores de gestión. Bradford, et. al. (1969) distinguen tres fases en el proceso de producción local, correspondiendo el primero a un proceso primario, en el cual los recursos son transformados en actividades intermedias. En esta fase de producción, el análisis de eficiencia permite capturar el grado de desempeño operacional municipal mediante el uso de indicadores de proceso (De Borger y Kerstens, 2000 y Agrell y West, 2001). La segunda fase de producción concierne la forma como esas actividades intermedias son transformadas en bienes y servicios locales provistos a la población (denominados D-Outputs o Direct Outputs, según Bradford, et. al., 1969)4; proceso que puede evaluase mediante el empleo indicadores de desempeño (Agrell y West, 2001). Finalmente, la tercera fase de producción comprende la manera como estos bienes y servicios provistos (D-Outputs) se transforman en mejoras en el bienestar local (denominados C-Outputs o Consumer Outputs, Bradford, et. al.,1969)5, fase que puede evaluarse mediante el uso de indicadores de efecto (De Borger y Kerstens, 2000). 4 Por ejemplo, el número de efectivos policiales municipales o el número de unidades de servicio para el transporte público. 5 Por ejemplo, la reducción de la tasa de criminalidad o la fluidez del tráfico. 8 Figura No. 1 Modelación del proceso de producción local Medida Indicadores Dimensiones Inputs primarios (recursos) Actividades (Outputs intermedios D-Outputs (resultados) C-Outputs (mejora del bienestar) O b j e t i v o s Desempeño Efecto Proceso Eficiencia Eficiencia Técnica Eficacia Adaptado de Afonso y Fernandes (2003). A la forma como los inputs son combinados para producir outputs se le denomina tecnología de producción y se representa mediante una función de producción, la cual admite dos posibles interpretaciones: (i) el máximo output obtenible dado un vector de inputs (Coelli et. al., 2002), o de manera alternativa (ii) las posibles combinaciones de inputs para producir un nivel de output dado (Farell, 1957). Bajo estas consideraciones, y teniendo en cuenta la definición de eficiencia de Farell (1957) y la reciente literatura (véase, Tanzi y Schuknecht, 2000 y Clements, 2002) es posible definir como “desempeño municipal” al resultado del desarrollo de diversas políticas públicas locales y como “eficiencia del gasto municipal” al resultado relativo vinculado al análisis del gasto de recursos, por lo que una forma de medir dicha eficiencia del gasto será mediante la comparación entre municipalidades, de que tan bien los recursos (inputs) son transformados en servicios locales provistos a la población (outputs). 2.2. Fronteras de producción y el análisis de eficiencia: la primera fase de los modelos de eficiencia en dos etapas. Diversas metodologías se han utilizado para analizar la eficiencia municipal en las tres fases de producción local descritas anteriormente, mediante la estimación de una frontera de producción obtenida mediante la combinación de un conjunto de inputs y outputs. Este conjunto de metodologías pueden compilarse en dos grandes categorías: no paramétricas y paramétricas. Las aproximaciones no paramétricas o de programación matemática (véase, Eeckhaut et. al., 1993; Afonso y Fernandes, 2003; Worthington y Dollery; 2000a; entre otros) analizan la eficiencia de las unidades productivas a partir de un conjunto de supuestos adoptados sobre la referencia tecnológica, usualmente desconocida, a partir de los datos disponibles. Destacan por su flexibilidad y la posibilidad de adaptarse a un contexto de múltiples inputs y outputs. Si bien la propuesta inicial fue desarrollada en un contexto determinístico, posteriormente se han desarrollado versiones estocásticas (Land, Novell y Thore, 1993 y Olesen y Petersen, 1995). Destacan dos metodologías en este grupo, Free Disposal Hull (FDH) y Data Envelopment Analysis (DEA). La primera de ellas, introducida por Deprins, Simar y Tulkens (1984), asume no convexidad del conjunto de combinaciones de inputs y outputs, así como libre disponibilidad de los mismos. La segunda fue introducida por Charnes, Cooper y Rhodes (1978) y extendida por Banker, Charnes y Cooper (1984), y asume rendimientos constantes o 9 variables a escala, fuerte disponibilidad de inputs y outputs y convexidad del conjunto de combinaciones de posibles inputs y outputs. Por otro lado, las metodologías paramétricas (véase, Deller, 1992; Davis y Hayes, 1993; Deller y Rudnicki; 1992) a diferencia de las no paramétricas, especifican una determinada forma funcional para recoger las relaciones entre las variables analizadas, pudiendo ser determinísticas y estocásticas. Las paramétricas determinísticas consideran como ineficiencia cualquier desviación de la frontera de producción. Su estimación puede realizarse mediante mínimos cuadrados corregidos (corrected ordinary least squares, COLS) o mediante mínimos cuadrados ordinarios modificados (modified ordinary least squares, MOLS). Por otro lado, las aproximaciones estocásticas para la estimación de las fronteras de producción fueron introducidas por Aiger, Novell y Schmidt (1977). Esta metodología considera que las desviaciones de la frontera se descomponen en dos componentes independientes, un componente aleatorio y otro de ineficiencia. La estimación se realiza en dos etapas, en una primera se obtiene el error compuesto mediante mínimos cuadrados ordinarios y luego se realiza la estimación mediante máxima verosimilitud. La aplicación indistinta de aproximaciones no paramétricas y paramétricas en los estudios empíricos6, ha permitido el desarrollo de una amplia literatura que indica que los resultados de eficiencia son sensibles según el tipo de metodología empleada. Así por ejemplo, Bjurek et. al. (1990) al utilizar una aproximación no paramétrica (DEA) y una metodología determinística encontraron similitudes en los resultados de eficiencia obtenidos, con excepción de las unidades de gestión más pequeñas. Por el contrario, Ferrier y Lovell (1990) en un análisis de eficiencia para bancos comerciales en el cual emplearon una metodología DEA y una estocástica, hallaron una débil correlación en los resultados de eficiencia obtenidos. Gong y Sickles (1992) señalan que los indicadores de eficiencia que proceden de la aplicación de una metodología estocástica superan a los obtenidos mediante una aproximación DEA, sólo cuando la elección de la función de producción se aproxima a la subyacente referencia tecnológica y cuando existe una pequeña correlación entre los regresores del modelo y el término de ineficiencia técnica. Adicionalmente, se han encontrado diferencias significativas en los resultados de eficiencia que proceden de la aplicación de metodologías no paramétricas (al respecto, véase Vanden Eeckaut, et. al., 1993), así como diferencias insignificantes en los resultados de eficiencia que proceden de la aplicación de metodologías determinísticas y estocásticas (Corbo y De Melo, 1986 y Lovell y Schmidt, 1988). 2.3. Aplicaciones empíricas vinculadas a la primera fase de los modelos de eficiencia. Vinculado a las aplicaciones de eficiencia no paramétricas, se encuentra el trabajo de Vanden Eeckhaut, et. al. (1993) quienes estimaron una frontera de costos para analizar la relación entre el costo agregado y la cantidad de los servicios provistos por las autoridades locales en los municipios belgas. Este análisis se realizó mediante cuatro metodologías no paramétricas, una FDH y tres DEA, para rendimientos constantes, crecientes y decrecientes a escala. Otra investigación para municipios belgas que emplea técnicas no paramétricas fue realizada por De Borger y Kerstens (1996a) quienes analizaron el costo de eficiencia en la provisión de diversos servicios municipales mediante cinco referencias tecnológicas: dos no paramétricas (FDH y DEA) y tres paramétricas (determinísticas y estocásticas). 6 Una síntesis sobre las aplicaciones empíricas para el análisis de eficiencia en los gobiernos locales a partir de diversas metodologías puede encontrarse en De Borges y Kerstens (2000) y en Worthington y Dollery (2000). 10 Para municipios portugueses, Afonso A. y Fernandes, S. (2003) construyeron un indicador de desempeño municipal para analizar la eficiencia del gasto en los municipios de la región de Lisboa y Vale do Tejo. Los resultados indican que estas municipalidades podrían lograr los mismos resultados con aproximadamente 39% menos recursos. Para el caso peruano recientemente, Herrera y Málaga (2007) han analizado la eficiencia en 1499 municipalidades mediante el empleo de la metodología no paramétrica FDH. Los resultados obtenidos son variados debido al desarrollo de un análisis de eficiencia segmentado, sin embargo dicho trabajo muestra un patrón común de eficiencia en las municipalidades distritales de Lima Metropolitana, las cuales resultaron ser, en promedio, las municipalidades más eficientes en la totalidad de las funciones de gestión analizadas. Por otro lado, aplicaciones paramétricas para el análisis de la eficiencia municipal han sido desarrollados por Deller (1992) y Deller y Rudnicki (1992). El primero analiza la eficiencia de las municipalidades del oeste de Estados Unidos en el mantenimiento de caminos rurales mediante la estimación de una frontera de producción estocástica, mostrando que los costos de producción pueden reducirse en aproximadamente 15% y encontrando evidencia que relaciona la escala de operaciones con el nivel de eficiencia encontrado, por el que las jurisdicciones más grandes resultan ser más eficientes en relación a las más pequeñas. Por su parte, Deller y Rudnicki (1992) analizan la eficiencia de las autoridades públicas locales en la provisión de servicios educativos, a partir de la estimación de una función de costos mediante mínimos cuadrados ordinarios. Los resultados hallados indican que las escuelas más pequeñas exhiben mayores niveles de desempeño ineficiente. 2.4. Determinantes de la eficiencia municipal: la segunda fase de los modelos de eficiencia en dos etapas. Una vez realizado el análisis de eficiencia, el paso siguiente implica indagar sobre los factores que determinan los niveles de eficiencia o ineficiencia encontrados. Este tipo de análisis constituye la segunda fase de los modelos de eficiencia en dos etapas (véase por ejemplo, Balaguer-Coll et. al., 2003; Loikkanen y Susiluoto, 2005; Afonso y Fernandes, 2005). El análisis se realiza mediante la estimación de modelos de regresión considerando como variables explicativas aquellas sobre las cuales las unidades de gestión evaluadas no tienen injerencia, denominadas también variables no discrecionales, Worthington y Dollery (2000a). La elección del modelo de regresión para realizar dicho análisis, dependerá de la distribución de la variable dependiente. Una primera aproximación implica estimar una regresión lineal mediante mínimos cuadrados ordinarios. Sin embargo, cuando la variable dependiente es censurada, los parámetros estimados mediante este modelo son inconsistentes, inconsistencia que se incrementa con el número de observaciones censuradas (Greene, 1981). Una solución a este problema consiste en estimar un modelo Tobit mediante máxima verosimilitud bajo los supuestos de normalidad y homoscedasticidad (De Borger y Kerstens, 1996a). Adicionalmente, se han empleado regresiones y estimaciones de densidad no paramétricas cuando las estimaciones de eficiencia en una primera etapa proceden de un análisis no paramétrico (Balaguer-Coll et. al., 2003); así como herramientas de econometría espacial para capturar efectos de escala y locación espaciales como determinantes del nivel de eficiencia municipal (Sampaio de Sousa y Stosic, 2003). Si bien la eficiencia o ineficiencia municipal puede ser explicada por factores de diversa índole, la literatura se ha concentrado mayormente en los aspectos fiscales, socioeconómicos y demográficos como factores explicativos de los niveles de eficiencia municipal. 11 2.4.1. Factores fiscales. Los factores fiscales se encuentran en la literatura entre los principales determinantes de la eficiencia municipal. Uno de los primeros autores en tratar el tema fue Spann (1977) quien sostuvo que una mayor tasa impositiva podría incrementar el control del gasto local, control que podría ser mayor si fuera posible una comparación de los costos entre municipalidades. Más adelante Silkman y Young (1982) sostuvieron que un mayor nivel de ingresos incrementa la capacidad fiscal de las municipalidades, lo cual podría incrementar la probabilidad de los políticos y burócratas de desempeñarse de manera ineficiente. De otro lado, el mayor monto asignado por concepto de transferencias intergubernamentales a las municipalidades podría tener un efecto negativo sobre la eficiencia, dado que los gastos se ajustan a los recursos adicionales y no se traducen en una mayor y mejor provisión de servicios públicos (Sampaio de Sousa y Stosic, 2003). Este tipo de resultados se caracterizan por un comportamiento local de menor recaudación y de reducido control en la ejecución del gasto, resultado que en la literatura se le ha denominado el “efecto flypaper” (Hamilton, 1983). La literatura ha revelado la existencia de una relación difusa entre los recursos obtenidos por operaciones de endeudamiento y los niveles de eficiencia conseguidos. La relación podría ser negativa si se considera que el municipio accede a estas fuentes de financiamiento debido a que no posee capacidades para generar ingresos mediante el cobro de impuestos. Entonces bajo el supuesto de que no existe control por parte de la ciudadanía (el cual está presente cuando se cobran impuestos) podrían generarse resultados ineficientes (Balaguer-Coll et. al., 2003). Otra variable que puede tener un impacto negativo sobre la eficiencia es el déficit fiscal, al considerar que el exceso de los gastos sobre los ingresos podría exponer a un municipio a una situación de vulnerabilidad financiera (Balaguer-Coll et. al., 2003). 2.4.2. Factores socioeconómicos y demográficos. Existe también una amplia literatura que ha mostrado la importancia de los factores socioeconómicos y demográficos como determinantes de los niveles de la eficiencia municipal. Por ejemplo, se ha argumentado que un mayor ingreso per cápita desincentiva el monitoreo eficiente de la ejecución del gasto debido a los elevados costos de oportunidad que aquello implica (De Borger y Kerstens, 1996a). En esta línea de investigación se encuentran los resultados hallados por Vanden Eeckaut et. al. (1993) quienes sostuvieron que elevados ingresos per cápita y niveles de riqueza de la población local tiene un impacto negativo sobre la eficiencia. Por otro lado, es posible afirmar que la participación ciudadana a nivel local podría contribuir a un mejor desempeño municipal. Vanden Eeckaut et. al. (1993) y De Borger y Kerstens (1996a) determinaron que la variable de participación ciudadana (aproximada por el nivel educativo de la población adulta) tiene un impacto positivo sobre el grado de eficiencia municipal. En esta línea de investigación también se encuentra el trabajo de Deller (1992) quien mostró que entre otros factores que pueden influir en la eficiencia municipal se encuentran las características propias de los residentes locales, tales como tasa de alfabetización, raza, religión, entre otros. Adicionalmente, De Borger y Kerstens (1996a) y Sampaio de Sousa y Stosic (2003) han mostrado que una menor cantidad de habitantes por kilómetro cuadrado puede incrementar el costo medio de la provisión de bienes y servicios, por lo que una municipalidad podría ser más eficiente si su densidad poblacional local fuera mayor. Los hallazgos obtenidos por Balaguer- 12 Coll et. al. (2003) y Loikkanen y Susiluoto (2005) refuerzan estos resultados. Los primeros encuentran evidencia que una mayor cantidad de población tiene un impacto positivo sobre la eficiencia mientras que los segundos encontraron que una densa estructura urbana conduce también a resultados eficientes. 2.4.3. Otros determinantes de la eficiencia municipal. Otras líneas de investigación, han argumentado que la ineficiencia se origina como resultado de la existencia de intereses privados de grupos de interés como los que establecen los modelos de ineficiencia burocrática o del problema principal-agente, en los cuales los políticos y funcionarios públicos pueden carecer de incentivos apropiados para controlar y auditar de manera efectiva la ejecución del gasto público (Mueller, 1989). Así, es posible argumentar que la ineficiencia municipal puede explicarse por el tamaño y la composición política de las autoridades locales. Al respecto, Vanden Eeckaut et. al. (1993) en un estudio para los municipios belgas encontraron que las municipalidades dirigidas por municipios multipartidarios conducen a resultados menos ineficientes que los municipios dirigidos por mayorías. Además, las mayorías compuestas por coaliciones múltiples inducen a un comportamiento más ineficiente que las mayorías compuestas por un partido único. Vinculado también al análisis de eficiencia en los municipios belgas y su relación con aspectos políticos, se encuentra el trabajo de De Borger y Kerstens (1996a) quienes hallaron una relación positiva entre los niveles de eficiencia obtenidos y la presencia del partido socialista belga. Por su parte, Athanassopoulos y Triantis (1998) encontraron evidencia en Grecia de que los partidos locales pertenecientes al gobierno central conducen a resultados ineficientes. Aunque menos estudiados como determinantes de la eficiencia municipal se encuentran los niveles salariales, así como las tasas de desempleo Loikkanen y Susiluoto (2005). Entre otros factores que pueden influir en el nivel de eficiencia municipal, se encuentran el grado de uso de equipos informáticos y de actualización de la base de datos municipal. (Sampaio de Sousa y Stosic, 2003). 2.5. La literatura peruana sobre la eficiencia municipal. La literatura sobre la eficiencia municipal para el caso peruano es prácticamente nula, debido, en gran parte, a la carencia de información sistemática a nivel municipal. Resulta que para el desarrollo de un análisis de eficiencia local se requieren dos tipos de fuente de datos: (i) información sobre la ejecución presupuestal e (ii) información sobre desempeño o gestión. Es recién a partir del año 2001 que el INEI viene realizando anualmente (con interrupciones en los años 2002 y 2003) encuestas sobre las gestiones municipales en los diversos campos de su competencia, las cuales han sido replicadas con algunos cambios para los años 2004, 2005, 2006 y 2007. Por otro lado, respecto a la información de la ejecución presupuestal y financiera municipal, ésta se encuentra disponible por entidad recién a partir del año 1998, y con mayor desagregación de las cuentas de ingresos y gastos desde el año 2003. La reciente importancia brindada al proceso de descentralización, de manera efectiva desde el año 2003, ha motivado el estudio y la investigación de las unidades menores de gobierno tanto a nivel local como regional, los cuales previos a esta fecha eran escasos. Si bien a excepción del trabajo de Herrera y Málaga (2007)7 no se encuentran estudios que evalúen precisamente la eficiencia municipal por entidad para el caso peruano, se han 7 Véase la sección 2.3. 13 desarrollado algunos trabajos que se vinculan de alguna manera con este tópico, ya sea a nivel agregado o mediante estudios de caso. Es el estudio de Aguilar y Morales (2004) quienes utilizando una base de datos de panel para el período 1998-2002 encontraron que las transferencias intergubernamentales promueven en promedio un mayor esfuerzo fiscal en las municipalidades del país, además de impactar de manera positiva en el nivel de actividad local, por lo que podrían interpretarse estos resultados como evidencia empírica a favor de un buen desempeño municipal, al menos en el aspecto tributario y fiscal. Por otro lado, se encuentra el trabajo realizado por Alvarado et. al. (2004) quienes luego de analizar el comportamiento de las municipalidades en respuesta a las transferencias del Gobierno Central, encontraron un efecto sustitución o pereza fiscal vinculado al mayor monto de transferencias, así como un efecto desplazamiento de los gastos de inversión locales con recursos propios. Alcázar (2003) analiza la eficiencia de determinados programas sociales como el del Vaso de Leche ⎯que es gestionado por las municipalidades distritales⎯ y de la educación. En el primer caso la investigación determinó que el 70% de los recursos del Vaso de Leche no llega a sus directos beneficiarios (niños menores de 7 años de edad y madres embarazadas o lactantes) mientras que en el caso de los programas del sector educación, se encontró un exceso del gasto de alrededor del 33% al mostrarse que la mitad de los colegios de la muestra bajo estudio contaban con menos personal trabajando del que figuraba en planilla, mostrándose como conclusión principal que existe espacio relevante para mejorar la eficiencia de los programas sociales en el Perú8. 3. METODOLOGÍAS PARA EL ANÁLISIS DE LA EFICIENCIA MUNICIPAL. En la presente sección se establecen 5 metodologías para la medición de las capacidades de gestión locales, con la finalidad de realizar en la quinta sección un análisis de eficiencia en los municipios peruanos. Tal como se mencionó en la sección anterior una posible forma de estimar la eficiencia municipal es mediante la evaluación de que tan bien las municipalidades del país gastan los recursos que poseen, es decir a través de la comparación de qué tan bien estas unidades de gestión convierten los inputs (recursos, dinero) en outputs (productos o servicios brindados a la población). Así, para la medición de la eficiencia municipal será necesario estimar previamente una Frontera de Posibilidades de Producción (FPP), para capturar la tecnología de operatividad de cada muestra o grupo de municipalidades, para luego evaluar el desempeño de cada una de éstas, como la distancia a dicha frontera. A continuación se describirán cada una de las 5 metodologías que permiten construir Fronteras de Posibilidades de Producción (FPP): 3 no paramétricas y 2 paramétricas (determinística y estocástica), las cuales reproducen la mejor combinación de resultados dentro de una muestra municipalidades. 8 Además de los trabajos mencionados anteriormente pueden encontrarse algunos otros que analizan tema específicos en las municipalidades, pero que sin embargo no necesariamente se encuentran relacionados con la eficiencia. Como por ejemplo, el de Torero y Valdivia (2002) quienes realizaron una tipología de municipalidades sobre la base de una metodología de conglomerados mediante la cual clasificaron a las municipalidades en 4 categorías organizadas a partir de sus niveles de necesidades y sus capacidades de gestión. 14 3.1. Análisis no paramétrico: FDH, DEA-CRS y DEA-VRS. Las metodologías no paramétricas analizan la eficiencia de las unidades productivas a partir de un conjunto de supuestos adoptados sobre la referencia tecnológica, usualmente desconocida, a partir de los datos disponibles. Destacan por su flexibilidad y la posibilidad de adaptarse a un contexto de múltiples inputs y outputs. Destacan dos metodologías en este grupo, Free Disposal Hull (FDH) y Data Envelopment Analysis (DEA), éste último tanto para rendimientos constantes como para rendimientos variables a escala. 3.1.1. Free Disposal Hull (FDH). La metodología FDH fue originalmente esbozada por Farell (1957) quien desarrolló un índice de eficiencia técnica para medir la máxima reducción equiproporcional en la totalidad de inputs consistente con la producción de outputs observados (Coelli et. al, 2002). Así, una unidad productiva es considerada técnicamente eficiente si es posible producir el mismo nivel de output con el empleo de menos inputs. Formalmente, la metodología FDH fue propuesta por Deprins, Simar y Tulkens (1984) para analizar la eficiencia relativa de las operaciones realizadas por las oficinas postales de EEUU. Ésta establece una frontera de producción no convexa representada por la combinación de los mejores resultados dentro de una muestra de productores y luego estima la ineficiencia relativa de los productores como la distancia a dicha frontera. La metodología impone sólo una restricción a la tecnología de producción, vinculado al uso de los inputs/outputs, los cuales pueden utilizarse libremente, lo cual garantiza la existencia de una frontera de posibilidades producción continua dentro de una muestra de observaciones9. Dados K municipios, N inputs y D outputs, la metodología procede de la siguiente manera: (i) Para el municipio k se seleccionan todos los municipios que son más eficientes que éste, es decir aquellos que producen más de cada output con menos de cada input. Si no es posible encontrar un municipio más eficiente, el municipio k es considerado eficiente y se le asigna un puntaje de eficiencia. De esta manera se construye la frontera de posibilidades de producción, la cual se conforma por las mejores prácticas municipales dentro de una muestra de municipios. (ii) Posteriormente, los productores ineficientes (ubicados al interior de la frontera de posibilidades de producción) son ordenados según su distancia relativa a la frontera de producción estimada (los más distantes serán los más ineficientes), y se le asigna un puntaje de eficiencia. Cabe mencionar que la metodología FDH, así como todas las metodologías no paramétricas, permiten realizar un análisis de eficiencia relativa bajo dos orientaciones: en términos de inputs y de outputs. Así, una municipalidad es denominada “eficiente en términos de inputs” cuando reduce proporcionalmente la mayor cantidad de inputs sin alterar el nivel de output, en comparación a otros municipios. De la misma manera, una municipalidad es denominada “eficiente en términos de outputs” cuando incrementa proporcionalmente una mayor cantidad de output manteniendo invariables las cantidades de inputs empleados, en comparación a otras municipalidades. 9 La metodología FDH destaca por su flexibilidad dado que no impone ninguna restricción sobre la forma de la frontera de posibilidades de producción en comparación a la convexidad impuesta por la metodología Data Envelopment Analysis (DEA-VRS), como se verá más adelante. 15 De esta manera, si el municipio k es ineficiente, el puntaje de eficiencia en términos de los inputs utilizados es igual a: )( )( ,....1,....,1 kx Kx MAXMIN p p qpkkk l == Donde: lkk ,....,1 : son los l municipios más eficientes que el municipio p . Para obtener el puntaje de eficiencia en términos de outputs, se procede de manera similar que para el caso anterior: )( )( ,....1,....,1 Ky ky MAXMIN p p qpkkk l == Para recrear el funcionamiento de la metodología FDH se supondrá un ejercicio simple de simulación numérica para el caso de un input y un output. Asumamos que existe una muestra de 5 municipalidades las cuales tienen los siguientes niveles de input y output: Tabla No. 1 Valores de simulación para la construcción de la frontera FDH Input Output Municipalidad A 1000 75 Municipalidad B 1150 76 Municipalidad C 1200 85 Municipalidad D 1500 80 Municipalidad E 1650 82 De la lectura de la tabla anterior puede deducirse que las municipalidades D y E son ineficientes en términos relativos, dado que ambas gastan mayores recursos que la municipalidad C (1500 y 1800, respectivamente contra 1200), y obtienen al mismo tiempo un producto menor (80 y 82, respectivamente contra 85). Por otro lado, utilizando el mismo criterio, las municipalidades A, B y C son relativamente eficientes, por lo que les corresponde situarse sobre la frontera de posibilidades de producción FDH10. Utilizando la información de la tabla 1, la frontera de posibilidades de producción FDH viene representada en el gráfico 1 por la línea segmentada ABC, la cual corresponde a las observaciones eficientes. 10 Es posible que las municipalidades A, B y C sean ineficientes sin embargo no existe evidencia empírica que soporte dicha afirmación. Esta limitación constituye, como se verá más adelante una deficiencia de esta metodología, la cual asume que determinadas unidades de gestión son eficientes por default. 16 Gráfico No. 1 Frontera de posibilidades de Producción: Free Disposal Hull (FDH) x y 1000 1150 15001200 75 76 85 80 A B C 1650 82 D E Si bien existen ventajas asociadas al empleo de la metodología FDH como su flexibilidad y parsimoniosidad, así como el no requerimiento de una especificación previa para la función de producción, estas ventajas constituyen al mismo tiempo desventajas en el análisis de eficiencia. En primer lugar, dado que en una metodología no paramétrica, la frontera de producción está influenciada por outliers o puntos extremos anómalos que podría distorsionar el análisis correspondiente (Vanden Eeckhaut et. al., 1993). En segundo lugar, por el hecho que una municipalidad puede ser considerada “eficiente por default”, cuando ésta tiene el nivel de gasto más bajo dentro de una muestra de municipalidades y no domina o no es dominado por otros municipios, o cuando no existe otras municipalidades con mejor desempeño para al menos un output (Vanden Eeckhaut et. al., 1993). Este último punto puede representarse en el gráfico 1. Como se vio anteriormente, la frontera FDH viene representada por la línea segmentada ABC, la cual corresponde a las observaciones eficientes de la muestra. Ahora bien, es posible calificar a estas observaciones como no “dominadas” por otras de la muestra, dado que para estas observaciones no existen unidades productivas que produzcan el mismo o un mayor nivel de output con igual o una menor cantidad de recursos o inputs. Así por ejemplo, el productor C domina a los productores D y E, dado que el primero obtiene un mayor nivel de output con menos recursos. Sin embargo, si consideramos al productor A, observamos que no es comparado con otros productores, por lo que no domina ni es dominado por otras unidades productivas, considerándosele así “eficiente por default”. 3.1.2. Data Envelopment Analysis (DEA-CRS). Esta metodología fue introducida por Farrell (1957) y popularizada por Charnes, Cooper y Rhodes (1978). Asume una frontera de producción con rendimientos constantes a escala, la cual se construye mediante métodos de programación lineal. De manera similar que para el caso de la metodología FDH, esta aproximación permite el cálculo de la eficiencia municipal a partir de dos dimensiones, es decir en términos de inputs y outputs. Así, un análisis de eficiencia en términos de inputs permite evaluar, cuanta cantidad de input puede ser 17 proporcionalmente reducida manteniendo las cantidades de output. Por otro lado, el análisis en términos de outputs, permite estimar en cuanto puede incrementarse proporcionalmente el nivel de output sin modificar la cantidad de los input empleados11. La descripción analítica del modelo bajo la hipótesis de rendimientos a escala constante, asume que dados n municipios, cada uno produce m diferentes outputs utilizando k diferentes inputs. Formalmente, la solución del modelo DEA-CRS implica resolver el siguiente problema de programación matemática: 0 0 0.. , ≥ ≥− ≥+− λ λθ λ θλθ Xx Yyas MIN i i Donde: iy : Vector de outputs producidos por el ith municipio. ix : Vector de inputs utilizados por el ith municipio. Y : Matriz ( nm× ) de outputs para todos los n municipios. X : Matriz ( nk × ) de inputs para todos los n municipios. λ : Vector ( 1nx ) de constantes. i : Toma los valores desde 1 a n . θ : Escalar que representa el puntaje de eficiencia para un determinado municipio, el cual satisface la restricción 1≤θ . Al igual que en la metodología FDH, el puntaje de eficiencia (θ ) se calcula como la distancia entre un municipio y la frontera de posibilidades de producción, la cual se define como la combinación lineal de las mejores observaciones dentro de una muestra de municipalidades. Dado que el escalar θ toma los valores menores o iguales a uno, se producen los siguientes dos casos: (i) 1<θ : la municipalidad evaluada es ineficiente dado que se encuentra al interior de la frontera de producción. (ii) 1=θ : la municipalidad evaluada se encuentra sobre la frontera de producción, por lo que es considerada eficiente. El vector λ mide los pesos empleados para estimar la ubicación de una unidad de gestión ineficiente si éste fuera a convertirse en eficiente. Así, las unidades de gestión ineficientes podrán ser proyectadas sobre la frontera de posibilidades de producción como una combinación lineal mediante el empleo de estos pesos. 11 Bajo retornos constantes a escala, un análisis en términos de input y output proporcionan los mismos valores. Sin embargo, como se verá más adelante, los resultados cambian cuando se asume retornos variables a escala. 18 3.1.3. Data Envelopment Analysis (DEA-VRS). Esta metodología fue introducida por Banker, Charnes y Cooper (1984) y a diferencia de la metodología FDH o la DEA-CRS, asume una frontera de producción convexa, la cual se construye incorporando la restricción 1'1 =λn al modelo DEA-CRS12 (modelo anterior) de esta manera es posible analizar el modelo para rendimientos a escala variables. Así, incorporando esta restricción en el modelo anterior, la solución del modelo implica resolver el siguiente problema de programación: 0 1'1 0 0.. , ≥ = ≥− ≥+− λ λ λθ λ θλθ n Xx Yyas MIN i i Dado que la medida de eficiencia obtenida no indica si el municipio opera en el ámbito de rendimientos a escala crecientes o decrecientes, es posible reemplazar la restricción 1'1 =λn , por la de rendimientos a escala no crecientes 1'1 ≤λn , propuesta por Färe et. al. (1994). De esta manera, si la medida de eficiencia bajo este supuesto es equivalente a los obtenidos bajo rendimientos a escala variable, entonces puede señalarse que un determinado municipio opera en el campo de rendimientos a escala decrecientes. Por el contrario, si las medidas de eficiencia fueran diferentes, entonces aquel municipio opera en el campo de rendimientos a escala crecientes. A continuación se grafican las fronteras de producción para el caso de un input y un output empleando la metodología DEA, bajo retornos constantes y variables a escala, considerando la información numérica proporcionada por la tabla 1 (sección 3.1.1). 12 Donde 1n es un vector n-dimensional de 1. 19 Gráfico No. 2 Fronteras de Posibilidades de Producción: DEA(crs) y DEA(vrs) x y 1000 1150 15001200 75 76 85 80 A B C 1650 82 D E DEA(RCE) DEA(RVE) La frontera de producción para retornos variables a escala, DEA(vrs), viene representada por la línea que une un punto del eje de las abscisas con el punto A y luego éste con el punto C. Por otro lado, la frontera para retornos constantes a escala viene representada por la línea punteada, la cual es una línea recta que une un punto del eje de las abscisas con el punto A, dado que es en este punto en el cual se obtiene el ratio output-input más elevado (0.75). De esta manera, bajo esta metodología sólo una observación es considerada como eficiente. Cabe mencionar que debido a la convexidad impuesta por la metodología DEA(vrs), la observación B, la cual era considerada eficiente bajo la metodología FDH, es ahora ineficiente. Así, es posible afirmar que la metodología DEA(vrs) es mucho más rigurosa que la metodología FDH: una unidad de gestión que es eficiente bajo la metodología FDH no siempre lo será bajo la metodología DEA(vrs), sin embargo, una unidad de gestión considerada eficiente bajo la metodología DEA(vrs) siempre será eficiente bajo la metodología FDH. En términos cuantitativos, este hecho implica que los puntajes de eficiencia siempre serán menores en la metodología DEA(vrs). 20 3.2. Análisis paramétrico: determinístico y estocástico. Las metodologías paramétricas a diferencia de las no paramétricas, especifican previamente a la construcción de las fronteras de producción, una determinada forma funcional para la referencia tecnológica con la finalidad de recoger las relaciones entre las variables input y output utilizadas. Una de las funciones de producción más empleadas debido a su sencillez ha sido la función Cobb-Douglas; sin embargo, se han utilizado funciones de producción más complejas como la translogarítmica, CES y la Leontief generalizada. Las aproximaciones paramétricas se clasifican en dos: determinísticas y estocásticas. 3.2.1. Modelo determinístico. Las metodologías determinísticas para el análisis de eficiencia consideran como ineficiencia técnica cualquier desviación de la frontera de producción. Este tipo de modelos asumen una relación del siguiente tipo: iii uxy −= β Donde: iy : variable output. ix : variable imput. β : Parámetro a ser estimado. iu : Término de error, con 0≥iu . Su estimación puede realizarse mediante mínimos cuadrados ordinarios modificados (modified ordinary least squares, MOLS) o mediante mínimos cuadrados corregidos (corrected ordinary least squares, COLS). El primero de ellos asume una función de distribución para la perturbación, de forma tal que luego de la estimación mediante mínimos cuadrados ordinarios, el término constante se modifica por la media de la función de distribución asumida. Por otro lado, el método de estimación COLS corrige el término independiente por el máximo residuo positivo de la estimación por mínimos cuadrados ordinarios inicial. De esta manera, la totalidad de observaciones se ubicarán por debajo de la frontera, a excepción de la más eficiente que se corresponderá con la unidad utilizada en el proceso de corrección. Si bien ambas aproximaciones para la estimación de fronteras de producción determínisticas brindan resultados robustos, en la literatura debido a su sencillez e intuitividad se ha privilegiado la estimación de dichas fronteras mediante corrected ordinary least squares- COLS (Lovell, 1993) luego de la correspondiente transformación logarítmica (véase Greene, 1993). 3.2.2. Modelo estocástico. Los modelos para la estimación de fronteras estocásticas fueron propuestos de manera independiente por Aigner, Lovell y Schmidt (1977) y Meeusen y Van den Broeck (1977). La propuesta original involucraba la especificación de una función de producción cuyo término de error se conformaba por dos componentes independientes, uno que consideraba efectos aleatorios y otro que incorporaba la ineficiencia técnica. Así, las desviaciones respecto de la frontera pueden ser explicadas por estos dos componentes. 21 Este modelo puede expresarse de la siguiente manera: )( iiii uvxy −+= β , Ni ,...,1= Donde: iy : es la producción (expresada en logaritmos) de la producción del ith municipio. ix : es el vector 1×k de las cantidades de input del ith municipio. β : es un vector de parámetros desconocidos. iv : son variables aleatorias las cuales son asumidas independientes e idénticamente distribuidas (iid), con ),0( 2 vN σ . iu : son variables aleatorias no negativas las cuales corresponden al componente de ineficiencia técnica en la producción, las cuales son asumidas habitualmente independientes e idénticamente distribuidas (iid), con ),0( 2uN σ . El método de estimación para las fronteras estocásticas depende de la función de distribución que se asuma para el componente de ineficiencia ( iu ). Así, por ejemplo, si se asume que la distribución de dicho componente es seminormal ),0( ui Nu σ≈ la estimación se realizará por máxima verosimilitud, previa estimación del error compuesto mediante mínimos cuadrados ordinarios (véase Greene, 1993)13. Por otro lado, dado que las metodologías de estimación no imponen restricciones sobre la distribución del componente aleatorio ( iv ), éste es habitualmente asumido independiente e idénticamente distribuido, es decir ),0( 2vN σ . La especificación original planteada anteriormente ha sido extendida en diversas líneas. Sin embargo, la mayoría de éstas se han centrado en: (i) los supuestos que subyacen la especificación para la distribución iu (por ejemplo, se han propuesto distribuciones truncadas, exponenciales o del tipo gamma); (ii) las consideraciones de análisis de eficiencia técnica para datos de panel y de corte transversal; y (iii) la extensiones metodológicas para la estimación de funciones de costos14. 13 Véase Olson et. al. (1980) para una lectura sobre los diversos procedimientos de máxima verosimilitud para los casos en los cuales las distribuciones del componente de ineficiencia son normal, gamma o truncadas. 14 Para mayores detalles sobre las direcciones de los avances realizados en lo que respecta a las metodologías para la estimación de fronteras estocásticas, véase, Greene (1993). 22 Gráfico No. 3 Fronteras de Posibilidades de Producción determinística y estocástica x y MOLS COLS OLS MLE *_/ MLE: Maximum Likelihood Estimates. **_/ OLS: Ordinary Least Squares Regression Adaptado de Lovell (1993). Si bien el marco metodológico presentado permite estimar de manera directa de la eficiencia municipal a partir de la estimación de fronteras de producción municipales, dado que éste establece un marco de eficiencia relativa, es indispensable que sea implementado a partir de grupos de municipalidades con características comunes, con la finalidad de obtener resultados de eficiencia insesgados, consistentes e interpretables. Esto es relevante en un contexto de heterogeneidad municipal que muestra desiguales niveles de urbanidad, tamaño de población, necesidades básicas insatisfechas, etc., y que hace que sea metodológicamente incorrecto comparar los desempeños de municipalidades con características tan diversas. Una de las ventajas adicionales de realizar un análisis de eficiencia segmentado (según grupos de municipalidades) radica en la posibilidad de controlar la presencia de outliers (puntos extremos anómalos) los cuales, dependiendo de la variable en cuestión, deberán corresponder a grupos de municipalidades con características particulares. En ese sentido, una propuesta de agrupación de municipalidades que corresponde a una tipología municipal desarrollada a partir de un análisis de conglomerados, se presenta a continuación. 4. TIPOLOGÍA MUNICIPAL MEDIANTE EL ANÁLISIS DE CONGLOMERADOS. En un contexto de heterogeneidad municipal con 1830 municipalidades agrupadas en 194 provinciales y 1634 distritales, cada una con disímiles niveles de urbanidad, tamaño de población, pobreza, etc., resulta indispensable previamente tipificar las unidades de gestión municipales a ser analizadas, con la finalidad de obtener resultados, coherentes e interpretables en un análisis de eficiencia relativo. De no ser así, el análisis desarrollado sería inexacto, pues la interpretación de los resultados sería incorrecta, así como lo serían las conclusiones y recomendaciones de política que se elaboren a partir de estas. Así, por ejemplo, sería incorrecto analizar la eficiencia relativa mediante la comparación de municipalidades de 23 Lima Metropolitana, que en promedio cuentan con una mayor urbanidad, con aquellas ubicadas en la selva, que son más rurales y tienen mayores niveles de pobreza. Una ventaja adicional asociada de la tipificación de municipalidades radica en el hecho de facilitar al hacedor de política la formulación y aplicación de las medidas de políticas correctivas correspondientes, además de introducir el debate de la necesidad de contar con una clasificación oficial de municipalidades para la implementación normativa y de necesidades de capacitación y asistencia técnica. En la literatura vinculada al análisis de eficiencia municipal pocos han sido los intentos por homogenizar o tipificar las unidades de gestión evaluadas, aun cuando prescindir de ello condiciona los resultados de eficiencia obtenidos de una evaluación relativa. El hecho que no se hayan desarrollado avances en esta dirección se debe básicamente a tres razones: (i) En primer lugar, debido a que la mayor parte de la literatura sobre la eficiencia municipal se ha desarrollado en Europa, en donde en promedio el número de municipalidades es reducido por lo que no se han requerido tipificaciones previas al análisis de eficiencia municipal. Así por ejemplo, Loikkanen y Susiluoto (2005) realizaron un análisis de eficiencia en 353 municipalidades finlandesas y Athanassopoulos y Triantis (1998) hicieron lo propio en 172 municipalidades griegas. (ii) En segundo lugar, dado que algunos estudios han analizado únicamente la eficiencia municipal en determinadas regiones de un país, como por ejemplo los trabajos de Balaguer-Coll et. al. (2003) y Afonso y Fernandes (2003) quienes analizaron, respectivamente, la eficiencia municipal en 258 municipalidades de la región de Valencia en España, y en 51 municipalidades ubicadas en las regiones de Lisboa y Vale do Tejo en Portugal. (iii) En tercer lugar, dado que algunos estudios de eficiencia han utilizado clasificaciones municipales oficiales como los trabajos de Afonso y Fernandes (2005) y Worthington y Dollery (2000a). Así, dado que en el presente estudio se evaluará la totalidad de municipalidades del país (o al menos para los cuales la información es disponible) y considerando que actualmente no se cuenta con una clasificación municipal oficial, en esta sección, se realizará una tipología municipal mediante un análisis de conglomerados o clusters, con la finalidad de evaluar la eficiencia en grupos de municipalidades conformados por unidades de gestión homogéneas. 4.1. El análisis de conglomerados o clusters. Consiste en una técnica multivariante cuyo objetivo es agrupar elementos o variables en grupos con la mínima varianza interna y la máxima varianza entre grupos. La metodología establece diversos métodos de agrupamiento para la conformación de los clusters. Una de las más intuitivas es el agrupamiento jerárquico aglomerativo, la cual consiste en organizar un conjunto de unidades formando grupos con las unidades más cercanas entre sí. Dicho método es jerárquico porque los grupos se relacionan jerárquicamente, cada unidad pertenece a un subgrupo, el cual a su vez pertenece a un grupo mayor y éste a uno más grande, hasta llegar a un grupo que contiene a la totalidad de las observaciones. Es aglomerativo porque se comienza formando tantos grupos como unidades haya en la muestra total y luego se va reduciendo el número de grupos de uno en uno, juntándose los grupos más cercanos hasta que sólo queda un grupo que contiene a todas las observaciones. Los métodos de agrupamiento precisan dos medidas: (i) Entre las unidades de la muestra, denominado medida de distancia y 24 (ii) Entre los grupos que se van formando, denominado medida de asociación Respecto a la medida de distancia entre unidades u observaciones, la más empleada es la distancia común o euclidiana L2 que se define como la norma euclidiana en un espacio n dimensional, que entre el punto x y el punto y es igual a15: 22 11 )(...)(),( nn yxyxyxd −++−= Donde: n : Número de variables de agrupamiento. En cuanto a las medidas de asociación, la más empleada es la medida de asociación simple, la cual define la distancia entre dos grupos como la distancia entre sus unidades más cercanas. Otra es la denominada medida de asociación completa en la cual la distancia entre dos grupos corresponde a la distancia entre sus unidades más lejanas. Por otro lado, la medida de asociación promedio se define como aquella en la cual la distancia entre dos grupos es igual al promedio de las distancias entre los puntos de un grupo respecto de los puntos de otro16. 4.2. Las variables de agrupamiento. Las variables de tipificación o agrupamiento van a determinar los grupos de municipalidades que se conformen, por tanto la elección de éstas constituye la parte medular del análisis de conglomerados. Considerando que en el presente estudio se realizará un análisis de eficiencia en dos etapas17, con la finalidad de obtener resultados de eficiencia insesgados, consistentes e interpretables, las variables de agrupamiento utilizadas en el análisis de clusters no podrán corresponder a ninguna de las variables empleadas en alguna de estas dos etapas de análisis de eficiencia. Así, las variables de tipificación que se empleen no deberán corresponder a aquellas relacionadas con la gestión municipal (empleadas en la primera etapa del análisis de eficiencia), ni con aquellas fiscales, ni de índole socioeconómico ni demográfico (empleadas en la segunda etapa del análisis de eficiencia), sino aquellas que permitan capturar similares “condiciones iniciales” para la provisión de servicios municipales, es decir aquellas variables sobre las cuales las municipalidades no poseen injerencia para modificarlas, al menos no en el corto plazo: son las denominadas variables de estado. Así, unidades de gestión local agrupadas según variables de estado debieran tener similares características estructurales y por tanto conducirnos, a partir de un análisis de eficiencia relativo, a resultados interpretables. Además, será posible afirmar que las diferencias en los resultados de eficiencia existentes entre las municipalidades de un mismo grupo, dependerán de aquellas variables sobre las cuales las autoridades locales poseen injerencia: denominadas variables de política o de control18. Dadas las consideraciones anteriores, y teniendo en cuenta la sencillez de las variables población, urbanidad y pobreza para capturar de manera intuitiva el entorno municipal, se las 15 Otra medida de distancia entre observaciones es la norma L2 cuadrada, la cual consiste en el cuadrado de la norma euclidiana, característica que tiende a asignar más distancia a las observaciones más alejadas en comparación con la distancia euclidiana. 16 Cabe mencionar que todas estas medidas de asociación emplean como medida de distancia la distancia euclidiana. 17 Reacuérdese que en la primera etapa se analizará la eficiencia como tal, para a partir de lo cual en la segunda etapa se investigarán los determinantes de los resultados de eficiencia obtenidos. 18 Variables no empleadas en la tipificación. 25 proponen como variables de agrupamiento para la tipificación municipal. La ventaja de contar con una tipología municipal que contempla el discernimiento y la definición previa de las variables de estado que la componen, permitirá al hacedor de política identificar más adecuadamente las necesidades de capacitación y asistencia técnica para el mejoramiento de la gestión local, así como esbozar de mejor manera las medidas de políticas correctivas correspondientes. 4.2.1. El tamaño poblacional. El tamaño de la población determina el grado de complejidad en la administración de un municipio. Cuanto más grande sea la población de una municipalidad lo óptimo es que se ofrezca una mayor cantidad de bienes y servicios públicos, por lo que el manejo administrativo de una unidad de gestión local se complica conforme mayor población posea. Sin embargo, debido a la existencia de economías de escala en la provisión de bienes y servicios municipales, la complejidad administrativa menos que se duplica si la población se duplica. De esta manera, la variable de tipificación que se empleará será el logaritmo neperiano de la población, al considerar la existencia de economías de escala en la gestión municipal, por lo que modelaremos esta variable de manera logística. 4.2.2. El grado de urbanidad. Al igual que el tamaño de la población, el nivel de urbanidad determina el grado de complejidad de la gestión municipal. Así por ejemplo, municipios más urbanos cuentan con mayores posibilidades para financiar sus gastos locales mediante la generación de recursos propios mediante el cobro de impuestos o tasas; o de tener acceso a profesionales calificados y a tecnología para el mejor desempeño de sus competencias y funciones. Sin embargo, en municipios más rurales las posibilidades del cobro de impuestos son reducidas debido a la existencia de una base tributaria limitada que los hace más dependientes de las transferencias del Gobierno Central, además poseen restricciones para el acceso a personal calificado, así como infraestructura productiva escasa, que les impide beneficiarse de las sinergias que estos generan. Bajo estas consideraciones, la variable de agrupamiento que se empleará es el porcentaje de la población que es urbana. 4.2.3. El nivel de pobreza. El ingreso o la riqueza per cápita, así como la distribución del bienestar poblacional son también determinantes de la administración municipal, dado que los mayores ingresos de los pobladores (mayor flujo de bienestar) generarán mayores posibilidades de una municipalidad para recaudar impuestos19. En el mismo sentido, a medida que la población de una municipalidad tenga una mayor riqueza (acumulación de bienestar) ya sea de manera individual o en forma de bienes públicos, menores serán las necesidades básicas que tendrán que atender las autoridades municipales, y por tanto podrán enfocar sus esfuerzos en satisfacer necesidades menos imperiosas. Cabe 19 Estamos abstrayendo del análisis, otros factores que podrían determinar el nivel de recaudación de una municipalidad, dado que estamos justificando la utilización de las variables de estado en la tipificación municipal. 26 mencionar que la distribución del bienestar condiciona también la gestión administrativa municipal, dado que si la riqueza no se distribuye de manera homogénea entonces será más dificultoso identificar a los principales contribuyentes tributarios, así como desarrollar políticas focalizadas para atender a las poblaciones más vulnerables. Actualmente no se dispone de una medida del ingreso, ni de la riqueza per capita a nivel municipal, por lo que se empleará como proxy una medida de pobreza. Así, la variable de agrupamiento que se empleará es la proporción de la población que no satisface una necesidad básica. De esta manera, con las estas tres variables de agrupamiento deberíamos contar con grupos de municipalidades conformados por unidades que posean una similar complejidad administrativa y posibilidades de recaudación afines, así como similitudes en el acceso a la tecnología, a profesionales calificados y demandas similares por parte de la población, lo cual permitirá conformar grupos de municipalidades de relativa homogeneidad. 4.3. Tipología municipal para el análisis de eficiencia. 4.3.1. Aspectos metodológicos previos. Cabe tener en cuenta las siguientes consideraciones metodológicas: (i) La aproximación para la medida de distancia entre unidades de gestión local, precisan medidas de distancia diferentes acorde a la naturaleza de la variable empleada. En el caso de variables categóricas no es conveniente el empleo de la distancia euclidiana, ni de la norma L2 cuadrada pues ambas asignan la misma distancia a (1,1) o a (0,0). Por otro lado, si se trata de variables intervalares, es adecuado el empleo de la distancia euclidiana, dado que de esta manera es posible cuantificar la medida de distancia inequívocamente. Dado que las tres variables descritas en la sección 4.2., son intervalares se empleó en la tipificación municipal la distancia euclidiana L2. (ii) Las transformaciones de las variables empleadas como estandarizaciones, normalizaciones o el cambio en sus unidades son importantes para controlar una variable con un alto grado de variabilidad que pueda dominar la conformación de los grupos de municipalidades. En ese sentido, debido a la alta variabilidad de la población municipal, se le cambió de escala aproximándosela por el logaritmo neperiano de la población. (iii) Se empleó la medida de asociación de Ward, la cual agrupa las unidades de la muestra bajo análisis, minimizando la varianza interna de los grupos y maximizando la varianza entre los grupos; empleando como medida de distancia entre unidades, la norma L2 cuadrada. Para estimar la medida de asociación de Ward, se utilizó la notación propuesta por Everitt, Landau y Leese (2001), )(ijkd , la cual define la distancia entre el grupo k y el nuevo grupo formado por la fusión de los grupos i y j , de la siguiente manera: ( ) ( ) ( ) ijnnn nkjnnn nnkinnn nnijk dddd kji kkji kjkji ki ++−++ +++ + ++=)( Donde: ijd : Distancia entre el grupo i y el grupo j . in : Número de elementos del grupo i . (iv) Se empleó el estadístico Fpseudo − de Calinski-Harabasz para hallar el número óptimo de grupos con el cual debe de contar la tipificación municipal. Valores grandes del Fpseudo− , indicaron la existencia de una estructura de grupos muy diferenciada. Por otro lado, una estructura poco diferenciada se obtuvo para valores pequeños del 27 estadístico. El estadístico Fpseudo − de Calinski-Harabasz para N observaciones y g grupos se define como: )/()( )1/()( gNWtraza gBtrazaFpseudo − −=− Donde: B : Matriz de suma de cuadrados y de productos cruzados entre los grupos. W : Matriz de suma de cuadrados y matriz de productos cruzados interior a los grupos. (v) La tipología municipal se realizó considerando la distinción entre municipalidades provinciales y distritales. (vi) La fuente de información de las tres variables empleadas en la tipificación municipal es el Censo de Población y Vivienda INEI 2005, elaborado por el Instituto Nacional de Estadística e Informática (INEI). 4.3.2. Propuesta de tipología municipal. Se propone sobre la base de la aplicación de la metodología de clusters y del empleo de las variables de tipificación descritas anteriormente, la clasificación de los municipios peruanos en 10 categorías o grupos: 4 categorías provinciales y 6 categorías distritales. 4.3.2.1. Tipología de municipalidades provinciales. El análisis de clusters se realizó en 194 municipalidades provinciales, las cuales fueron clasificadas en 4 categorías. Tabla No. 2 Categorías de municipalidades provinciales que proceden del análisis de conglomerados Población Urbanidad NBI1 Categoría 1: Ciudades intermedias 57 30095.7 77.3 25.0 Categoría 2: Metrópolis 33 127714.7 94.9 16.7 Categoría 3: Rural 36 13410.5 26.6 52.3 Categoría 4: Semi-rural 68 16283.6 42.2 32.7 Total 194 46876.1 60.2 31.7 Número de observaciones Promedio Categorías Categoría 1: Ciudades intermedias. En este grupo se encuentran las municipalidades provinciales capitales de departamento de menor dinamismo económico y limitada infraestructura productiva como las de Chachapoyas, Huaraz, Cajamarca, Huancavelica, Tambopata y Moyobamba. Se encuentran también municipalidades que cuentan con valles interandinos fértiles como Caraveli, Chivay, Jauja, Tarma, La Oroya; municipios en los cuales se ubican valles productivos de ceja de selva como los de Chanchamayo, Satipo, Concepción, así como municipalidades litorales que han basado su dinamismo en actividades portuarias como las de Mollendo, Camaná, Casma y Huarmey. Cabe mencionar que el 42% de las municipalidades pertenecientes a este grupo corresponden a aquellas ubicadas en los departamentos de Amazonas, Junín y San Martín, encontrándose además, el 24% de las municipalidades provinciales capitales de departamento del país. 28 Categoría 2: Metrópolis. En este grupo se ubican las municipalidades provinciales capitales de departamento de mayor dinamismo económico del país, que cuentan con mejor infraestructura productiva, presencia de entidades bancarias que permiten un mayor acceso al sistema financiero y en las cuales se encuentran las principales entidades públicas del Gobierno Central. Pertenecen a este grupo el 76% de las municipalidades provinciales capitales de departamento, entre las cuales destacan los municipios de Lima, Trujillo, Arequipa, Piura, Chiclayo, Cusco, Ica, Callao, Huancayo, Iquitos y Tacna. Además, pertenecen a este grupo aquellas municipalidades que han mostrado un dinamismo económico similar e incluso superior al de los propios municipios capitales de departamento, liderado sobretodo por actividades comerciales o de servicios, como es el caso de Tarapoto y Juliaca; o por actividades portuarias como Chimbote, Ilo, Paita y Sullana, etc. A nivel de municipalidades provinciales, en este grupo se encuentran aquellas que poseen una mayor urbanidad, menores necesidades básicas insatisfechas y mayor población. Categoría 3: Rural. En esta categoría se ubican las municipalidades provinciales más pobres país, más rurales y menos pobladas. En general son municipios que carecen de infraestructura vial y energética adecuada, servicios públicos básicos, así como acceso al mar, factores que han impedido que puedan articularse a los conglomerados productivos regionales existentes. Mayormente son municipios ubicados en la región sierra, correspondiendo el 53% de estos a los ubicados en los departamentos de Huánuco, Huancavelica, Puno y Ancash. Además, ninguno es municipio capital de departamento, correspondiendo el 20% de sus integrantes a municipalidades fronterizas, la mayoría de las cuales forman frontera con Bolivia. Categoría 4: Semi-rural. Esta categoría agrupa a la mayor parte de municipalidades provinciales del país (35%) las cuales se encuentran ubicadas mayormente en la región sierra (85%), concentrándose el 46% de los municipios que pertenecen a este grupo en los departamentos de Ancash, Ayacucho, Cajamarca y Puno. A pesar de que hay varias municipalidades provinciales que pertenecen a departamentos litorales como Cajatambo, Yauyos, Matucana y Oyón en Lima; Otuzco y Cascas en La Libertad; Huancabamba en Piura; Omate en Moquegua; y Locumba y Candavare en Tacna, todas estas se encuentran ubicadas en la región sierra, siendo únicamente el municipio de Virú en La Libertad el que cuenta con acceso al mar. Finalmente, cabe mencionar que ninguna municipalidad de este grupo es capital de departamento; y si bien son municipios más rurales que urbanos, el nivel de sus necesidades básicas insatisfechas es solo ligeramente superior al promedio nacional para municipios provinciales. 4.3.2.2. Tipología de municipalidades distritales. En los municipios distritales la metodología de conglomerados se aplicó a 1634 municipalidades, obteniéndose como resultado 6 grupos o categorías de municipios. 29 Tabla No. 3 Categorías de municipalidades distritales que proceden del análisis de conglomerados Población Urbanidad NBI1 Categoría 1: Semi-urbano 324 7289.4 48.1 34.7 Categoría 2: Urbano pobre 200 1461.3 68.4 64.4 Categoría 3: Urbano 188 12803.1 85.1 24.1 Categoría 4: Ciudades metropolitanas 73 133421.9 98.5 12.0 Categoría 5: Rural pobre 672 6434.5 14.4 41.2 Categoría 6: Rural pobre extremo 177 2935.1 22.3 66.8 Total 1634 27390.9 56.1 40.5 Categorías Número de observaciones Promedio Categoría 1: Semi-urbano. En este grupo de municipalidades se encuentran aquellos municipios que más se aproximan al promedio nacional de municipalidades distritales, con una urbanidad cercana al 50% y necesidades básicas insatisfechas del orden del 35%. Se encuentran en esta categoría municipalidades pertenecientes a todos los departamentos del país (con excepción de aquellos ubicados en la Provincia Constitucional del Callao), el 21% de los cuales se concentran en la región selva, precisamente en los departamentos de Loreto, San Martín y Amazonas. Además, se ubica en esta categoría el distrito de Santa María del Mar perteneciente a Lima Metropolitana, así como los distritos balnearios de Asia y Cerro Azul ubicados en la provincia de Cañete perteneciente al departamento de Lima. Categoría 2: Urbano pobre. En esta categoría se ubican municipios urbanos de elevada pobreza. El 63.5% de estos poseen una urbanidad superior al 60% y el 86.5% tienen necesidades básicas insatisfechas mayores al 50%. Corresponden además a municipalidades poco pobladas, cuyo rango de población fluctúa entre los 110 y los 12,247 habitantes. Cabe mencionar que ningún municipio de este grupo pertenece a Lima Metropolitana ni al Callao. Categoría 3: Urbano. Pertenecen a esta categoría municipalidades con una urbanidad superior al 60% y con reducidas necesidades básicas insatisfechas, todas estas menores al 43%. Dadas su elevada urbanidad y reducida pobreza, algunas de estas pueden ser consideradas como ciudades intermedias cuyo potencial de desarrollo económico se debe a las ventajas comparativas que les proporciona su cercanía al mar (el 46.8% de los municipios de esta categoría se encuentran ubicados en los departamentos litorales de Arequipa, Ica, Lambayeque, La Libertad y Piura). Así por ejemplo, en este grupo se encuentran municipios caracterizados por sus turísticas playas como Pucusana, Punta Hermosa, Punta Negra, San Bartolo y Santa Rosa en Lima Metropolitana; Chala, Atico, Yauca e Islay en Arequipa; Tambo de Mora y Paracas en Ica; Huanchaco en La Libertad; Colán, Los Organos, Máncora en Piura; o aquellas caracterizadas por sus actividades portuarias como Salaverry en La Libertad; Pimentel y Eten en Lambayeque; y Supe en Lima. Adicionalmente, se encuentran los distritos de la periferia de Lima Metropolitana como Cieneguilla y Pachacamac; así como aquellos en los cuales se ubican los valles agroindustriales de la costa norte como Laredo, Moche, Jequetepeque y Chicama en La Libertad; y Cayalti, Patapo, Pomalca, Pucalá y Casa Grande en Lambayeque. 30 Categoría 4: Ciudades metropolitanas. Agrupa a las municipalidades distritales más pobladas, mayormente urbanas y menos pobres del país. Contiene a 34 de los 42 distritos de Lima Metropolitana y a 4 de los 5 distritos de la Provincia Constitucional del Callao. En este grupo se encuentran mayormente municipalidades pertenecientes a los departamentos de Arequipa y La Libertad, las cuales representan el 20.5% del total de municipios del grupo. Cabe mencionar que ningún municipio de esta categoría pertenece a los departamentos de Amazonas, Apurimac, Cajamarca, Huancavelica, Loreto, Madre de Dios, Moquegua, Pasco, Puno, Tumbes y Ucayali, que son justamente en los cuales se ubican los municipios más deprimidos y mas rurales del país. Categoría 5: Rural pobre. En esta categoría se encuentran la mayoría de las municipalidades distritales del país (41%) quienes comparten la característica de ser las menos urbanas del país (el 75% de las municipalidades del grupo, posee una ruralidad por encima del 80%), así como un nivel de pobreza no extrema que muestra necesidades básicas insatisfechas promedio del orden del 41%. Cabe mencionar que en este grupo se encuentran municipalidades pertenecientes a todos los departamentos del país (con excepción de aquellos ubicados en la Provincia Constitucional del Callao), concentrándose la mayor parte de los mismos (47%) en los departamentos de Cuzco, Huánuco, Ancash, Puno y Cajamarca. Categoría 6: Rural pobre extremo. Esta categoría agrupa a los municipios, en promedio, más deprimidos y pobres del país, los cuales carecen de servicios públicos básicos como agua, desagüe y alumbrado eléctrico, y cuya población mayormente habita en viviendas hacinadas/ improvisadas. A pesar de ser el grupo de municipalidades más pobres del país, no resultan ser las más rurales, pero si se encuentran mayormente ubicadas en la región sierra, perteneciendo el 71% de estos a los departamentos de Ancash, Apurimac, Ayacucho, Cuzco y Huancavelica. Cabe mencionar que ninguna municipalidad de este grupo pertenece a Lima Metropolitana y el Callao. Así, una vez agrupadas las municipalidades del país en grupos cuyas unidades de gestión poseen características homogéneas, ya contamos con los insumos necesarios para realizar un análisis de eficiencia municipal segmentado a través de las 10 categorías de municipalidades descritas anteriormente, y a partir de las metodologías establecidas en la tercera sección, las cuales involucran la estimación de fronteras de posibilidades de producción. Cabe notar que ambas metodologías, la de conglomerados y aquellas para la estimación de fronteras de producción son complementarias, por lo que deben implementarse de manera conjunta. 5. ANÁLISIS DE LA EFICIENCIA DEL GASTO MUNICIPAL. En esta sección se analizará la eficiencia municipal a partir de las 5 metodologías para la estimación de fronteras de producción, a través de las 10 categorías de municipalidades propuestas anteriormente. Tal como se vio en la tercera sección, el análisis de eficiencia es posible desarrollarse en términos de inputs y de outputs20. Sin embargo, dado que el empleo de ambas orientaciones no siempre es del todo relevante, será oportuno optar solo por una de ellas, según el tipo de unidad de gestión que se esté evaluando, el contexto particular, así como del entorno característico de las unidades de gestión bajo análisis (Worthington y Dollery, 20 La primera analiza cuantos recursos pueden reducirse para obtener el mismo nivel de producción y la segunda, cuanto es el nivel de producción que puede incrementarse con los recursos disponibles. 31 2000b). Así, si los outputs responden mayormente a la demanda de los ciudadanos locales (lo cual implica que estos son exógenos) y además, las autoridades municipales tienen un control importante sobre los input, es decir sobre el gasto, parece ser más apropiado un análisis de eficiencia en términos de inputs (De Borger y Kerstens, 1996b). En tal sentido, dado que en el Perú: (i) las municipalidades son totalmente autónomas en la ejecución de su gasto, (ii) sus objetivos responden principalmente a las funciones de demanda de sus vecinos21 y (iii) dado que en la actual coyuntura, parece ser más relevante analizar cuanto de los recursos disponibles es posible ahorrar con la finalidad de alcanzar los objetivos establecidos, en el presente estudio se adoptará una orientación input-eficiente, la cual admite la siguiente interpretación: “cuanto es la cantidad de input (recursos, gastos) que es posible reducir con la finalidad de mantener el mismo nivel de output (indicadores objetivos)”. La adopción de esta orientación permitirá detectar las limitaciones de las autoridades locales para reducir los costos de la provisión de los servicios que proveen a la población, ya sea como consecuencia de la discrecionalidad en la ejecución de los recursos, o por las fallas del monitoreo de los gastos. 5.1. Variables output y el Indicador de Desempeño Municipal (IDEM). 5.1.1. Variables output. Las variables output son variables objetivo o resultado que se obtienen de la ejecución del presupuesto municipal. Se definen así como variables de desempeño empleadas para aproximar cuantitativamente la provisión de servicios públicos municipales. Las variables output tienen las siguientes características: (i) Están expresadas en términos anuales. (ii) Han sido construidas a partir del Registro Nacional de Municipalidades 2004 (RENAMU 2004), la cual considera información sobre la gestión local para el año 2003. (iii) Son compatibles con 6 de las 10 funciones de ejecución presupuestal municipal oficial22; las cuales representan, en promedio, para las municipalidades provinciales y distritales, el 94% y 88% de la ejecución del gasto anual, respectivamente. (iv) Estas 6 funciones de ejecución municipal son: (1) Administración y planeamiento, (2) Asistencia y previsión social, (3) Educación y cultura, (4) Industria, comercio y servicios, (5) Salud y saneamiento, y (6) Transporte 23. (v) Han sido construidas considerando los criterios para la elaboración de indicadores de gestión de la Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales24. (vi) Han sido elaborados acorde a las competencias municipales exclusivas25. 21 Por ejemplo, la cobertura de los servicios de baja policía, así como de los programas de asistencia social alimentaria, control y prevención de la salud implementados, son claramente una función de la demanda de los pobladores locales. 22 Definidas por la Dirección Nacional de Presupuesto Público (DNPP) del MEF. 23 Las otras 4 funciones de ejecución presupuestal municipal no consideradas son (1) Agraria, (2) Energía y recursos minerales, (3) Pesca y (4) Vivienda y desarrollo urbano. 24 La cual establece en su Artículo 9° que los indicadores de gestión deben incluir criterios de desempeño en la provisión de los servicios locales, vinculados a la cobertura y la calidad de los servicios, así como de desempeño interno, relacionados con los procesos administrativos internos. También criterios fiscales, de competitividad y desarrollo económico, de participación ciudadana, de acceso a la información y transparencia en la gestión; entre otros. 32 Las variables output que se emplearán en el análisis de eficiencia son las siguientes: Tabla No. 4 Variables output utilizadas en el análisis de eficiencia municipal Número de acciones realizadas. Se consideraron las siguientes: (i) Promoción y publicidad; (ii) mejoramiento de la infraestructura de acceso; (iii) construcción de nuevos atractivos turísticos; (iv) mantenimiento de los atractivos turísticos; (v) normas de promoción al turismo; (vi) realización de eventos y ferias; (vii) convenios institucionales; (viii) otros Se consideraron 4 rangos de cobertura del servicio de recojo de basura realizada por la municipalidad: (i) menor al 25%, (ii) entre 25% y 49%; (iii) entre 50% y 74%; y (iv) entre 75% y 100% Cobertura del servicio de recojo de basura Operativos de control Número de locales dividido entre el número de habitantes. Se consideraron locales propios del municipio, según: (i) Locales con servicios de rayos x/ecografía, (ii) laboratorio, (iii) servicio odontológico, (iv) otros Número de locales dividido entre el número de habitantes. Se consideraron locales de administración municipal en funcionamiento según: (i) hospitales y clínicas, (ii) centros de salud, (iii) puestos de salud, (iv) consultorios médico, (v) casas de reposo/asilos, (vi) boticas, (vii) botiquines, (viii) otros Número de operativos realizados. Se consideraron los siguientes: (i) Aseo, higiene y salubridad; (ii) carné de sanidad; (iii) servicios higiénicos públicos; (iv) fumigación; (v) anuncios; (vi) pesas y medidas; (vii) alimentos; (viii) comercio ambulatorio; (ix) transporte urbano; (x) vigencia de licencias de construcción; (xi) vigencia de licencia de funcionamiento; (xii) emisión de humos, gases tóxicos y ruidos; (xiii) otros Locales de atención de salud per cápita Locales para el apoyo al diagnóstico de la salud per cápita Observaciones Y 13 Y 14 Y 9 Y 10 Y 11 Y 7 Output Indicador Z 3 Z 1 Y 17 Y 15 Z 2 Z 4 Z 5 Y 12 Y 5 Y 6 Y 8 Número de instrumentos de gestión y desarrollo urbano y/o rural. Se consideraron: (i) plan de desarrollo municipal concertado; (ii) plan estratégico y de desarrollo económico local; (iii) plan de desarrollo social; (iv) plan de acondicionamiento territorial; (v) plan de desarrollo urbano o plan director; (vi) esquema de zonificación de áreas urbanas; (vii) plan de desarrollo rural; (viii) plan vial; (ix) plan de gestión ambiental; (x) plan de desarrollo asentamientos humanos; (xi) plan de desarrollo institucional; (xii) programas de inversiones; (xiii) presupuesto participativo; (xiv) plan operativo; (xv) otros Número de licencias de construcción dividido entre el número de habitantes. Se consideraron las licencias para obras de construcción según: (i) viviendas multifamiliar; (ii) viviendas bifamiliar; (iii) viviendas unifamiliar; (iv) comercio; (v) industria; (vi) oficinas; (vii) institucional; (viii) educación; (ix) salud; (x) otras Número de licencias de funcionamiento dividido entre el número de habitantes. Se consideraron licencias para funcionamiento según: (i) comercial, (ii) servicios, (iii) artesanía y manufactura industriales, (iv) construcción, (v) actividades profesionales, (vi) otros Número de beneficiarios. Se consideraron los siguientes programas: (i) Desayuno escolar; (ii) uniformes, buzos y calzado; (iii) capacitación laboral juvenil; (iv) alfabetización; (v) otros Número de población beneficiada dividido entre el número de habitantes. Se consideraron beneficiarios sólo de los locales de administración municipal para la protección del niño, adolescente y adulto mayor según los siguientes establecimientos: (i) Casa Hogar; (ii) asilos y albergues; (iii) centro de cuidado diurno; (iv) centro de cuidado comunal; (v) casa de estancia; (vi) DEMUNA; y (vii) otros Número de efectivos de serenazgo del municipio dividido por el número de habitantes Número de raciones distribuidas del Programa del Vaso de Leche considerando la población objetivo de las dos prioridades definidas en la normativa vigente (niños de 0-13 años, madres gestantes y lactantes, personas con TBC y ancianos) Función de gestión municipal 5. SALUD Y SANEAMIENTO 3. EDUCACIÓN Y CULTURA 6. TRANSPORTE 1. ADMINISTRACION Y PLANEAMIENTO 2. ASISTENCIA Y PREVISION SOCIAL 4. INDUSTRIA, COMERCIO Y SERVICIOS Número de acciones realizadas. Se consideraron las siguientes: (i) Promoción y publicidad; (ii) realización de ferias y concursos; (iii) convenios con ONG y/o empresas privadas; (iv) capacitación para mejorar la producción y venta; (v) otras acciones Número de acciones realizadas. Se consideraron las siguientes: (i) Promoción y publicidad; (ii) realización de ferias; (iii) apoyo a la comercialización de productos; (iv) promover el consumo de productos de la localidad; (v) otros Cantidad de basura recolectada Metros cuadrados de pistas y veredas reparadas o construidas Promedio anual de basura recolectada expresada en kilogramos Y 16 Z 6 Metros cuadrados de caminos rurales reparados o construidosReparación y construcción de caminos rurales Reparación y construcción de pistas y veredas Beneficiarios en programas de apoyo a la educación Acciones para incentivar a la MYPE Acciones para el fomento a la artesanía Acciones para incentivar el turismo Raciones distribuidas por el Programa del Vaso de Leche Efectivos de serenazgo per cápita Y 1 Y 2 Y 3 Y 4 Cobertura de locales municipales para asistencia social Licencias de funcionamiento en términos per cápita otorgadas Instrumentos de gestión y desarrollo urbano y/o rural Licencias de construción en términos per cápita otorgadas Fuente: RENAMU 2004. 25 La Ley No. 27972, Ley Orgánica de Municipalidades establece en el Artículo 72° el carácter exclusivo, compartido o delegable de una competencia municipal. En el presente estudio únicamente se han considerado las competencias exclusivas de estos niveles de gobierno. 33 Cabe señalar que a pesar de que se utilizó un amplio rango de indicadores output, la amplitud y diversidad de las funciones otorgadas a las municipalidades en la Ley de Bases de la Descentralización y en la Ley Orgánica de Municipalidades, así como la diversidad de las demandas de la población y las diversas orientaciones políticas de los alcaldes, pueden generar que algunas municipalidades hayan realizado actividades diferentes a las establecidas en los indicadores de la tabla 4. Esta deficiencia sin embargo queda parcialmente saldada al relativizar cada una de estos indicadores acorde al promedio del grupo de municipalidades (tal como se verá más adelante) lo cual nos permitirá obtener una noción general del nivel de los indicadores output según cada grupo correspondiente, lo cual será relevante para fines de análisis. Por otro lado, dado que la característica de los indicadores considerados puede no capturar la verdadera magnitud del indicador output, por ejemplo, tratándose de una posta de salud con un ambiente o un hospital con cien camas, el indicador Y12 (véase la tabla 4) registrará ambos como iguales: 1 “local de atención de salud”; lo cual si bien podría sesgar el análisis, eso no es realmente así desde que en el análisis de eficiencia municipal, se contrastará cuanto es el gasto ejecutado para cada output obtenido, y si es de esperar que el municipio que tiene la posta de salud con un ambiente sea eficiente, entonces asignará un menor gasto que aquel municipio que tiene el hospital con cien camas. De otro lado, los indicadores establecidos en la tabla 4, poco o nada pueden decirnos sobre la calidad del servicio municipal provisto, lo cual en un análisis de eficiencia relativa podría ser mucho más relevante. Se resalta así la importancia de mejorar la información de los indicadores resultado (output) con la finalidad de mejorar las investigaciones futuras vinculadas al análisis de la eficiencia municipal. Como puede apreciarse en la tabla anterior, cada una de las 6 funciones de ejecución municipal está representada por indicadores output, precisamente por los indicadores Zj- output, los cuales son conformados a su vez por otros subindicadores, denominados Yk-output, que en número ascienden a 17. A continuación se presentan los valores promedio de los indicadores Yk-output, según la función de gestión municipal y las categorías de municipalidades provinciales y distritales definidas, los cuales han sido normalizados previa transformación en términos per cápita o en porcentajes, según corresponda. 34 Tabla No. 5 Valores promedio de los indicadores Yk-output, según categorías de municipalidades26 Categoría 1 (55) Categoría 2 (33) Categoría 3 (32) Categoría 4 (65) Categoría 1 (295) Categoría 2 (178) Categoría 3 (181) Categoría 4 (73) Categoría 5 (608) Categoría 6 (166) Mean Std. Dev. Min Max 0.034 0.354 0.076 0.126 0.050 0.050 0.060 0.041 0.185 0.220 0.212 0.315 0.028 0.0120.173 0.214 0.034 0.0280.006 0.055 0.060 0.1040.247 0.019 0.039 0.021 0.366 0.016 0.002 0.0020.262 0.017 0.014 0.214 0.027 0.289 0.006 0.006 0.016 0.004 0.034 0.034 0.069 0.130 0.444 0.856 0.151 0.0360.283 0.332 0.071 0.0710.088 0.110 0.031 0.3130.347 0.125 0.183 0.043 0.680 0.082 0.018 0.0180.299 0.086 0.117 0.354 0.028 0.372 0.035 0.079 0.032 0.012 0.033 0.022 0.141 0.154 0.223 0.351 0.028 0.0060.151 0.259 0.012 0.020 0.006 0.004 0.267 0.015 0.111 0.017 0.000 0.067 0.020 0.087 0.066 0.266 0.478 0.0280.107 0.168 0.231 0.039 Distritales 0.263 0.025 0.067 0.022 0.004 0.031 0.027 Categorías / número de municipalidades Provinciales ASISTENCIA Y PREVISION SOCIAL (Z 2) Efectivos de serenazgo per cápita (Y 5) Raciones distribuidas por el Programa del Vaso de Leche (Y 6) Beneficiarios en programas de apoyo a la educación (Y 7) Instrumentos de gestión y desarrollo urbano y/o rural (Y 1) Licencias de construción en términos per cápita otorgadas (Y 2) Reparación y construcció n de pistas y veredas (Y 16) TRANSPORTE (Z 6) ADMINISTRACION Y PLANEAMIENTO (Z 1) Reparación y construcción de caminos rurales (Y 17) Locales de atención de salud per cápita (Y 12) EDUCACIÓN Y CULTURA (Z 3) INDUSTRIA, COMERCIO Y SERVICIOS (Z 4) Operativos de control (Y 13) SALUD Y SANEAMIENTO (Z 5) Cobertura del servicio de recojo de basura (Y 14) Cantidad de basura basura recolectada (Y 15) Acciones para incentivar a la MYPE (Y 8 ) Acciones para el fomento a la artesanía (Y 9) Acciones para incentivar el turismo (Y 10) Locales para el apoyo al diagnóstico de la salud per cápita (Y 11) Licencias de funcionamiento en términos per cápita otorgadas (Y 3) Cobertura de locales municipales para asistencia social (Y 4) 0.088 0.028 0.241 0.0290.306 0.072 0.093 0.353 0.608 0.093 0.075 0.087 0.046 0.056 0.028 0.023 0.096 0.069 0.0260.074 0.070 0.048 0.079 0.119 0.212 0.023 0.247 0.006 0.006 0.016 0.000 0.031 0.020 0.069 0.130 0.016 0.002 0.0020.214 0.012 0.014 0.212 0.315 0.500 0.239 0.278 0.170 0.173 0.110 0.079 0.313 0.188 0.0790.342 0.449 0.165 0.251 0.524 0.879 0.084 0.332 0.482 0.500 0.442 0.102 0.140 0.049 0.076 0.059 0.031 0.182 0.264 0.325 0.080 0.062 0.467 0.741 0.132 0.032 0.034 0.239 0.139 0.170 0.173 0.041 0.078 0.273 0.299 0.367 0.165 0.251 0.524 0.879 0.182 0.079 0.038 0.278 0.066 0.062 0.070 0.079 0.302 0.240 0.321 0.096 0.094 0.361 0.672 0.043 0.062 0.084 0.053 0.113 0.061 0.070 0.099 0.030 0.269 0.342 0.449 0.120 0.205 0.0210.467 0.738 0.188 0.022 26 El número de municipalidades pertenecientes a cada una de las 10 categorías municipales, a excepción de las categorías 2 y 4 de municipalidades provinciales y distritales, respectivamente, difiere de aquel establecido en el análisis de cluster. La razón de ello radica en el hecho que la tipología municipal se realizó considerando la totalidad de municipalidades del país, mientras que los indicadores output se construyeron considerando sólo las municipalidades que remitieron información para el RENAMU 2004. Aunque existen diferencias, esta no es significativa. 35 Como se desprende de la tabla 5, los indicadores Yk-output sugieren la existencia de grandes diferencias en la provisión de servicios municipales, las cuales se evidencian tanto a través de las 6 funciones de gestión municipal, como de las categorías de municipalidades definidas. Destaca el caso de las municipalidades provinciales pertenecientes a la categoría 2 (en la que se ubican el 76% de las municipalidades provinciales capitales de departamento del país) en la función -salud y saneamiento- las cuales obtuvieron 4 valores máximos de los 5 indicadores que conforman dicha función. Cabe mencionar los casos de las municipalidades de Santa-Chimbote (Ancash), El Callao (Callao) y Maynas-Iquitos (Loreto); así como de los de Cusco (Cusco), Lima (Lima) e Ilo (Moquegua) quienes obtuvieron, respectivamente, los mayores valores en los indicadores locales de atención de salud per cápita; y cobertura del servicio de recojo de basura. Como era de esperarse, los mayores valores de los indicadores cobertura de locales municipales para asistencia social, y efectivos de serenazgo per cápita, correspondientes a la función -asistencia y previsión social- recayeron en las municipalidades más urbanas y menos pobres del país, precisamente (y nuevamente) en la categoría 2 de municipalidades provinciales. Destacan las municipalidades de Tarapoto (San Martín) y Mariscal Nieto (Moquegua); así como las de Pasco (Pasco), Huacho (Lima) y Lima (Lima), quienes obtuvieron los mayores valores en los indicadores mencionados. En la función -administración y planeamiento- destaca la provisión de las municipalidades provinciales pertenecientes a la categoría 3, catalogadas como “rurales y pobres”. En promedio este grupo de municipalidades obtuvo los mayores valores para los indicadores instrumentos de gestión y desarrollo urbano y/o rural, y licencias de funcionamiento en términos per cápita otorgadas, destacando los valores de las municipalidades de Pomabamba (Ancash) y Purus (Ucayali) en el primer indicador; y los de Huacaybamba (Huanuco) y Grau- Chuquibambilla (Apurimac) en el segundo. También son los municipios ubicados en la categoría 3 de municipalidades provinciales, los que obtuvieron los mayores valores para el indicador beneficiarios en programas de apoyo a la educación, perteneciente a la función - educación y cultura- destacando nuevamente la municipalidad de Grau-Chuquibambilla (Apurimac), así como la de Manu (Madre de Dios) y Daniel Carrión-Yanahuanca (Pasco). Es interesante notar que 2 de los 3 indicadores correspondientes a la función -industria, comercio y servicios- tienen sus máximos valores en las municipalidades provinciales pertenecientes a la categoría 4, catalogadas como “semi-rural”. Destacan las municipalidades de Aymaraes-Chalhuanca (Apurimac), Chota (Cajamarca) y Atalaya-Raymondi (Ucayali) en el desarrollo de acciones para el fomento a la artesanía; y las de Tayacaja-Pampas (Huancavelica) y Chincheros (Apurimac) en el desarrollo de acciones para incentivar el turismo. Respecto a los indicadores reparación y construcción de pistas y veredas; y reparación y construcción de caminos rurales, ambos pertenecientes a la función -transporte- los valores máximos recayeron en las categorías de municipalidades provinciales 2 y 3, respectivamente. Finalmente, cabe mencionar que las municipalidades de Lima Metropolitana, pertenecientes a la categoría 4 de municipalidades distritales, mostraron una provisión de servicios reducida en comparación al resto de categorías de municipios distritales. Estas municipalidades sólo destacaron en las raciones distribuidas por el Programa del Vaso de Leche, (Comas, San Juan de Lurigancho y San Martín de Porres) y en el desarrollo de acciones para incentivar a la MYPE (Comas, San Juan de Lurigancho y Ate Vitarte). 36 5.1.2. Indicador de Desempeño Municipal (IDEM). Habitualmente en los estudios de eficiencia de las unidades de gestión a todo nivel de gobierno, se han construido indicadores de desempeño globales a partir de un conjunto de subindicadores menores. Sin embargo, para el caso de las unidades de gestión local, la literatura para la construcción de indicadores de desempeño municipal a partir de un conjunto de indicadores output es escasa. Hasta donde tenemos conocimiento solo existen dos estudios que han construido un indicador genérico de desempeño municipal a partir de diversos indicadores output, Afonso y Fernandes (2003, 2005), ambos para el caso de municipalidades portuguesas, en los cuales se agruparon 14 y 8 subindicadores output, respectivamente. Una de las razones de que no se hayan elaborado indicadores de desempeño integrales radica en el hecho que la mayor parte de los estudios de eficiencia municipal han utilizado pocos indicadores output, lo cual ha hecho que se prescinda de un indicador global que los sintetice. Otra de las razones podría constituir el hecho de que algunos de estos estudios han analizado sólo un ámbito de gestión local particular, lo cual generalmente está asociado al empleo de unos pocos indicadores output. Así, por ejemplo, se encuentran los estudios de eficiencia municipal de De Borger y Kerstens (1996a) quienes emplean 5 indicadores output; Vanden Eeckaut, et. al. (1993) quienes utilizan 6 indicadores output; y Athanassopoulos y Triantis (1998) quienes emplean 5 indicadores output, o los estudios de Worthington y Dollery (2000a) y de Prieto y Zofio (2001) los cuales analizan una sola competencia de gestión local, empleando en sus correspondientes estudios pocos indicadores output27. Dado que los 6 indicadores Zj-output se componen de 17 subindicadores Yk-output, estos últimos serán sintetizados en uno sólo, el Indicador de Desempeño Municipal (IDEM), construido a partir de todos los Zj-output y Yk-output (establecidos en la tabla 4), con la finalidad de facilitar el análisis de los resultados de eficiencia que se obtengan, sintetiza las conclusiones y las recomendaciones de políticas correspondientes, así como obtener una noción global de la provisión de los servicios públicos locales por parte de las municipalidades del país28. Siguiendo a De Borger y Kerstens (1996b) y a Afonso, Schuknecht, y Tanzi (2003), se seguirán los siguientes pasos en la construcción del Indicador de Desempeño Municipal (IDEM): (i) Todos los indicadores Yk-output pertenecientes a cada función de gestión municipal, fueron normalizados29. (ii) Luego, se calculó el indicador output de cada función municipal, Zj-output, dándole un mismo peso a cada indicador Yk-output 30. 27 Los primeros analizan la eficiencia en la administración de los servicios de sanidad empleando para ello 3 outputs; mientras los segundos analizan la eficiencia en la provisión de infraestructura y equipamiento público, utilizando 6 indicadores outputs. 28 La necesidad de contar con un único indicador de desempeño integral municipal es prioritario desde que se emplearán en el presente estudio de eficiencia municipal, 5 metodologías para la estimación de fronteras de producción, lo cual complica aún más el análisis a desarrollar, así como la interpretación de los resultados. 29 Cabe mencionar que previo a la normalización deben de construirse las variables en porcentajes o en términos per cápita, según corresponda. Los indicadores Yk-output en la tabla 5 ya presentan los indicadores normalizados. 30 El hecho de otorgar pesos iguales a los diversos indicadores Yk-output puede ser cuestionable. Una forma más adecuada sería por ejemplo asignar pesos diferenciados que correspondan a la ejecución presupuestal de dicha función municipal. Lamentablemente, la información estadística disponible en la 37 (iii) Finalmente, se construyó el IDEM otorgándole ponderadores diferentes a cada uno de los indicadores Zj-output, según la participación promedio de la ejecución del gasto local para el año 2003 correspondiente a cada categoría municipal31. En la siguiente tabla se presentan los componentes y los ponderadores de los indicadores Zj-output e Yk-output empleados en la construcción del IDEM. actualidad no permite realizar la compatibilidad entre los subindicadores output establecidos y sus correspondientes contrapartidas de gasto, lo cual impide el desarrollo de un análisis de eficiencia más preciso. 31 Este tercer paso no está establecido en la literatura referida. Por lo que constituye una propuesta para la construcción de indicadores de eficiencia globales a partir de una serie de indicadores output, al asignar ponderadores no discrecionales que aproximen el gasto de las diversas funciones de gestión municipal. 38 Tabla No. 6 Componentes y ponderadores del Indicador de Desempeño Municipal (IDEM) *-/ Pkj es el ponderador de los indicadores Yk-output, donde k=17 y j=6 **-/ Pcj es el ponderadores de los indicadores Zj-output, donde c=10 y j=6 Zj-Output Z 1 Z 2 Z 3 Z 4 Z 5 Z 6 1/5 1/2 1/2 1/5 1/5 1/5 1/5 1 1/3 1/3 1/3 Yk-Output Ponderadores Indicador Yk- output (Pkj)* 1/3 1/3 Y 1 Y 2 0.199 0.162 Y 3 Y 4 0.526 0.492 1/3 1/3 1/3 1/3 Ponderadores Indicador Zj-output (Pcj)** Municipalidades distritales Categoría 1 Categoría 2 Categoría 3 Categoría 4 Categoría 1 Categoría 2 Categoría 4 0.115 Categoría 3 0.511 0.464 0.493 0.188 0.150 0.154 0.503 0.104 0.222 0.226 0.187 Función de gestión municipal Categoría 5 Categoría 6 0.433 0.446 0.485 Municipalidades provinciales 5. SALUD Y SANEAMIENTO 3. EDUCACIÓN Y CULTURA 6. TRANSPORTE 1. ADMINISTRACION Y PLANEAMIENTO 2. ASISTENCIA Y PREVISION SOCIAL 4. INDUSTRIA, COMERCIO Y SERVICIOS 0.033 0.042 0.470 0.158 Y 17 Y 13 Y 14 Y 15 Y 16 Y 5 Y 6 Y 7 Y 8 Y 9 Y 10 Y 11 Y 12 0.018 0.095 0.071 0.083 0.113 0.053 0.023 0.120 0.045 0.015 0.023 0.010 0.055 0.014 0.021 0.010 0.011 0.143 0.006 0.114 0.164 0.066 0.087 0.084 0.105 0.146 0.225 0.144 0.065 0.182 0.143 0.134 0.154 0.124 0.155 0.133 0.088 La lectura de la tabla 6 indica que el ponderador del output Z1 correspondiente a la función administración y planeamiento, asciende en promedio a 0.49 y 0.47 para las municipalidades provinciales y distritales, respectivamente, cifra por demás interesante dado que brinda información sobre la estructura del gasto municipal funcional32: de cada sol que se gasta en las municipalidades provinciales y distritales, S/. 0.49 y S/. 0.47, respectivamente, se destinan a la administración y el planeamiento del municipio, es decir aproximadamente el 50% del presupuesto municipal se destina a gastos de administración. El resto de los ponderadores de los Zj-output tienen la misma lectura. Al respecto, sorprende que las municipalidades provinciales y distritales únicamente destinen respectivamente, a la función industria, comercio y servicios, S/. 0.02 y S/. 0.01 por cada sol que gastan, cuando debiera ser una de las principales fuentes de gasto local dinamizador de la economía local. Este porcentaje incluso se mantiene en la categoría 2 y 4 de los municipios provinciales y distritales, respectivamente, en las cuales se encuentran las municipalidades más urbanas y menos pobres del país33. Formalmente el IDEM puede expresarse como la suma de ponderada de los indicadores Zj- output, cuyos ponderadores son la participación promedio del gasto funcional correspondiente a cada categoría municipal. Sean, i el número de municipalidades y j el número de funciones de gestión municipal, para el municipio i se define el iIDEM de la siguiente manera: ( )∑ = = n j ijcji ZPIDEM 1 , con ∑= kjkjij YPZ 32 Dado que, como se mencionó, este ponderador procede de la participación de la ejecución de dicha función en el total del gasto municipal. 33 Por otro lado, tal y como se indicó, a los indicadores Yk-output se les asignó el mismo peso, según sea el caso. 39 Donde: i : es el número de municipalidades. j : es el número de funciones de gestión municipal. cjP : son los ponderadores de los indicadores Zj-output (correspondientes a las 6 funciones de gestión municipal) según las 10 categorías de municipalidades definidas en la cuarta sección. ijZ : son los output correspondientes a cada municipalidad según las 6 funciones de gestión municipal. kjP : son los ponderadores de los indicadores Yk-output, correspondientes a cada una de las 6 funciones de gestión municipal. kjY : son los indicadores Yk-output correspondientes a cada una de las 6 funciones de gestión municipal. A continuación se presentan los valores promedio de los indicadores Zj-output y del IDEM para cada una de las 10 categorías de municipalidades definidas34: Tabla No. 7 Valores promedio de los indicadores Zj-output e Indicador de Desempeño Municipal (IDEM), según categorías de municipalidades Categoría 1: Ciudades intermedias 55 Categoría 2: Metrópolis 33 Categoría 3: Rural 32 Categoría 4: Semi-rural 65 Categoría 1: Semi-urbano 295 Categoría 2: Urbano pobre 178 Categoría 3: Urbano 181 Categoría 4: Ciudades metropolitanas 73 Categoría 5: Rural pobre 608 Categoría 6: Rural pobre extremo 166 Mean Std. Dev. Min Max Número de municipios 0.062 0.101 0.027 0.164 0.123 0.023 0.074 0.100 0.018 0.154 0.126 0.130 0.218 0.080 0.309 0.319 0.031 0.191 0.162 0.026 0.005 0.083 0.017 0.085 0.019 0.169 0.175 0.131 0.028 0.166 0.127 0.022 0.254 0.202 0.158 INDICADOR DE DESEMPEÑO MUNICIPAL (IDEM) 0.225 0.287 0.306 0.061 0.257 0.296 0.033 0.165 0.128 SALUD Y SANEAMIENTO (Z 5) TRANSPORTE (Z 6) ADMINISTRACION Y PLANEAMIENTO (Z 1) ASISTENCIA Y PREVISION SOCIAL (Z 2) EDUCACIÓN Y CULTURA (Z 3) INDUSTRIA, COMERCIO Y SERVICIOS (Z 4) 0.185 0.237 0.243 0.028 0.140 0.0020.034 0.077 0.053 0.036 0.018 0.041 0.306 0.128 0.353 0.075 0.100 0.100 0.123 0.400 0.060 0.023 0.020 0.079 0.075 0.154 0.022 0.064 0.002 0.073 0.062 0.254 0.031 0.0180.022 0.020 0.198 0.264 Distritales 0.027 Categorías de municipalidades Provinciales 0.202 0.031 0.078 0.030 0.118 0.344 0.400 0.059 0.066 0.079 0.253 0.313 0.288 0.353 0.073 34 Véase en los anexos 4-A y 4-B, el IDEM para cada una de las municipalidades, según las 10 categorías de municipios propuestas. 40 Dado que los indicadores Yk-output conforman los indicadores Zj-output, los valores más elevados de estos últimos corresponden justamente a aquellas categorías de municipalidades que obtuvieron los mayores valores de los indicadores Yk-output. Por otro lado, de la lectura de la tabla 7 se desprende que en 2 de las 6 funciones de gestión municipal, la categoría 2 de municipalidades provinciales (metrópolis) obtuvo los indicadores Zj-output más elevados. Precisamente en la función asistencia y previsión social, en la cual destacaron las municipalidades de El Callao (Callao), Pasco-Chapimarca (Pasco) y Tarapoto (San Martín); y en la función de salud y saneamiento, en la cual destacó nuevamente El Callao (Callao); así como Maynas-Iquitos (Loreto) y Chepen (La Libertad). La categoría 3 de municipalidades provinciales (rural-pobre) obtuvo los valores más elevados en 3 de las 6 funciones de gestión local. Destacan en este grupo las municipalidades de Grau-Chuquibambilla (Apurimac) y Mariscal Luzuriaga-Piscobamba (Ancash) en la función de administración y planeamiento; nuevamente la municipalidad de Grau- Chuquibambilla (Apurimac) y Manu (Madre de Dios) en la función de educación y cultura; y las municipalidades de Oxapampa (Pasco) y Ayabaca (Piura) en la función transporte. En cuanto al IDEM, a nivel nacional el valor promedio más elevado recae en la categoría de municipios que agrupa a las principales municipalidades provinciales capitales de departamento del país (categoría 2). Destacan las municipalidades de Huancayo-Junín (0.48), Tarapoto-San Martín (0.48), Tacna (0.47), Ilo-Moquegua (0.45) y Lima (0.35). Finalmente, a nivel de municipalidades distritales, el IDEM resultó ser más elevado en la categoría 4 (ciudades metropolitanas) en la cual se ubican las municipalidades distritales de Lima Metropolitana. Destacan los municipios de Yanahuara-Arequipa (0.35), Morales-San Martín (0.33); y San Isidro (0.33), Jesús María (0.31) y Comas (0.30), ubicados en Lima. Cabe mencionar que 6 de los 10 municipios con mayores valores del IDEM, correspondientes a la categoría 4 de municipalidades distritales, se encuentran en la jurisdicción de Lima Metropolitana. Como era de esperarse, las metrópolis tanto a nivel provincial como distrital tienen indicadores de desempeño municipal mayores, pero sorprendentemente los municipios provinciales rurales pobres (categoría 3) tienen indicadores de desempeño mayores que las ciudades intermedias, hecho que no se repite a nivel de municipios distritales. 5.2. Variables input. Las variables input para el análisis de eficiencia, corresponden a los niveles de gasto municipal per cápita por entidad para el año 2003, cuya información fue obtenida de la Dirección Nacional de Contabilidad del MEF. Con la finalidad de mantener la compatibilidad con los indicadores Zj-output propuestos, los indicadores input, provendrán de las 6 funciones de gasto municipal analizadas anteriormente: (1) Administración y planeamiento, (2) Asistencia y previsión social, (3) Educación y cultura, (4) Industria, comercio y servicios, (5) Salud y saneamiento, y (6) Transporte35. 35 Las cuales son las más relevantes a nivel municipal. Véase la sección 5.1.1. al respecto. Además véase en los anexos 4-A y 4-B, las variables input para cada una de las municipalidades incluidas en el análisis. 41 Tabla No. 8 Valores promedio de los indicadores input según categorías de municipalidades Categoría 1: Ciudades intermedias 55 Categoría 2: Metrópolis 33 Categoría 3: Rural 32 Categoría 4: Semi-rural 65 Categoría 1: Semi-urbano 295 Categoría 2: Urbano pobre 178 Categoría 3: Urbano 181 Categoría 4: Ciudades metropolitanas 73 Categoría 5: Rural pobre 608 Categoría 6: Rural pobre extremo 166 Mean Std. Dev. Min Max 184.304 106.725 33.102 0.928 14.138 33.479 210.497 86.132 35.085 2.847 10.468 226.021 74.638 31.902 2.426 32.559 14.190 160.306 121.359 28.056 24.193 255.648 78.159 416.309202.066 52.718 5.669 42.612 9.949 77.560 105.649 66.743 INPUT TOTAL 34.127 39.352 46.620 9.181 1.845 6.548 10.856 64.994 9.939 SALUD Y SANEAMIENTO TRANSPORTE ADMINISTRACION Y PLANEAMIENTO ASISTENCIA Y PREVISION SOCIAL EDUCACIÓN Y CULTURA INDUSTRIA, COMERCIO Y SERVICIOS 88.363 2.628 19.979 23.652 176.803 27.03422.738 9.985 28.188 14.306 9.181 13.994 202.066 52.718 5.669 54.351 34.127 14.227 4.085 42.612 22.124 11.306 1.700 35.085 1.553 0.928 21.060 109.032 7.711 78.159 64.994 416.309 136.025 4.591 21.92919.211 35.085 2.952 32.514 38.000 1.851 35.775 7.711 Distritales 19.804 Categorías de municipalidades Provinciales 36.584 2.438 1.700 4.523 Número de municipios 4.085 12.644 9.017 33.915 7.724 8.445 4.908 1.234 1.616 Los valores más elevados de los indicadores input en las 6 funciones de gasto municipal e inclusive en el -input total- corresponde a la categoría 2 de municipalidades distritales, catalogada como “urbano pobre”, lo cual indica que en este grupo de municipios se ejecuta el mayor gasto por habitante del país. Cabe mencionar que entre las 10 municipalidades con mayor gasto por habitante perteneciente a éste grupo, 5 corresponden al departamento de Lima. 5.3. Análisis de eficiencia municipal. A continuación se presentan los resultados del análisis de eficiencia realizado, para el caso de un input, el gasto municipal per cápita (input total), y un output, el IDEM, según las 4 y 6 categorías de municipalidades provinciales y distritales, respectivamente; empleando para ello las 5 metodologías de estimación propuestas en la tercera sección. 5.3.1. Consideraciones metodológicas previas. (i) Las estimaciones de las fronteras de producción no paramétricas FDH se realizaron en el programa MATLAB 7.0. (ii) La metodología DEA-CRS para la construcción de fronteras de producción, asume que los rendimientos de escala son constantes, lo cual implica que las municipalidades operan a una escala óptima, es decir en ausencia de competencia imperfecta. 42 (iii) Dado que en mundo real existen fallas de mercado, las municipalidades pueden no operar a escala óptima, por lo que la estimación de la eficiencia municipal bajo rendimientos a escala constantes cuando estas no operan a una escala óptima, brindará medidas de eficiencia que puede ser confundidas con la escala de eficiencia. Por esta razón se estimaron fronteras de producción mediante la metodología DEA-VRS, la cual considera rendimientos a escala variables. (iv) Las estimaciones de las fronteras de producción mediante las aproximaciones DEA-CRS y DEA-VRS se realizaron mediante el programa DEAP 2.136. (v) Para el caso de las fronteras determinísticas se estimó una función de producción Cobb Douglas de la siguiente forma: iii uxy −+= )()ln( 10 ββ , donde iy y ix son el output (IDEM) y el input (gasto per cápita), respectivamente, y iu fue asumida a ser distribuida normal. Previo a la estimación, las variables input y output fueron expresadas en logaritmos, empleándose en la estimación de dichas fronteras el paquete LIMDEP 6.0. (vi) Para el caso de las fronteras estocásticas se estimó una función de producción Cobb Douglas, del siguiente tipo: )()()ln( 10 iiii uvxy −++= ββ , donde iy y ix son el output (IDEM) y el input (gasto per cápita), respectivamente, y iv y iu fueron asumidas a ser distribuidas normal y semi normal, respectivamente. Al igual que para el caso de las fronteras determinísticas, las variables input y output fueron expresados en logaritmos previo a la estimación37. Las fronteras de producción estocásticas fueron estimadas mediante el paquete FRONTIER 4.1. (vii) El análisis de eficiencia se realizó en 1686 municipalidades (185 provinciales y 1501 distritales), número de municipalidades que es compatible con aquellas que remitieron información de ejecución presupuestal a la Dirección Nacional de Contabilidad del MEF, e información sobre gestión en el cuestionario del RENAMU (2004) al INEI. Es importante mencionar que los resultados de eficiencia no son comparables entre las diferentes categorías de municipalidades. Es decir, no es posible comparar el puntaje de eficiencia del municipio “x” perteneciente a la categoría 1, con el puntaje de eficiencia del municipio “y” perteneciente a la categoría 4, dado que corresponden a análisis relativos diferentes basados en estándares de eficiencia distintos. Sin embargo, si es posible comparar, aunque solo de manera referencial, los puntajes de eficiencia promedio de las 10 categorías de municipalidades. Por ejemplo, un puntaje de eficiencia que es en promedio más bajo en una categoría de municipalidades que en otra, estará indicando que en promedio las municipalidades del primer grupo son menos eficientes (más ineficientes) que las del segundo grupo, o dicho de otra manera, que, en promedio, en el primer grupo es posible reducir más recursos que en el segundo, para obtener la misma provisión de bienes y servicios municipales. Por otro lado, los resultados de eficiencia que se obtengan permitirán clasificar a las municipalidades como eficientes e ineficientes, asignándosele a cada una de estas un puntaje de eficiencia. Este puntaje será equivalente a “1” si un municipio es eficiente, y será menor a 1, si es un municipio ineficiente. En este último caso, la lectura del puntaje de eficiencia para un municipio indica “el porcentaje de lo que gastan los más eficientes respecto a lo que gasta 36 Tal como se vio en la tercera sección, la construcción de las fronteras de producción mediante estas dos metodologías implica resolver un problema de programación lineal N veces, una por cada municipalidad perteneciente a la muestra, obteniéndose a partir de ello un valor θ (puntaje de eficiencia) para cada municipio. 37 Como la distribución de iu fue asumida semi normal, la metodología primeramente estima el error compuesto mediante mínimos cuadrados ordinarios y luego corrige la estimación por máxima verosimilitud. 43 un determinado municipio”, por lo que nos brinda información sobre el sobre gasto o malgasto de recursos. 5.3.2. Análisis de eficiencia en las municipalidades provinciales38. Como resultado de la estimación de las fronteras de posibilidades de producción mediante las 5 metodologías propuestas, se obtuvieron los puntajes promedio para el caso de las municipalidades provinciales. Como se mencionó anteriormente la lectura de todos los puntajes de eficiencia admite la misma interpretación: “que porcentaje de los recursos utilizados pueden reducirse para mantener la misma (actual) producción de los servicios brindados a la población”. Así por ejemplo, para el caso de las municipalidades pertenecientes a la categoría 1 (ciudades intermedias) el puntaje de eficiencia promedio fue de 0.465 (46.5%), lo cual indica que una reducción del 53.5% es posible hacerse y mantener inalterable la producción de servicios municipales. Del análisis de la tabla 9 se desprende que son las municipalidades de la categoría 2 (en la cual se encuentran la mayor parte de las municipalidades provinciales capitales de departamento del país) las más eficientes. Estas municipalidades obtuvieron los mayores puntajes de eficiencia en 4 de las 5 metodologías empleadas, siendo el puntaje total promedio de la categoría de 0.568. Destacan las gestiones de las municipalidades de Huancayo (Junín), Huacho (Lima) y Tarapoto (San Martín) con puntajes de eficiencia de (0.978), (0.914) y (0.891), respectivamente. De mayor a menor ordenación le siguen, las municipalidades pertenecientes a la categoría 3 (rural), con un puntaje de eficiencia promedio de 0.505; seguida por las municipalidades de la categoría 4 (semi-rural) y la categoría 1 (ciudades intermedias) cuyos puntajes de eficiencia ascendieron a 0.491 y 0.465; respectivamente. Del análisis de la distribución geográfica se obtuvo que el 25% de las municipalidades más eficientes (3 de las 12 establecidas en la tabla 9) se localizan en el departamento San Martín. Por el contrario, el 50% de las municipalidades menos eficientes resultaron pertenecer a los departamentos de Ancash y Puno. Cabe resaltar la gran disparidad que existe entre los municipios provinciales catalogados como los más eficientes y los menos eficientes. Así, mientras el puntaje de eficiencia máximo lo obtuvo la municipalidad de Cutervo (Cajamarca) con 0.985, el más reducido lo obtuvo la municipalidad de Recuay (Ancash) con un puntaje de 0.144, lo cual indica que este municipio puede obtener los mismos resultados en la gestión de los servicios locales con 85.6% menos recursos. Finalmente, cabe mencionar que en promedio los municipios provinciales del país podrían brindar la misma provisión de bienes y servicios locales con 49.3% menos recursos, es decir con aproximadamente solo la mitad de su presupuesto actual. 5.3.3. Análisis de eficiencia en las municipalidades distritales39. Para el caso de las municipalidades distritales la situación es más dramática. En promedio estos municipios pueden obtener los mismos resultados con aproximadamente 63.2% menos recursos, lo cual nos permite afirmar que a nivel nacional, los municipios provinciales en promedio se desempeñan mejor en la provisión de bienes y servicios locales que los municipios distritales. 38 Véase en el anexo 4-A, los resultados de eficiencia para cada una de las municipalidades provinciales incluidas en el análisis. 39 Véase en el anexo 4-B, los resultados de eficiencia para cada una de las municipalidades distritales incluidas en el análisis. 44 Merecen mención las gestiones de las municipalidades pertenecientes a la categoría 4 (en la cual se encuentran los municipios de Lima Metropolitana), las cuales obtuvieron los puntajes de eficiencia más elevados en todas las metodologías aplicadas. Destacan las gestiones de San Isidro y Miraflores ambas en Lima Metropolitana, pero sobre todo la de Morales en San Martín quien obtuvo el mayor puntaje de eficiencia en dicha categoría. Adicionalmente, cabe mencionar que dentro de las 10 primeras posiciones, 7 corresponden a municipalidades de Lima Metropolitana, entre las cuales se encuentran San Borja, Lince y Barranco. Sin embargo, paradójicamente dentro de las 10 municipalidades más ineficientes pertenecientes también a la cuarta categoría, 6 corresponden a municipalidades localizadas en Lima Metropolitana, liderando la tabla: Ancón, La Victoria y Surquillo. Además, si se consideran los municipios de la provincia constitucional del Callao se concluye que de los 10 municipios más ineficientes, 8 se ubican en Lima Metropolitana y El Callao. De esta manera, Lima Metropolitana se constituye en un claro ejemplo de buenas y malas prácticas municipales, por lo que convendría estudiarlos con mayor detalle, tal vez mediante estudios de caso. Finalmente, cabe mencionar que de los 18 municipios menos eficientes establecidos en la tabla 10 (3 por cada una de las 6 categorías), el 72% de estos pertenecen a los departamentos de Amazonas, Ancash y Lima. 45 Tabla No. 9 Resultados de eficiencia promedio según tipo de metodología y categorías de municipalidades provinciales (0.958) Rioja-San Martín (0.238) Huallaga-Saposoa-San Martín (0915) Lamas-San Martín (0.211) Tarata-Tacna (0.809) La Convención-Santa Ana-Cusco (0.178) Canchis-Sicuani-Cusco (0.978) Huancayo-Junín (0.238) Santa-Chimbote-Ancash (0.914) Huacho-Lima (0.219) Talara-Pariñas-Piura (0.891) Tarapoto-San Martín (0.219) Puno-Puno (0.939) Grau-Chuquibambilla-Apurimac (0.302) Acomayo-Cusco (0.913) Oxapampa-Pasço (0.274) Purus-Ucayali (0.753) Mariscal Luzuriaga-Piscobamba-Ancash (0.245) Moho-Puno (0.985) Cutervo-Cajamarca (0.161) Yunguyo-Puno (0.904) Chincheros-Apurimac (0.150) Corongo-Ancash (0.865) Sanchez Cerro-Omate-Moquegua (0.144) Recuay-Ancash 0.557 0.351 0.532 0.515 0.580 0.507 0.902 0.215 0.054 0.070 0.045 0.054 0.038 0.044 0.067 0.049 0.494 0.310 0.481 0.483 0.548 0.465 0.753 0.144 0.608 0.456 0.583 0.595 0.629 0.568 0.985 0.302Max Min Número de municipios FDH Puntajes de eficiencia promedio 0.310 0.481 0.487 0.553 0.465 Mean Categoría 2: Metrópolis 33 0.608 0.456 Categorías de municipalidades provinciales Promedio (según metodologías) Puntajes de eficiencia máximos (según promedio) Puntajes de eficiencia mínimos (según promedio) DEA-CRS DEA-VRS Determinística Estocástica Std. Dev. Categoría 1: Ciudades intermedias 55 0.494 0.553 0.595 0.629 0.568 Categoría 3: Rural 32 0.596 0.315 0.583 0.483 0.548 0.505 Categoría 4: Semi-rural 65 0.530 0.324 0.513 0.495 0.592 0.491 46 Tabla No. 10 Resultados de eficiencia promedio según tipo de metodología y categorías de municipalidades distritales (0.904) Perene-Junín (0.037) Asunción-Amazonas (0.872) Villa Rica-Pasco (0.025) Recta-Amazonas (0.838) Santa Ana de Tusi-Pasco (0.016) Cajacay-Ancash (0.982) San Cristóbal-Ayacucho (0.041) Cajamarquilla-Ancash (0.872) Quilcas-Junín (0.036) Tapacocha-Ancash (0.745) Cochas-Lima (0.031) San Joaquin-Lima (0.858) Orcopampa-Arequipa (0.049) Muqui-Junín (0.824) Pillco Marca-Huánuco (0.046) Manzanares-Junín (0.779) Casa Grande-La Libertad (0.041) San Carlos-Amazonas (0.985) Morales-San Martín (0.302) Surquillo-Lima (0.898) San Isidro-Lima (0.300) La Victoria-Lima (0.894) Miraflores-Lima (0.284) Ancon-Lima (0.907) Conduriri-Puno (0.022) San Francisco de Daguas-Amazonas (0.903) Alto Inambari-Puno (0.019) Santa Rosa-Amazonas (0.888) Iparia-Ucayali (0.015) Quechualla-Arequipa (0.979) Pomacanchi-Cusco (0.083) Justo Apusahuaraura-Apurimac (0.848) La Merced-Ancash (0.059) Eleazar Guzman Barrón-Ancash (0.738) Pampamarca-Cusco (0.054) Huayllo-Apurimac 0.391 0.205 0.323 0.430 0.491 0.368 0.872 0.081 0.092 0.109 0.105 0.092 0.171 0.104 0.072 0.100 0.302 0.139 0.221 0.347 0.373 0.309 0.738 0.015 0.555 0.424 0.517 0.596 0.798 0.578 0.985 0.302 0.329 0.377 0.377 0.339Categoría 6: Rural pobre extremo 166 0.441 0.171 0.337 0.347 0.373 0.322Categoría 5: Rural pobre 608 0.359 0.192 0.354 0.139 0.262 0.397 Std. Dev. Categoría 1: Semi-urbano 295 0.338 178 Mean Max Min 0.302 0.591 0.346 Categoría 2: Urbano pobre Categorías de municipalidades distritales Promedio (según metodologías) Puntajes de eficiencia máximos (según promedio) Puntajes de eficiencia mínimos (según promedio) Número de municipios FDH Puntajes de eficiencia promedio DEA-CRS DEA-VRS Determinística Estocástica 0.417 0.392 0.309 0.316 0.798 0.163 0.270 0.390 0.143 0.221 0.476 0.5780.555 0.424 Categoría 3: Urbano Categoría 4: Ciudades metropolitanas 181 73 0.517 0.596 47 5.4. Análisis de sensibilidad y correlación de resultados. En esta sección se discutirán los resultados de eficiencia obtenidos, diferenciando entre las 5 metodologías aplicadas. En un primer punto se analizará el número de municipalidades eficientes. Como se observa en la tabla 11, la metodología FDH es la que cuenta con el mayor número de municipios eficientes, los cuales considerando las 10 categorías de municipalidades, en promedio ascienden a 5 unidades (representan el 5.2% de municipalidades analizadas); es seguida por la metodología DEA-VRS con 3 unidades, que representan en promedio el 3.7% de la muestra. La metodología DEA-CRS y la determinística sólo contienen a un municipio eficiente, mientras la metodología estocástica no contiene a ningún municipio eficiente. Analizando con mayor detalle la tabla 11, es posible afirmar que según las metodologías FDH y DEA-VRS, son las categorías 1 (semi-urbano) y 5 (rural pobre) de municipios distritales, las que concentran a la mayor cantidad de municipios eficientes. Por otro lado, la distribución de las municipalidades eficientes a lo largo de las otras 8 categorías de municipalidades restantes resultó ser relativamente uniforme. Un segundo punto en cuestión, pasa por analizar los niveles de los puntajes de eficiencia promedio y sus correspondientes correlaciones. Respecto a los primeros, considerando las 10 categorías de municipalidades, fueron los resultados de eficiencia obtenidos bajo la metodología estocástica los más elevados, los cuales ascendieron en promedio, a 0.53. Es seguida por las metodologías FDH y determinística, ambas con 0.46; luego por la metodología DEA-VRS con un puntaje de 0.41 y por último se encuentra la DEA-CRS, cuyo puntaje de eficiencia fue sólo el 50% del puntaje obtenido mediante la metodología estocástica, 0.26. Si se segrega el análisis según metodologías no paramétricas (FDH, DEA-VRS y DEA-CRS) y paramétricas (determinística y estocástica), se concluye que éstas últimas tienen en promedio los puntajes de eficiencia más elevados (0.50), en comparación con las no paramétricas (0.38). Respecto a las correlaciones entre los puntajes de eficiencia, cabe mencionar que por definición todas las entidades que son eficientes bajo la metodología FDH son eficientes también bajo la DEA-VRS, lo cual muestra que la convexidad impuesta por la segunda metodología restringe los resultados de eficiencia obtenidos. Por otro lado, las municipalidades que resultaron ser eficientes bajo las metodologías DEA-CRS y determinística (las cuales contienen a un solo municipio eficiente) también resultaron serlo bajo las metodologías FDH y DEA-VRS. En la tabla 12, el coeficiente de Pearson muestra la existencia de una alta concordancia entre las medidas de eficiencia de las metodologías FDH y DEA-VRS, mostrando un coeficiente de Pearson promedio a través de las 10 categorías de municipalidades de 0.96. Además, se encontró una alta correlación entre los resultados de eficiencia de las metodologías DEA-VRS con la DEA-CRS; y FDH con la DEA-CRS, ambos con 0.83. Así es posible afirmar que la correlación entre los resultados arrojados por las metodologías no paramétricas es alto; así como los obtenidos por las dos metodologías econométricas (determinística y estocástica), cuyo coeficiente de Pearson fue de 0.92. Sin embargo, la correlación entre ambos tipos de metodologías, paramétricas y no parmétricas es reducida, sólo asciende a 0.44. Sobre la dispersión de los puntajes de eficiencia promedio, cabe mencionar que ésta fue similar a través de las 5 metodologías, encontrándose los resultados menos dispersos en las metodologías DEA-CRS (0.19), determinística (0.20) y estocástica (0.20). Siendo las metodologías no paramétricas (FDH, DEA-VRS y DEA-CRS) ligeramente menos volátiles (0.21) que las paramétricas (determinística y estocástica), (0.20). 48 Finalmente, se analizaron los puntajes de eficiencia máximos según categorías de municipalidades. Al respecto cabe mencionar que acorde a los resultados arrojados por las metodologías FDH y DEA-CRS, son las municipalidades provinciales de la categoría 2 (metrópolis) las que tienen los mayores puntajes de eficiencia promedio; las metodologías determinística y estocástica señalan lo propio para la categoría 4 de municipalidades distritales (ciudades metropolitanas) y la metodología DEA-VRS señala que son las municipalidades provinciales de la categoría 3 (rural) las que presentan los resultados de eficiencia más elevados. En conclusión, los resultados de eficiencia que proceden de las 5 metodologías empleadas difieren en términos cuantitativos, la DEA es más restrictiva que el FDH, y la estocástica es más permisiva que la determinística. Sin embargo, independiente del valor de la medida de eficiencia, todas coinciden en señalar como eficientes a las mismas categorías de municipalidades, lo cual es un indicativo de la robustez de los resultados obtenidos. 49 Tabla No. 11 Resumen de los resultados de eficiencia según tipo de metodología y categorías de municipalidades No. obs. efic. % obs. efic. Prom Std. Dev. Min Max No. obs. efic. % obs. efic. Prom Std. Dev. Min Max No. obs. efic. % obs. efic. Prom Std. Dev. Min Max No. obs. efic. % obs. efic. Prom Std. Dev. Min Max No. obs. efic. % obs. efic. Prom Std. Dev. Min Max Provinciales Distritales 5 5.2% 0.458 0.235 0.065 1.000 1 1.3% 0.264 0.187 0.022 1.000 3 3.7% 0.407 0.207 0.058 1.000 1 1.3% 0.464 0.196 0.062 1.000 0 0.0% 0.527 0.201 0.097 0.919 2 3.0% 0.114 0.026 0.060 0.000 0 1.1% 0.118 0.049 0.037 0.000 1 2.7% 0.136 0.027 0.055 0.000 0 1.1% 0.087 0.037 0.086 0.000 0 0.0% 0.137 0.044 0.158 0.031 2 1.5% 0.302 0.189 0.010 1.000 1 0.2% 0.139 0.123 0.000 1.000 2 0.8% 0.221 0.172 0.004 1.000 1 0.2% 0.347 0.096 0.000 1.000 0 0.0% 0.373 0.082 0.000 0.892 9 12.1% 0.608 0.269 0.165 1.000 1 3.1% 0.456 0.252 0.095 1.000 5 9.1% 0.583 0.257 0.148 1.000 1 3.1% 0.596 0.231 0.264 1.000 0 0.0% 0.798 0.238 0.507 1.000 1 1 1 1 1 DEA-VRS Determinística Estocástica Puntajes de eficiencia Categorías de municipalidades Número de municipios FDH DEA-CRS Max Min Categoría 2: Urbano pobre Categoría 3: Urbano Categoría 4: Ciudades metropolitanas 181 73 Std. Dev. Categoría 1: Semi-urbano 295 178 Mean 0.359 0.189 0.022 1.000Categoría 5: Rural pobre 608 9 1.5% 0.441 0.237 0.032 1.000Categoría 6: Rural pobre extremo 166 7 4.2% 0.608 0.262 0.165 Categoría 1: Ciudades intermedias 55 3 5.5% 0.494 0.228 0.089 Categoría 2: Metrópolis 33 4 12.1% 1.000 1.000 1 1.8% 0.310 0.221 Categoría 3: Rural 32 2 6.3% 0.530 0.220 0.122 0.596 0.215 0.018 Categoría 4: Semi-rural 65 4 6.2% 1.000 1.000 0.315 0.224 0.011 1.000 7 2.4% 0.338 0.219 0.010 1.000 7 3.9% 0.354 0.256 0.024 1.000 0.027 1.000 0.147 1.000 6 3.3% 5 6.8% 0.554 0.269 0.302 0.257 1 3.0% 0.456 0.252 0.002 1.000 0.088 1.000 0.019 1.000 1 3.1% 1 1.5% 0.324 0.205 0.000 1.000 0.3% 0.163 0.147 0.6% 0.139 0.139 0.6% 0.143 0.123 1 1.4% 0.424 0.251 0.000 1.000 0.2% 0.192 0.155 0.6% 0.171 0.153 0.481 0.228 0.000 1.000 0.006 1.000 0.095 1.000 0.000 1.000 0.075 1.000 3 9.1% 0.553 0.237 0.148 1.000 3 5.5% 2 6.3% 0.583 0.202 0.004 1.000 3 4.6% 0.513 0.215 0.018 1.000 0.122 1.000 0.027 1.000 5 1.7% 3 1.7% 0.262 0.195 0.270 0.182 3 1.7% 0.221 0.204 0.018 1.000 3 4.1% 0.517 0.257 0.010 1.000 0.128 1.000 0.032 1.000 5 0.8% 2 1.2% 0.329 0.179 0.337 0.172 1 1.8% 0.487 0.231 0.115 1.000 1 3.0% 0.595 0.191 0.081 1.000 0.123 1.000 0.011 1.000 1 3.1% 1 1.5% 0.495 0.201 0.483 0.214 0.003 1.000 1 0.3% 0.390 0.196 1 0.6% 0.397 0.219 1 0.6% 0.476 0.198 1 1.4% 0.596 0.096 0.011 1.000 1 0.2% 0.347 0.199 1 0.6% 0.377 0.213 0.553 0.238 0.000 1.000 0.002 1.000 0.264 1.000 0.008 1.000 0.001 1.000 0 0.0% 0.629 0.186 0.201 0.892 0 0.0% 0 0.0% 0.548 0.218 0.000 0.899 0 0.0% 0.592 0.207 0.094 0.897 0.096 0.926 0.000 0.912 0 0.0% 0 0.0% 0.392 0.227 0.417 0.214 0 0.0% 0.591 0.208 0.000 0.915 0 0.0% 0.798 0.082 0.069 0.926 0.507 0.926 0.000 0.895 0 0.0% 0 0.0% 0.377 0.221 0.373 0.209 50 Tabla No. 12 Coeficiente de correlación de Pearson según categorías de municipalidades Categorías de municipalidades FDH DEA-CRS DEA-VRS Determinística Estocástica Provinciales FDH 1.0000 DEA-CRS 0.7660 1.0000 DEA-VRS 0.9935 0.7493 1.0000 Determinística 0.1575 0.3686 0.1236 1.0000 Estocástica 0.0840 0.6241 0.0437 0.7422 1.0000 FDH 1.0000 DEA-CRS 0.9336 1.0000 DEA-VRS 0.9669 0.9504 1.0000 Determinística 0.5673 0.7499 0.5401 1.0000 Estocástica 0.5247 0.7205 0.4953 0.9822 1.0000 FDH 1.0000 DEA-CRS 0.7161 1.0000 DEA-VRS 0.9429 0.6872 1.0000 Determinística 0.2165 0.7167 0.1506 1.0000 Estocástica 0.1806 0.7486 0.1045 0.8895 1.0000 FDH 1.0000 DEA-CRS 0.8217 1.0000 DEA-VRS 0.9910 0.7922 1.0000 Determinística 0.2606 0.6571 0.2088 1.0000 Estocástica 0.2124 0.6604 0.1535 0.9143 1.0000 Distritales FDH 1.0000 DEA-CRS 0.8544 1.0000 DEA-VRS 0.9599 0.8605 1.0000 Determinística 0.4879 0.6223 0.4702 1.0000 Estocástica 0.4923 0.6979 0.4695 0.9309 1.0000 FDH 1.0000 DEA-CRS 0.8286 1.0000 DEA-VRS 0.9546 0.8217 1.0000 Determinística 0.4233 0.6304 0.3626 1.0000 Estocástica 0.4059 0.6304 0.3607 0.9742 1.0000 FDH 1.0000 DEA-CRS 0.8780 1.0000 DEA-VRS 0.9396 0.9049 1.0000 Determinística 0.5821 0.4536 0.5612 1.0000 Estocástica 0.5886 0.4553 0.5696 0.9872 1.0000 FDH 1.0000 DEA-CRS 0.9229 1.0000 DEA-VRS 0.9702 0.9175 1.0000 Determinística 0.4681 0.5459 0.4630 1.0000 Estocástica 0.4457 0.4678 0.3948 0.8939 1.0000 FDH 1.0000 DEA-CRS 0.8422 1.0000 DEA-VRS 0.9820 0.7851 1.0000 Determinística 0.3702 0.7167 0.2640 1.0000 Estocástica 0.3665 0.7229 0.2608 0.9831 1.0000 FDH 1.0000 DEA-CRS 0.8343 1.0000 DEA-VRS 0.9230 0.8346 1.0000 Determinística 0.4520 0.6761 0.3485 1.0000 Estocástica 0.4049 0.6814 0.2936 0.9247 1.0000 Categoría 5: Rural pobre Categoría 6: Rural pobre extremo Categoría 1: Ciudades intermedias Categoría 2: Metrópolis Categoría 3: Rural Categoría 4: Semi-rural Metodologías Categoría 2: Urbano pobre Categoría 3: Urbano Categoría 4: Ciudades metropolitanas Categoría 1: Semi-urbano 51 6. DETERMINANTES FISCALES, SOCIOECONÓMICOS Y DEMOGRÁFICOS DE LA EFICIENCIA MUNICIPAL. En esta sección se analizará el segundo tramo de los modelos de eficiencia en dos etapas, el cual consiste en evaluar mediante la aplicación de modelos de regresión, los determinantes de los niveles de eficiencia obtenidos en la primera etapa del análisis. Al respecto, merece la pena hacer dos consideraciones metodológicas: (i) Se utilizarán como variables explicativas de la eficiencia, aquellas que las municipalidades no pueden alterar o modificar de manera directa, es decir aquellas que conforman su entorno municipal y que de una u otra manera determinan su accionar, son las denominadas variables no discrecionales40. Esta acotación es importante debido a que si se utilizaran en esta fase del análisis, variables que las municipalidades pueden modificar directamente, se obtendrían resultados sesgados pues se confundirían con las variables output empleadas en la primera etapa del análisis41. (ii) El modelo de regresión que se empleará para evaluar los determinantes de eficiencia municipal dependerá de las características de la distribución de la variable dependiente, es decir de la distribución de la medida de eficiencia estimada en la sección anterior a través de las 10 categorías de municipalidades definidas. Como se vio en la revisión de la literatura, estas regresiones pueden realizarse por mínimos cuadrados ordinarios (MCO) o mediante modelos Tobit cuando las variables dependientes son censuradas. 6.1. Las variables explicativas. Se emplearán variables fiscales, socioeconómicas y demográficas, para analizar los determinantes de la eficiencia municipal, a través de las 10 categorías de municipalidades definidas. En primer lugar, se utilizará como variable explicativa el monto de las transferencias que las municipalidades recibieron del Gobierno Central en el año 2003, agrupándolas en dos tipos de transferencias: (1) aquellas cuyo monto no depende de la explotación de recursos naturales, y (2) aquellas que si dependen de dicha explotación. Dentro del primer grupo se empleará la variable FCM , la cual contiene las transferencias del Fondo de Compensación Municipal (FONCOMUN); y dentro del segundo grupo se incluirá la variable Canon , la cual corresponde a los diversos tipos de canon, y las transferencias por renta de aduanas vigentes actualmente. La introducción en el análisis de las transferencias recibidas por las municipalidades, nos permitirá verificar la hipótesis de si un mayor monto de estas genera un gasto más ineficiente, como habitualmente se ha encontrado en la literatura vinculada al análisis de la gestión municipal (efecto “flypaper”). La segunda variable explicativa será la densidad poblacional, Denpob , lo cual nos permitirá evaluar si una población menos dispersa facilita una provisión más eficiente de los bienes y servicios locales, debido al menor costo de provisión del servicio que ello implica. En 40 Bajo estas consideraciones, se entiende que tampoco podrán emplearse como variables explicativas, aquellas empleadas en la tipificación municipal: población, urbanidad y necesidades básicas insatisfechas. 41 Esta observación es de especial importancia para el caso de las metodologías paramétricas dado que el término de error del modelo influye en las variables explicativas de la eficiencia, por lo que podrían generarse resultados sesgados y por ende no interpretables. La solución a esta deficiencia consiste en contar previo al análisis, variables input-output (empleadas en la primera etapa) y variables explicativas (usadas en la segunda etapa) no correlacionadas. 52 tercer lugar, se introducirá la variable CCL que representa el número de miembros que pertenecen a los Consejos de Coordinación Local. Esta variable se introducirá con la finalidad de aproximar si la participación de la sociedad civil en los procesos vinculados a la rendición de cuentas, el apoyo en el mejoramiento de la calidad de los servicios, y las propuestas de prioridades de gasto en el municipio, contribuye a una mejor gestión en el manejo de los recursos municipales. Finalmente, se incorporarán en el análisis las variables 1Educ y 2Educ , que representan el porcentaje de la población con educación secundaria; y universitaria y técnica, respectivamente. Se espera que una población más educada ejerza un impacto positivo en las autoridades locales para una provisión más eficiente de los bienes y servicios municipales. Adicionalmente, considerando que existe una relación positiva entre la participación política de la población y el nivel de educación, se espera que un mayor grado de instrucción, incremente la eficiencia local42. 6.2. Especificación del modelo Tobit. Se considerará como variable dependiente el puntaje de eficiencia promedio (θ ) según las 10 categorías de municipalidades definidas. Dado que dicha variable dependiente resultó ser censurada43, se estimaron modelos de regresión para variables censuradas de tipo Tobit, los cuales permiten estimar los coeficientes de las variables explicativas por máxima verosimilitud bajo los supuestos de normalidad y homoscedasticidad (De Borger y Kerstens, 1996a), integrando para ello tanto información de observaciones censuradas como no censuradas. La especificación del modelo es la siguiente44: iiiiiiii EducEducCCLDenpobCanonFCM εβββββββθ +++++++= 21 6543210 Donde: iFCM : Monto transferido por concepto de FONCOMUN en el año 2003 en términos per cápita. iCanon : Monto transferido por concepto de canon: minero, petrolero, hidroenergético, pesquero, forestal y gasífero; y la renta de adunas para el año 2003 en términos per cápita. iDenpob : Número de habitantes por kilómetro cuadrado. iCCL : Número de miembros del Consejo de Coordinación Local. iEduc1 : Porcentaje de la población con secundaria completa. iEduc2 : Porcentaje de la población con estudios universitarios y técnicos concluidos. 42 El monto de las transferencias por municipio se obtuvo del Ministerio de Economía y Finanzas (MEF). La densidad poblacional (habitantes por kilómetro cuadrado) se construyó a partir de la información del Instituto Nacional de Estadística e Informática (INEI). Por otro lado, el número de miembros que pertenecen a los Consejos de Coordinación Local se obtuvo del RENAMU (2004). Finalmente, la información sobre el nivel educativo aproximado por el grado de instrucción de la población a nivel local se obtuvo del Censo de Población y Vivienda INEI 2005. Todas las variables explicativas corresponden al año 2003, a excepción de las variables de educación ( iEduc1 y iEduc2 ) las cuales correspondieron al año 2005. 43 Una variable es censurada cuando su distribución es una mezcla entre una distribución continua y otra discreta, lo cual genera una acumulación de probabilidad en el punto de censura. Todas las variables dependientes (puntajes de eficiencia promedio) a través de las 10 categorías de municipalidades, presentaron funciones de densidad de este tipo. Véase los anexos 5-A y 5-B al respecto. 44 Véase en el anexo 6 la especificación detallada del modelo Tobit estimado. 53 β) : Parámetro a ser estimado45. iε : Término de error. 6.3. Determinantes de la eficiencia en las municipalidades provinciales. Los resultados de las regresiones a nivel provincial se muestran en la tabla 13, donde las cifras entre paréntesis corresponden a los errores estándar de las diversas regresiones realizadas. Como puede observarse, a través de las 4 categorías de municipalidades provinciales, todos los coeficientes correspondientes a las transferencias por canon ( canon ) tuvieron signo negativo, lo cual implica que en el año 2003 los montos transferidos por canon a las municipalidades provinciales tuvieron un impacto negativo en la eficiencia municipal. Sin embargo, dichos coeficientes solamente son significativos en dos categorías de municipalidades de las 4 definidas a nivel provincial, específicamente en la 2 y 4, que corresponden a las metrópolis y a los municipios semi-rurales, respectivamente. Los resultados obtenidos permiten afirmar que en estas categorías de municipios se estaría produciendo algún grado de pereza o relajo fiscal, es decir una situación en la cual los gastos se ajustan a los recursos adicionales y no se traducen en una mayor y mejor provisión de servicios públicos locales (efecto flypaper). Esto sucede dado las municipalidades “se acostumbran” a recibir las transferencias del Gobierno Central, y relajan sus capacidades de generar ingresos propios, lo cual aunado con un exiguo control ex-post en la ejecución del gasto, posibilitan un escenario para la ocurrencia de un gasto ineficiente de recursos. El FONCOMUN ( FCM ) afectó de manera positiva a la eficiencia municipal, aunque marginalmente y sólo en los municipios metropolitanos (categoría 2), lo cual implica que estos recursos en las municipalidades provinciales capitales de departamento constituye un instrumento para mejorar la provisión de servicios municipales. La razón de ello estaría en que al ser este tipo de transferencias no condicionadas (es decir son de libre disponibilidad) estarían siendo utilizadas en campos de gestión que las municipalidades provinciales consideran como relevantes para mejorar la provisión de servicios públicos locales. Esto sin embargo, no ocurre con los recursos del canon dado que al tener que ser destinados únicamente a gastos de inversión (pues son transferencias no condicionadas) frecuentemente han sido mal ejecutados46. La variable Consejo de Coordinación Local (CCL ) resultó ser positiva y significativa en las categorías 2 y 4 categorías de municipalidades provinciales, lo cual implica que en estas municipalidades, los espacios de concertación y participación ciudadana generados por los Consejo de Coordinación Local, promueven una prestación más adecuada de bienes y servicios públicos locales, traduciéndose ello finalmente en un incremento de la eficiencia municipal. La variable educación universitaria y técnica ( 2Educ ) afectó positivamente a la eficiencia aunque únicamente en las categorías municipales 3 y 4, correspondientes a municipios rurales y semi-rurales, respectivamente, lo que nos permite afirmar que en las municipalidades 45 El cual representa el efecto marginal de cada una de las variables explicativas sobre el valor medio de la variable subyacente *y , cuando las primeras varían en una unidad. Véase el anexo 6 al respecto. 46 Esto al considerar que solo un reducido porcentaje de municipalidades del país operaba bajo los lineamientos del Sistema Nacional de Inversión Pública (SNIP) en el año 2003, lo cual implica que en ese año muchos municipios hayan invertido de manera ineficiente sus recursos del canon. 54 provinciales más rurales y con mayores necesidades básicas insatisfechas del país, el nivel de educación superior y técnica de la población es importante para incrementar el nivel de eficiencia del gasto municipal. Los signos de la variable educación secundaria ( 1Educ ) no fueron robustos, arrojando resultados ambiguos en las categorías 2 y 3 en los cuales resultaron ser significativos47. Si se analizan los resultados de la variable educación en general ( 1Educ y 2Educ ) considerando las categorías de municipalidades provinciales en las cuales los coeficientes fueron significativos, se encuentra evidencia de que un mayor nivel de educación incrementa la eficiencia en la provisión de servicios locales. Adicionalmente, si se asume que la participación política de la población se relaciona positivamente con el grado de instrucción de la población, se afirma que un mayor nivel educativo afecta de manera positiva la eficiencia municipal. Finalmente, la variable densidad poblacional ( Denpob ) resultó no ser significativa para ninguna categoría de municipalidades provinciales, por lo que se concluye que una población más dispersa o menos dispersa no tiene ninguna implicancia en la eficiencia del gasto municipal. 6.4. Determinantes de la eficiencia en las municipalidades distritales. Los recursos transferidos por concepto de FONCOMUN ( FCM ) implicaron un gasto ineficiente de recursos en todas las categorías de municipalidades distritales, lo cual muestra que estos recursos a diferencia de lo que ocurre en las municipalidades provinciales, producen incentivos para un desempeño ineficiente. Este incentivo es avivado por el limitado control ex-post de la ejecución del gasto local, desde que la labor de la Contraloría General de la República (órgano encargado de supervisar la legalidad de la ejecución del presupuesto público) se limita únicamente a hacer el seguimiento de los recursos transferidos por el Programa del Vaso de Leche, desatendiendo la fiscalización de otras transferencias como por ejemplo las del FONCOMUN y del canon, las cuales han crecido más en los últimos años. En la misma línea que los resultados obtenidos para el FONCOMUN en todas las categorías de municipalidades distritales, a excepción de las categorías 3 (urbano) y 4 (metropolitanas), los recursos transferidos por concepto de canon ( canon ) afectaron negativamente la eficiencia municipal, confirmándose de esta manera la presencia del efecto relajo o pereza fiscal, esta vez para el caso de las municipalidades distritales. Por otro lado, la presencia de espacios de concertación ciudadana, aproximada en el estudio por el número de personas que participan en los Consejos de Coordinación Local (CCL ), resultó ser relevante para explicar la eficiencia municipal a nivel distrital. Así, en todas las categorías de municipalidades distritales, a excepción de la categoría 4 (donde se localizan las municipalidades distritales de Lima Metropolitana), los resultados indican que la participación ciudadana es relevante para incrementar la eficiencia municipal. Este efecto positivo es por demás relevante en las categorías de municipalidades 1, 2 y 548, las cuales agrupan a los municipios distritales con mayores necesidades básicas del país; por lo que puede concluirse que en las municipalidades distritales más pobres del país la presencia de estos espacios de concertación ciudadana es importante para aumentar la eficiencia del gasto municipal. 47 En las categorías 2 (municipalidades metropolitanas) y 3 (rurales), la variable educación secundaria afectó de manera positiva y negativa a la eficiencia municipal, respectivamente. 48 Cuyos coeficientes de regresión fueron muy significativos. 55 La variable educación secundaria a nivel distrital ( 1Educ ) mostró afectar de manera positiva a la eficiencia del gasto municipal aunque solo de manera marginal y únicamente para las municipalidades de la categoría 5 (rural pobre). Por otro lado, y contrariamente a los resultados hallados para la educación secundaria, la presencia de personas con educación universitaria y técnica, mostraron influir de manera negativa en la eficiencia de la gestión municipal, aunque de manera no significativa y solo en las categorías 2 (urbano pobre) y 5 (rural pobre) de municipalidades distritales. Finalmente, y de manera similar que para el caso de las municipalidades provinciales, la variable densidad poblacional ( Denpob ), mostró no ser importante para explicar la eficiencia a nivel local. Los hallazgos obtenidos en esta sección permiten comprender como el entorno municipal condiciona de manera desigual las gestiones locales de los diversos tipos de municipalidades, condicionamiento que aunque diferenciado nos permite delinear algunas conclusiones similares. En todos los municipios distritales las transferencias del FONCOMUN produjeron un impacto negativo en la eficiencia del gasto local. Por el contrario, en los municipios provinciales estas transferencias promovieron un manejo eficiente de los recursos. En el mismo sentido, las transferencias del canon en todas las categorías de municipalidades (tanto provinciales como distritales) en las cuales los coeficientes fueron significativos, implicaron un gasto ineficiente de recursos. Lo opuesto ocurrió con la participación de la sociedad civil aproximada por la presencia de los Consejos de Coordinación Local (CCL), la cual implicó un gasto eficiente de recursos. Por otro lado, en el caso de las variables de educación los resultados son diversos y ambiguos. Mientras que el número de personas con educación universitaria y técnica, promueven la eficiencia del gasto a nivel provincial, a nivel distrital generaron lo contrario. Por otro lado, las personas con educación secundaria brindaron resultados poco robustos y no significativos para explicar la eficiencia municipal. Por último, la densidad poblacional y la reducción de los costos de transacción que a partir de ella deberían derivarse, en el Perú no fueron relevantes para explicar la eficiencia del gasto municipal. 56 Tabla No. 13 Resultados de los modelos Tobit según categorías de municipalidades provinciales y distritales FCM Canon Denpob CCL Edu1 Edu2 Provinciales (0.0002) (0.0003) (0.0001) (0.0021) (0.0052) (0.0075) (0.1047)*** (0.0010)* (0.0006)** (9.79e-06) (0.0018)** (0.0089)* (0.0066) (0.2252) (0.0002) (0.0001) (0.0008) (0.0021) (0.0064)** (0.0096)*** (0.0731)*** (0.0000) (0.0004)** (0.0001) (0.0017)** (0.0053) (0.0068)* (0.0542)*** Distritales (0.0000)*** (0.0001)* (0.0000) (0.0017)*** (0.0021) (0.0048) (0.0219)*** (0.0000)** (0.0000)** (0.0003) (0.0028)*** (0.0027) (0.0056)** (0.0352)*** (0.0000)** (0.0000) (0.0000) (0.0019)** (0.0029) (0.0029) (0.0490)*** (0.0021)** (0.0006) (3.56e-06) (0.0027) (0.0066 ) (0.0024) (0.1931)*** (0.0000)*** (0.0000)** (0.0001) (0.0008)*** (0.0015)* (0.0044)* (0.0135)*** (0.0001)*** (0.0002)** (0.0006) (0.0020)** (0.0032) (0.0077) (0.0338)*** * Indica 90% de significancia ** Indica 95% de significancia *** Indica 99% de significancia 11.5793 22.2124 27.8468 135.9242 76.8003 69.0534 31.5948 350.6466 Constante Log likelihood 19.9979 0.3022 0.8652 0.3679 0.4130 0.4108 0.4343 0.2627 0.3161 Categorías de municipalidades Número de municipios 0.4675 0.1601 82.9918-0.0009 -0.0060 0.0017 -0.0146 0.0561 0.0051 -0.0041 0.0124 0.0031 -0.0078 -0.0030 Categoría 3: Rural 32 -0.0006 0.0008 -0.0001 0.0004 -0.0009 4.39E-06 0.0065 Categoría 2: Metrópolis 33 -0.0004 Categoría 4: Semi-rural 65 Categoría 6: Rural pobre extremo 166 -0.0005 Categoría 1: Ciudades intermedias 55 0.0012 -0.0084 -0.0025 0.0000 -0.0024 -1.33E-06 0.0049 0.0165 -0.0001 -0.0001 0.0052 0.0028 -0.0048 -0.0007 -3.11E-06 Categoría 5: Rural pobre 608 -0.0131 -0.0001 -0.0001 7.52E-06 0.0043 0.0011 0.0033 Categoría 1: Semi-urbano 295 178 -0.0002Categoría 2: Urbano pobre Categoría 3: Urbano Categoría 4: Ciudades metropolitanas 181 73 0.0005 0.0112 0.0031-0.0001 0.0021 -0.0004 -8.47E-07 Variables explicativas 0.0082 0.0028 0.0006 0.0000 -0.0003 0.0001 0.0020 -0.0001 -0.0002 0.0001 7. CONCLUSIONES Y RECOMENDACIONES DE POLÍTICA. En este estudio se analizó la eficiencia del gasto para el año 2003 en 1686 municipalidades del país, para lo cual se definieron previamente 10 categorías de municipalidades, 4 provinciales y 6 distritales, con la finalidad de analizar la eficiencia local en grupos de municipalidades con características similares. Dicha homogenización se realizó a partir de un análisis de conglomerados, técnica multivariante que agrupó a las municipalidades en categorías con la mínima varianza interna y la máxima varianza entre grupos, empleando para ello las variables población, urbanidad y necesidades básicas insatisfechas (NBI). Se utilizaron 5 metodologías para analizar la eficiencia del gasto local, 3 no paramétricas: Free Disposal Hull (FDH) y Data Envelopment Analysis (DEA) para rendimientos constantes y variables a escala, y 2 paramétricas: una determinística y otra estocástica. Dichas metodologías aproximaron la eficiencia del gasto mediante la construcción de una frontera de posibilidades de producción formada por la combinación de las mejores prácticas dentro de cada categoría de municipalidades, y posteriormente evaluaron la eficiencia relativa como la distancia a dicha frontera. Se emplearon diversos indicadores input (recursos, gasto), así como variables output (resultados, objetivos) para la implementación del análisis de eficiencia. Las 57 variables input se aproximaron mediante el gasto municipal per cápita (input total) considerando las 6 categorías de gasto más representativas a nivel local: administración y planeamiento; asistencia y previsión social; educación y cultura; industria, comercio y servicios; salud y saneamiento; y transporte; las cuales representaron en el año 2003 aproximadamente el 91% de la ejecución del gasto total. Por el lado de las variables output, se emplearon diversos indicadores resultados construidos a partir del Registro Nacional de Municipalidades 2004 (RENAMU 2004) los cuales se consolidaron en un único indicador output, denominado el Indicador de Desempeño Municipal (IDEM). Los resultados de eficiencia obtenidos fueron diversos y variaron según la categoría de municipalidades analizada. Cabe destacar los desempeños de las municipalidades provinciales de la categoría 2, la cual contiene a la mayor parte de las municipalidades provinciales capitales de departamento del país; y de las municipalidades distritales de la categoría 4, en la cual se encuentran las municipalidades de Lima Metropolitana; dado que obtuvieron, respectivamente, los mayores puntajes de eficiencia promedio a nivel provincial y distrital. Al respecto, si bien se encontraron resultados eficientes tal como corresponde en un análisis de eficiencia relativo, los resultados obtenidos son preocupantes. Así, se encontró que a nivel provincial en promedio se podrían brindar la actual provisión de bienes y servicios locales con 49.3% menos recursos, mientras que a nivel distrital se podría hacer lo mismo con 63.2% menos recursos. A nivel nacional, los resultados indican que las municipalidades del país podrían ofrecer la actual provisión de bienes y servicios locales con 57.6% menos recursos, es decir con menos de la mitad de su presupuesto actual. El análisis de los determinantes de eficiencia nos permite comprender como el entorno local y los factores exógenos próximos a la administración municipal condicionan desigualmente las gestiones en los diversos tipos de municipalidades. Algunos resultados comunes indican que en todas las categorías de municipalidades distritales, las transferencias del FONCOMUN produjeron un impacto negativo en la eficiencia del gasto de recursos. Así mismo, las transferencias del canon en todas las categorías de municipalidades en las cuales los coeficientes fueron significativos, implicaron un gasto ineficiente. Por otro lado, la participación de la sociedad civil a nivel local, aproximada por la presencia de los Consejos de Coordinación Local, implicó un gasto eficiente de los recursos municipales. Su institucionalización a partir del Gobierno Central, ONG’s e instituciones afines, es más que deseable con la finalidad de favorecer las buenas prácticas municipales, a partir de la decisión concertada de las prioridades de gastos y de la rendición de cuentas en un contexto de transparencia de información pública. Las recomendaciones de política son de especial relevancia para el caso de las transferencias de recursos del FONCOMUN y del canon, debido a su exorbitante incremento en los últimos años. Actualmente muchos municipios tienen ingentes cantidades de recursos, gran parte de los cuales se encuentran sin utilizar en cuentas bancarias, y que vienen generando en muchos de los casos un gasto ineficiente e improductivo local. Un problema particular son los proyectos de inversión pública, ya que a menudo han sido ejecutados proyectos no prioritarios, mal concebidos, innecesariamente caros y/o insostenibles, pero por otro lado el Sistema Nacional de Inversión Pública (SNIP) ha sido demasiado centralista y no ha favorecido una inversión pública más descentralizada. La alternativa en este caso no debe ser el retroceso a una situación en la que no exista ningún control ex-ante de los proyectos de inversión pública, más bien es necesario reformar el SNIP en el sentido de establecer mecanismos más sencillos para Gobiernos Locales, revisando los parámetros establecidos para adecuarlos a realidades regionales. Para dotar de capacidades a las instituciones públicas al interior del país, debería constituirse un esquema del SNIP similar al de la capacitación brindada por los residentes locales del Sistema Integrado de Administración Pública para los 58 Gobiernos Locales (SIAF-GL), el cual es un personal pagado por el MEF que brinda asesoría y asistencia técnica a las municipalidades del país en el mismo lugar de operaciones de estas, en lo que respecta la ejecución de su presupuesto público. Un nuevo esquema de gobernabilidad del SNIP debería establecerse con mecanismos de consulta entre el equipo del MEF, de los sectores correspondientes y los gobiernos subnacionales (regionales y locales), tratando el tema de la inversión pública de manera técnica y no sólo a nivel político. Asimismo, debe establecerse para los gobiernos subnacionales la posibilidad de un mecanismo de “salida” del SNIP, similar al que existe para el Gobierno Central (en donde solo mediante Decreto Supremo se puede exceptuar cualquier proyecto del SNIP), en el cual se permita que con acuerdo calificado de los Consejos Regionales o Municipales, previa discusión en los Consejos de Coordinación Regionales o Locales, se puedan exceptuar proyectos de inversión del SNIP. En todos los casos de excepciones al SNIP, debería establecerse una norma de transparencia reforzada ⎯estudios y presupuestos deben ser publicados⎯ y con consultas mediante audiencias públicas. En el marco de la promulgación del Decreto Supremo No. 068-2006-PCM, en octubre del 2006, por el cual se establece la culminación de las transferencias de competencias y funciones inicialmente programadas para el período 2006-2010, hacia fines del año 2007, los resultados obtenidos resaltan la necesidad de concentrar mayores esfuerzos en mejorar la eficiencia del gasto a nivel local. Consideramos indispensable, para ello la implementación de un Sistema de Medición de las Capacidades de la Gestión Municipal que se componga por lo menos de 3 ejes49: (i) un sistema para la medición de las capacidades de gestión que se alimente de metodologías como las propuestas en el presente estudio; (ii) un mecanismo de capacitación y asistencia técnica cuyo principal insumo sea los resultados obtenidos por el sistema de medición de capacidades establecido en la primera parte; y (iii) un sistema para la obtención de indicadores input y output que permita la medición de la eficiencia municipal al menos con frecuencia anual, así como la comparación de la misma en el tiempo. Para un cabal funcionamiento del sistema integral es necesario que estos tres ejes funcionen de manera simultánea, es decir que permita evaluar la gestión municipal y que paralelamente corrija las deficiencias encontradas mediante la asistencia y capacitación, nutriéndose para ello de los indicadores de gasto y de resultados de la ejecución presupuestal. Un primer paso para el diseño del Sistema de Medición de las Capacidades de la Gestión Municipal es la elección de la(s) metodología(s) para realizar dicha medición. Al respecto cabe mencionar que las metodologías propuestas en este estudio para analizar la eficiencia municipal no debieran ser vistas como sustitutorias sino más bien como complementarias, dado que si bien parten de diversos supuestos para la construcción de las fronteras de producción, todas permiten estimar una misma cuestión, la eficiencia municipal. Sin embargo, es cierto que el empleo de una u otra metodología será siempre más relevante, dependiendo del contexto y las unidades de gestión bajo análisis. Por ejemplo, en el caso de las municipalidades recomendamos el empleo de las metodologías no paramétricas dado que no requieren el establecimiento previo de una forma funcional para la función de producción, por lo que es más adecuado para su empleo en el sector público, dado que habitualmente las funciones de producción son desconocidas. 49 La figura de un sistema para la medición de las capacidades y el desempeño de los gobiernos subnacionales fue establecida inicialmente en la Ley No. 28273, Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales de julio del 2004. Sin embargo, hasta la fecha aun no se cuenta con tal sistema ni siquiera con uno similar para medir las capacidades de gestión en los menores niveles de gobierno. Al respecto, véase en el anexo 1 un balance normativo del proceso de descentralización peruano para el período 2002-2007. 59 Un segundo paso es la tipificación de las municipalidades para su análisis en grupos con características similares, la cual debiera desarrollarse acorde a variables sencillas, intuitivas y facilmente interpretales por el hacedor de política. Esto debido a que las metodologías de evaluación de la gestión local dado que establecen un análisis relativo, pueden sesgar los resultados obtenidos si se analizan grupos de municipalidades muy heterogéneos o en todo caso la totalidad de municipalidades. En general sostenemos que la propuesta de contar con una tipología de municipalidades no sólo debiera establecerse para el desarrollo del análisis de la gestión municipal sino a todo nivel, por ejemplo en la elaboración de propuestas normativas, así como en la asignación de las transferencias de recursos, evitando así la concentración de los mismos en municipios que no requieren de ellos, y más bien focalizandolos en aquellos que si los necesitan. Un tercer paso para el diseño del Sistema de Medición de las Capacidades de la Gestión Municipal es la definición y construcción de indicadores adecuados tanto de insumos (gasto) como de productos (resultados), que permitan aproximar con precisión las capacidades de gestión municipal. Consideramos que este paso es fundamental para el funcionamiento integral del sistema, sin el cual cualquier evaluación de la gestión a cualquier nivel de gobierno fracasaría. Sin embargo, y mientras dichos indicadores esten disponibles es preciso obtenerlos de fuentes alternativas. Al respecto y referido a los indicadores de gestión/resultados/objetivos, el Registro Nacional de Municipalidades (RENAMU) a cargo del INEI, se constituye en una herramienta de evaluación esencial para aproximar indicadores resultado a nivel local. Sin embargo, convendría mejorarlo y complementarlo, en el sentido de que contenga un mecanismo más efectivo de verificación de datos, dado que son las municipalidades quienes registran la información en los correspondientes formularios; así como complementarlo con variables flujos antes que con variables stocks, dado que de esta manera sería posible aproximar de mejor manera la gestión muncipal. Otra fuente importante de recolección de variables a nivel local tanto de resultados como de insumos, es el SIAF-GL, el cual permite actualmente obtener información en tiempo real sobre la ejecución presupuestal para aproximadamente 700 municipalidades. La importancia de su permanencia, en la actual coyuntura, en la cual se ha propuesto su eliminación, es por demás relevante. Por último, ahondar en el estudio de las funciones de producción municipales según tipos de municipalidades; estudiar a mayor profundidad los determinantes de la eficiencia municipal, como por ejemplo las variables educación o incorporar algunas otras como las de tipo político; evaluar la eficiencia municipal a través del tiempo lo que nos permitiría evaluar la productividad municipal; analizar la eficiencia acorde a metodologías paramétricas según funciones de producción diferentes a las Cobb Douglas; asi como analizar si son más eficientes las municipalidades que más canon reciben, podrían constituir líneas para futuras investigaciones. Un tema de especial importancia es el de los efectos sobre la eficiencia y productividad municipal de los cambios en las transferencias de recursos en el tiempo, considerando que en actualmente los Gobiernos Regionales y Locales están recibiendo mucho más transferencias y canon que en años anteriores, incrementos de dinero que pueden estar afectando su desempeño en el gasto de recursos. 60 Referencias Bibliografía Afonso A. y Fernandes, S. (2003) “Efficiency of Local Government Spending: Evidence for the Lisbon Region”, Mimeo. (2005) "Assessing and Explaining the Relative Efficiency of Local Government: Evidence for Portuguese Municipalities", Working Papers 2005/19, Department of Economics, Institute for Economics and Business Administration (ISEG), Technical University of Lisbon. Afonso, A.; Schuknecht, L. y Tanzi, V. (2003) Public Sector Efficiency: An International Comparison. ECB Working Paper No. 242. Agrell, P. y West, B. (2001) “A caveat on the measurement of productive efficiency”, International Journal of Production Economics, 69, 1-14. Aigner, D.; Lovell, C., y Schmidt, P. (1977) “Formulation and Estimation of Stochastic Frontier Production Function Models”, Journal of Econometrics, 6, 21-37. Alcazar L., Lópex-Calix, J. y Wachtenhein, E. (2003) Las pérdidas en el Camino. Fugas en el Gasto Público: Transferencias Municipales, Vaso de Leche y Sector Educación, Instituto APOYO. Aguilar, G. y Morales, R. (2005) “Las transferencias intergubernamentales, el esfuerzo fiscal y el nivel de actividad”. Instituto de Estudios Peruanos. Alvarado, B.; Rivera, B.; Porras, J. y Vigil. A. (2003) “Transferencias intergubernamentales en las finanzas públicas municipales”. Documento de Trabajo No. 60. Lima: Universidad del Pacífico. CIES. USAID. Athanassopoulos, A. y Triantis, K. (1998) “Assessing Aggregate Cost Efficiency and the Related Policy Implications for Greek Local Municipalities”, INFOR, 36(3), 66-83. Balaguer-Coll, M.; Prior, D. y Tortosa-Ausina, E. (2003) On the determinants of local government performance: A two-stage nonparametric approach. Working Paper 03. Centre for Applied Economic Research. Banker, R.; Charnes, A. y Cooper, W. (1984) “Some Models for the Estimation of Technical and Scale Efficiencies in Data Envelopment Analysis”, Management Science, 30 (9), 1078-1092. Bjurek, H.; Hjalmarsson, L. y Forsund, F.R. (1990) “Deterministic parametric and non parametric estimation. of efficiency in service production. A comparison”, Journal of Econometrics 46, 213-227. 61 Bradford, D.; Malt, R. y Oates, W. (1969) “The Rising Cost of Local Public Services: Some Evidence and Reflections”, National Tax Journal, 22 (2), 185-202. Charnes, A.; Cooper, W. y Rhodes, E. (1978) “Measuring the Efficiency of Decision Making Units”, European Journal of Operational Research, 2, 429-444. Clements, B. (2002) How efficient is education spending in Europe? European Review of Economics and Finance 1(1), 3-26. Coelli, T.; Rao, D. y Battese, G. (2002) An Introduction to Efficiency and Productivity Analysis. Sixth edition, Massachusetts, Kluwer Academic Publishers. Congreso de la República del Perú (2002) Ley No. 27972, Ley Orgánica de Municipalidades. (2002) Ley No. 27783, Ley de Bases de la Descentralización. (2003) Ley No. 27958, Ley de Responsabilidad y Transparencia Fiscal (2003) (2004) Decreto Legislativo No. 955, Descentralización Fiscal. (2004) Ley No. 28273, Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales. (2004) Ley No. 28411, Ley General del Sistema Nacional de Presupuesto. Corbo, V. y De Melo, J. (1986) Measuring technical efficiency: a comparison of alternative methodologies with census data. En: Dogramaci, A. (Ed.), Measurement Issues and Behavior of Productivity Variables. Kluwer Nijhoff, Boston. Davis, M. y Hayes, K. (1993) “The Demand For Good Government”, The Review of Economics and Statistics, 75, 148-152. De Borger, B. y Kerstens, K. (1996a) “Cost efficiency of Belgian local governments: A comparative analysis of FDH, DEA, and econometric approaches”, Regional Science and Urban Economics, 26, 145-170. (1996b) "‘Radial and Nonradial Measures of Technical Efficiency: An Empirical Illustration for Belgian Local Governments using an FDH Reference Technology”, Journal of Productivity Analysis, 7, pp. 5–18. (2000) “What Is Known about Municipal Efficiency?” En: Blank, Jos L. T. (ed), Public Provision and Performance: contributions from efficiency and productivity measurement, Amsterdam, North-Holland, 299-330. Deller, S. (1992) “Production Efficiency in Local Government: A Parametric Approach”, Public Finance, 47 (1), 32-44. 62 Deller, S. y Rudnicki, E. (1992) “Managerial efficiency in local government: Implications on jurisdictional consolidation”, Public Choice, 74, 221-231. Deprins, D., Simar, L., y Tulkens, H. (1984) “Measuring labor-efficiency in post offices”. EN: Marchand, M.; Pestieau, P. y Tulkens, H. (Eds.), The performance of public enterprises: concepts and measurement. Amsterdam: North-Holland. Everitt, B. S., Landau S. y Leese, M. (2001) Cluster Analysis. 4th ed. Londres: Edward Arnold. Farrell, M. (1957) “The Measurement of Productive Efficiency”, Journal of the Royal Statistical Society Series A (General), 120 (3), 253-281. Färe, R.; Grosskopf, S. y Lovell, C. (1994) Production Frontiers. Cambridge: Cambridge University Press. Ferrier, G.D., y Lovell, C. (1990) “Measuring Cost Efficiency in Banking: Econometric and Linear Programming Evidence”, Journal of Econometrics 46: 229-245. Fisher, R. (1996) State and local Public Finance. USA, Irwin. Fox, K. (2002) (ed.). Efficiency in the Public Sector, Kluwer. Gong, B. y Sickles, R. (1992) “Finite Sample Evidence on the Performance of Stochastic Frontiers and Data Envelopment Analysis Using Panel Data”, Journal of Econometrics 51,259-284. Greene, W. (1981) “On the Asymptotic Bias of the Ordinary least Squares estimator of the Tobit Model”. Econometrica 49:505-513. (1993) “The econometric approach to efficiency analysis”. En: Fried, H.; Lovell, C. y Schmidt, S. (eds), The Measurement of Productive Efficiency: Techniques and Applications. New York, Oxford University Press, 68-119. Hamilton, B. (1983) “The flypaper effect and other anomalies”, Journal of Public Economics 22, 347-361. Hayes, K. y Chang, S. (1990) “The Relative Efficiency of City Manager and Mayor-Council Forms of Government”, Southern Economic Journal, 57, pp. 167–77. Herrera, P. y Málaga, R. (2007) Indicadores de desempeño y análisis de eficiencia de los municipios peruanos: Una aproximación no paramétrica en un contexto de descentralización. CIES. 63 INEI (2004) Registro Nacional de Municipalidades 2004. Kliksberg, B. (2004) Capital Social: Una idea de alta relevancia para la gestión municipal. Consejo Nacional de la Descentralización. Land, K.; Lovell, C. y Thore, S. (1993) “Chance-constrained Data Envelopment Analysis”, Managerial and Decision Economics, 14, 541-554. Loikkanen, H. y Susiluoto, I. (2005) "Cost efficiency of Finnish municipalities in basic service provision 1994-2002". ERSA conference papers ersa05, European Regional Science Association. Lovell, C. (1993) “Production Frontiers and Productive Efficiency”. En: Fried, H.; Lovell, C. y Schmidt, S. (eds), The Measurement of Productive Efficiency-Techniques and Applications. New York, Oxford University Press, 3-67. (2000) “Measuring Efficiency in the Public Sector”. En: Blank, Jos L. T., (ed), Public Provision and Performance. Amsterdam, North-Holland. Lovell, C., y Schmidt, P. (1988) "A Comparison of Alternative Approaches to the Measurement of Productive Efficiency." En: A. Dogramaci and R Fare (eds.), Applications of Modern Production Theory: Efficiency and Productivity. Boston: Kluwer Academic Publishers. Marlow, L. (1988) “Fiscal Decentralization and Government Size”, Public Choice, 56, 259-270. Malhotra, N. (2004) “Análisis por conglomerados”. En: Investigación de Mercados: Un Enfoque Aplicado. Cuarta Edición. México, Pearson Educación, 584-607. MEF (2004) Aplicación de las reglas fiscales para los Gobiernos Locales 2003: Un análisis preliminar. Boletín de Transparencia Fiscal No. 35. Meeusen, W. y Van den Broeck, J. (1977) "Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error", International Economic Review, Department of Economics, University of Pennsylvania and Osaka University Institute of Social and Economic Research Association, vol. 18(2). Mueller, D. (1989) Public Choice II. Cambridge, Cambridge University Press. Olesen, O. y Petersen, N. (1995) “Chance Constrained Efficiency Evaluation”, Management Science, 41, 442-457. 64 Olson, J. A., Schmidt, P. y Waldman, D. W. (1980) “A Monte Carlo study of estimators of stochastic frontier production functions”, Journal of Econometrics 13, 67-82. Oates, W. E. (1972) Fiscal Federalism. New York: Harcourt Brace Jovanovich. Presidencia del Consejo de Ministros. (2003) Decreto Supremo No. 036-2003-PCM (2003) Decreto Supremo No. 088-2003-PCM (2004) Decreto Supremo No. 038-2004-PCM Prieto, A. y Zofio, J. (2001) “Evaluating Effectiveness in Public Provision of Infrastructure and Equipment: The Case of Spanish Municipalities”, Journal of Productivity Analysis, 15 (1), 41-58. PRODES (2007) Proceso de Descentralización. La agenda a cuatro años de iniciado el proceso. Sampaio de Sousa, M. y Stosic, B. (2003) “Technical Efficiency of the Brazilian Municipalities: Correcting Non-Parametric Frontier Measurements for Outliers”, Working Paper 294, Department of Economics University of Brasilia. Schwab, R. y Oates, W. (1991) “Community composition and the provision of local public goods”, Journal of Public Economics, 44, 217-237. Silkman, R. y Young, D. (1982) “X-Efficiency and state formula grants”, National Tax Journal 35, 383-397. Spann, R. (1977) Public versus private provision of governmental services. EN: T. Borcherding (ed.) Budgets and bureaucrats: The sources of government growth, Duke University Press, Durham, NC, 71-89. Tanzi, V. y Schuknecht, L. (2000) Public Spending in the 20th Century: A Global Perspective, Cambridge: Cambridge University Press. Torero, M. y Valdivia M. (2002) La heterogeneidad de las municipalidades y el proceso de descentralización en el Perú. GRADE. Vanden Eeckaut, P.; Tulkens, H. y Jamar, M.-A. (1993) “Cost Efficiency in Belgian Municipalities”, EN: Fried, H.; Lovell, C. y Schmidt, S. (eds), The Measurement of Productive Efficiency – Techniques and Applications. New York, Oxford University Press, 300-334. 65 Worthington, A. y Dollery B. (2000a) Efficiency Aspects of NSW Local Governments’ Domestic Waste Management Service. Working Paper Series in Economics ISSN 1442 2980. School of Economic Studies. University of New England. (2000b) "Efficiency Measurement in the Local Public Sector: Econometric and Mathematical Programming Frontier Techniques", Discussion Papers in Economics, Finance and International Competitiveness, School of Economics and Finance. Queensland University of Technology, No. 78. 66 ANEXOS Anexo 1. Marco normativo del proceso de descentralización 2002-2007 El actual proceso de descentralización peruano se inició en el año 2002 con la promulgación de dos normas: Ley No. 27680, Ley de Reforma Constitucional del Capítulo XIV del Título IV de la Constitución Política del Perú sobre descentralización (marzo del 2002) y Ley No. 27783, Ley de Bases de la Descentralización (junio del 2002), las cuales establecieron los lineamientos normativos de diversos procesos vinculados requeridos como indispensables para el desarrollo de la descentralización en el país. En primer lugar, establecieron la descentralización del Presupuesto de la República con la finalidad de asegurar la participación efectiva de la sociedad civil en el proceso de formulación presupuestal, proceso que sería desarrollado posteriormente en la Ley No. 28056, Ley Marco del Presupuesto Participativo, aprobada en agosto del 2003. En segundo lugar, establecieron la asignación de funciones, competencias y recursos a los Gobiernos Regionales y Locales, cuyos mecanismos e instrumentos se desarrollaron en la Ley No. 28273, Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales, aprobada en julio del 2004. En tercer lugar, establecieron el inicio del proceso de regionalización mediante la elección de Gobiernos Regionales en los actuales departamentos, como una fase previa para la conformación de regiones mediante referéndum, estableciéndose los incentivos económicos de dicha conformación en el Decreto Legislativo No. 955, Ley de Descentralización Fiscal promulgada en febrero del 2004 y en la Ley No. 28274, Ley de Incentivos para la Integración y Conformación de Regiones promulgada en julio del 2004. Finalmente, establecieron la estructura orgánica, las competencias, así como los bienes y rentas de los Gobiernos Regionales y Locales, los cuales fueron desarrollados con posterioridad, en la Ley No. 27867, Ley Orgánica de Gobiernos Regionales (noviembre 2002) y la Ley No. 27972, Ley Orgánica de Municipalidades (mayo 2003); respectivamente. En el marco del proceso de descentralización, el proceso vinculado al cual mayor importancia se le brindó durante el gobierno de Alejandro Toledo (2001-2006) y que actualmente viene teniendo en el gobierno de Alan García es el de asignación de competencias y funciones a los Gobiernos Regionales y Locales. Su importancia radica en el hecho de acercar las decisiones de políticas públicas a las autoridades locales, aquellas que se encuentran más próximas a las poblaciones, las cuales conocen con mayor exactitud las demandas de la ciudadanía, por lo que podrían elevar el bienestar general mediante una provisión más focalizada de los bienes y servicios públicos locales. Sin embargo, a pesar de la importancia brindada a este proceso, la evidencia muestra que el marco legal vinculado ha sido (y viene siendo) complejo y desordenado. Éste se inició en octubre del 2003, con la promulgación del Decreto Supremo No. 088-2003-PCM por el cual se estableció la transferencia de los fondos, programas y proyectos de lucha contra la pobreza (proyectos y programas del FONCODES, PRONAA, PRONAMACHS, PROVÍAS RURAL y ORDESUR); y de los proyectos de infraestructura productiva de alcance regional a los Gobiernos Regionales (proyectos de INADE, PROVÍAS RURAL y electrificación rural) en función al Cronograma de Transferencias a los Gobiernos Regionales y Locales para el año 200350 51. Más adelante, en mayo del 2004, se promulgó el Decreto Supremo No. 038-2004- 50 Promulgada en marzo del 2003 mediante el Decreto Supremo No. 036-2003-PCM. Cabe mencionar que posterior a esta norma y previo a la promulgación del Decreto Supremo No. 088-2003-PCM, se aprobaron la Resolución Presidencial No. 070-CND-P-2003 y la Resolución Presidencial No. 071-CND- P-2003, por las cuales se aprobaron directivas sobre el procedimiento, y los mecanismos de verificación para la ejecución de transferencia a los Gobiernos Regionales y Locales de los fondos, proyectos y programas a que se refiere el Decreto Supremo No. 036-2003-PCM; respectivamente. 67 PCM, por el cual se aprobó el Plan Anual de Transferencias de Competencias Sectoriales a los Gobiernos Regionales y Locales para el año 2004, que en la práctica significó: (i) la complementación de la transferencia de fondos, proyectos y programas del PRONAA y FONCODES iniciada en el 2003, a 58 y 165 municipalidades provinciales y distritales, respectivamente; (ii) la transferencia del proyecto para el mantenimiento rutinario de caminos vecinales-PROVÍAS RURAL a 97 Institutos Viales Provinciales y, (iii) la transferencia de los proyectos de inversión en infraestructura productiva sectoriales a los Gobiernos Regionales52; y no así la transferencia de “competencias sectoriales” como establecía la norma. Va a ser recién en julio del 2004, con la aprobación de la Ley No. 28273, Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales que se estableció un proceso operativo relativamente sistemático para el proceso de asignación de transferencias de competencias y funciones: el Sistema de Acreditación Nacional encargado de medir, a través de un Sistema de Información para la Gestión Pública Descentralizada, la capacidad y desempeño de los tres niveles de gobierno, cuya finalidad es la de garantizar una transferencia ordenada y progresiva de competencias, funciones y recursos del Gobierno Nacional hacia los Gobiernos Regionales y Locales. Los integrantes del Sistema de Acreditación son 3: el Gobierno Nacional, a través de los sectores, el CND y los Gobiernos Regionales y Locales, y su funcionamiento es como sigue: Figura No. 1 Funcionamiento del Sistema de Acreditación Sistema de Acreditación 2. Gobiernos Regionales y Locales Solicitan y reciben las competencias en función a los planes anuales de transferencia y a sus capacidades de gestión 1. Sectores del Gobierno Central Proponen al CND los planes sectoriales de transferencia de competencias y funciones 3. CND Elabora la metodología e indicadores sobre la base del cual certifican la acreditación de las transferencias de competencias y funciones Elaboración: propia 51 Se estableció la transferencia de los proyectos de infraestructura social del FONCODES, que incluye el PESP RURAL, a 241 Gobiernos Locales distritales; y los programas de comedores, alimentos por trabajo, hogares y albergues, a cargo del PRONAA, a 67 Gobiernos Locales provinciales. Asimismo, se estableció la transferencia del programa de mantenimiento rutinario de caminos vecinales y departamentales del PROVÍAS RURAL del Ministerio de Transportes y Comunicaciones a 12 Gobiernos Locales y a 4 Gobiernos Regionales (Ancash, Cajamarca, Ica y San Martín), y la transferencia de proyectos de reconstrucción de ORDESUR a 29 Gobiernos Locales provinciales. 52 Se incluyeron proyectos de infraestructura del Ministerio de Agricultura, Ministerio de Transporte Exterior y Turismo, Ministerio de Transportes y Comunicaciones y del Ministerio de Vivienda, Construcción y Saneamiento. 68 La interacción de los actores que participan del Sistema de Acreditación, así como la secuencia el funcionamiento del mismo se estableció en el Decreto Supremo No. 080-2004- PCM por el cual se aprobó el reglamento de la Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales. El proceso de asignación de competencias y funciones, denominado también “proceso de acreditación de competencias y funciones”, empieza una vez que el Plan Anual de Transferencias es aprobado y se desarrolla siguiendo las siguientes 4 etapas, tal como se muestra en la siguiente figura53: Figura No. 2 Proceso de transferencia de competencias, funciones y recursos a los Gobiernos Regionales y Locales 2. Certificación (Agosto – hasta último día hábil de septiembre) El CND o las entidades certificadoras realizan la certificación de las competencias sectoriales solicitadas. 1. Solicitud y suscripción de convenios (Hasta el último día hábil de abril) Los Gobiernos Regionales y Locales solicitan al CND la transferencia de competencias y recursos y suscriben con éste y los sectores convenios de cooperación para la asistencia técnica respecto a las competencias solicitadas. 3. Acreditación (Hasta el último día hábil de octubre) El CND acredita a los Gobiernos Regionales y Locales que cumplan con la certificación. 4. Efectivización (Desde el año siguiente al proceso de acreditación) El CND transfiere las funciones sectoriales a los Gobiernos Regionales y Locales acreditados, previa suscripción de Actas de Entrega y Suscripción y la promulgación de los respectivos Decretos Supremos. Proceso de acreditación Elaboración: propia Los requisitos que deben cumplir los Gobiernos Regionales y Locales para acceder a las competencias y funciones materia de transferencia también fueron establecidos en el reglamento de la Ley de Acreditación. Se establecieron una serie de requisitos genéricos, algunos de ellos innecesarios para la acreditación de capacidades de gestión locales, como por ejemplo el contar con programas de inversiones con un presupuesto no menor al 50% del FONCOMUN, elaborar programas de desarrollo institucional local o presentar cuadros de asignación de personal, presupuesto analítico de personal, y reglamentos y manuales de organización y funciones desarrollados acorde a las competencias solicitadas; lo cual desestima lo que debe de constituir un sistema de requerimientos simples y concretos para la acreditación de capacidades para la transferencia de funciones. Para quienes sí se establecieron requisitos mínimos simplificados fue para aquellas municipalidades que perciben menos de 8 UIT por concepto de FONCOMUN, así como para aquellas que cuentan con capacidad instalada insuficiente, estableciéndose para estos la elaboración de los Planes de Desarrollo Local Concertado, la elaboración y aprobación del presupuesto participativo y las actas de instalación y sesiones de los Concejos de Coordinación Local. Por último, el reglamento de la Ley de Acreditación también estableció la elaboración de un Plan de Transferencia Sectorial de Mediano Plazo para un período de 5 años, el cual deberá ser trabajado por los Sectores en 53 Se estableció que los Planes Anuales de Transferencia de competencias deberán: (i) ser publicados mediante Decreto Supremo antes del 6 de abril de cada año, (ii) contener los requisitos específicos e indicadores de gestión que deberán cumplir los Gobiernos Regionales y Locales que soliciten la transferencia de competencias sectoriales, y (iii) ser elaborados a partir de los planes sectoriales (propuestos por los Sectores hasta el último día hábil del mes de febrero de cada año). 69 coordinación con los Gobiernos Regionales y Locales hasta fines del mes de octubre de cada año, y deberán ser consolidados por el CND para su aprobación mediante Resolución. El marco normativo del proceso de asignación de competencias y funciones se completa con la promulgación del Decreto Supremo No. 052-2005-PCM (julio 2005) y del Decreto Supremo No. 021-2006-PCM (abril 2006), por lo cuales se aprobaron los Planes Anuales de Transferencias a los Gobiernos Regionales y Locales para los años 2005 y 2006, respectivamente. En el primero de ellos se estableció la transferencia a los Gobiernos Regionales de 28 funciones sectoriales vinculadas a los sectores de Agricultura, Energía y Minas, Salud y Transportes y Comunicaciones; y en el caso de los Gobiernos Locales la transferencia de aquellas funciones que les habían sido asignadas a las municipalidades con anterioridad (programas del PRONAA y FONCODES54), así como los programas del PROVÍAS RURAL a 12 nuevos Institutos Viales Provinciales (IVP)55. Por otro lado, en el Plan de Transferencias para el año 2006, se estableció la transferencia a los Gobiernos Regionales de funciones de los sectores de Educación, Energía y Minas, Salud, Trabajo y Promoción del Empleo y de la Presidencia del Consejo de Ministros. En cuanto a los municipios provinciales se programó la transferencia de los programas del PRONAA y del PROVÍAS RURAL, mientras que en el caso de los municipios distritales no programó transferencia alguna. Como puede apreciarse el marco legal vinculado al proceso de descentralización de competencias y funciones hacia los Gobierno Regionales y Locales ha sido desordenado, complejo y diverso, lo cual se evidencia en un sistema para la acreditación de competencias y funciones cargado de requisitos, alguno de ellos innecesarios, enmarcados en un sistema poco claro. Además de que lo establecido en la normativa no ha traducido al plano práctico, desde que: (i) algunas competencias y funciones se han asignado y otras no, (ii) algunas en los plazos y condiciones establecidas y otras fuera de ellos, (iii) no se han contemplado la transferencia de los correspondientes recursos financieros, personal, acervo documentario y activos físicos para poder acceder a las competencias y funciones transferidas de manera adecuada (tal como lo establece la normativa); lo cual evidencia un proceso que ha mostrado cierta renuencia por parte de los sectores del Gobierno Central a descentralizarse56. Este conjunto de factores desfavorables para el avance de la descentralización del país son los que motivaron al Poder Ejecutivo a emitir en octubre del 2006 dos Decretos Supremos, primero el Decreto Supremo No. 068-2006-PCM, por el cual se establece la culminación de las transferencias de competencias y funciones programadas para el período 2006-2010 hacia fines del año 2007; y luego el Decreto Supremo No. 076-2006-PCM por el cual se amplía el Plan Anual de Transferencias del año 2006 asignándose mayores competencias y funciones a los Gobiernos Regionales y Locales. Si bien estas dos últimas normas otorgarán mayor dinamismo al proceso de descentralización peruano, al mismo tiempo establecen nuevos desafíos desde que el esquema de funcionamiento y las bases del sistema de acreditación de competencias y funciones no se han ido adecuado a un proceso de descentralización más acelerado; en el cual se vienen asignando competencias y funciones a los menores niveles de 54 Se estableció la suscripción de Convenios de Gestión entre el MINDES y los 406 Gobiernos Locales distritales (verificados por el CND) para la ejecución de los programas de FONCODES en el año 2005. En el caso de la transferencia del PRONAA, se estableció el fortalecimiento del proceso de transferencia iniciado en el 2003, con las 125 municipalidades provinciales verificadas con las cuales el MINDES había firmado Convenios de Gestión. 55 Ubicados en los departamentos de Ancash, Apurimac, Ayacucho, Cajamarca, Cusco, Junín y Puno. 56 Tal como lo señala PRODES (2007): “...la lentitud de las transferencias de responsabilidades, lo engorroso y confuso de los procedimientos de acreditación y el hecho de que las funciones transferidas correspondían a tareas que ya se estaban ejecutando en los niveles descentralizados, acrecentaron la percepción de un proceso débil para lo cual no existía voluntad política”. 70 gobierno sin la correspondiente evaluación ex-post de si esos recursos están siendo ejecutados de manera eficiente. Al respecto, se considera de suma importancia contar con un Sistema de Medición de las Capacidades de la Gestión Municipal, para la evaluación del desempeño en las municipalidades del país. 71 Marco normativo del proceso de descentralización 2002-2007 Ley No. 27683 Ley de Elecciones Regionales 14 de marzo Ley No. 27783 Ley de Bases de la Descentralización 17 de julio Ley No. 27867 Ley Orgánica de Gobiernos Regionales 16 de noviembre Decreto Supremo No. 036-2003-PCM sociales 30 de marzo Ley No. 27972 Ley Orgánica de Municipalidades 6 de mayo Ley No. 27958 Ley de Responsabilidad y Transparencia Fiscal 7 de mayo Ley No. 28056 Ley Marco del Presupuesto Participativo 7 de agosto Ley No. 28059 Ley Marco de Promoción de la Inversión Descentralizada 12 de agosto Decreto Supremo No. 088-2003-PCM Transferencia de los fondos, proyectos y programas sociales a que se refiere el DS No. 036-2003-PCM 29 de octubre Resolución Presidencial 162-CND-P-2003 Plan Nacional de Descentralización 2004-2006 22 de diciembre Decreto Legislativo No. 955 Ley de Descentralización Fiscal 4 de febrero Decreto Supremo No. 038-2004-PCM Plan Anual de Transferencia de competencias sectoriales a los Gobiernos Regionales y Locales 2004 11 de mayo Ley No. 28273 Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales 8 de julio Ley No. 28274 Ley de Incentivos para la Integración y Conformación de Regiones 8 de julio Decreto Supremo No. 080-2004-PCM Reglamento de la Ley del Sistema de Acreditación de los Gobiernos Regionales y Locales 15 de noviembre Resolución Presidencial 026-CND-P-2005 Plan de Transferencia Sectorial del Quinquenio 2005-2009 29 de marzo Decreto Supremo No. 052-2005-PCM Plan Anual de Transferencias a los Gobiernos Regionales y Locales 2005 27 de julio Decreto Supremo No. 021-2006-PCM Plan Anual de Transferencias de Competencias Sectoriales a los Gobiernos Regionales y Locales del año 2006 26 de abril Ley No. 28802 Ley que modifica el Sistema Nacional de Inversión Pública 19 de julio Decreto Supremo No. 068-2006-PCM Disposiciones relativas a la culminación de las transferencias programadas a los Gobiernos Regionales y Locales 12 de octubre Decreto Supremo No. 036-2007-PCM Plan Anual de Transferencias de Competencias Sectoriales a los Gobiernos Regionales y Locales del año 2007 12 de abril D.U. No. 013-2007 Autorizan para el presente año fiscal la contratación de docentes en los gobiernos regionales con recursos provenientes del canon y sobrecanon 10 de mayo 2007 2006 Modifican el Plan Anual de Transferencias de Competencias Sectoriales a los Gobiernos Regionales y Locales del año 2006Decreto Supremo No. 076-2006-PCM 30 de octubre Resolución Presidencial N° 050-CND-P-2005 Aprueban Directiva No. 003-CND-P-2005 sobre normas para la ejecución de la transferencia a los Gobiernos Regionales yLocales de los fondos, proyectos, programas y funciones sectoriales a que se refiere el DS No. 052-2005-PCM 11 de agosto Resolución Presidencial 071-CND-P-2003 Aprueban Directiva No. 003-CND-P-2003 sobre los mecanismos de verificación para la ejecución de la transferencia a los Gobiernos Regionales y Locales de los fondos, proyectos y programas a que se refiere el DS No. 036-2003-PCM, en función a las capacidade 27 de mayo Resolución Presidencial 057-CND-P-2004 Aprueban Directiva No. 002-CND-P-2004 sobre procedimientos, plazos y mecanismos de verificacón para la ejecución de la transferencia a los Gobiernos Regionales y Locales de los fondos, proyectos y programas a que se refiere el DS No. 038- 2004-PCM 6 de julio 2004 Aprueban Directiva No. 002-CND-P-2003 sobre el procedimiento para la ejecución de la transferencia a los Gobiernos Regionales y Locales de los fondos, proyectos y programas a que se refiere el DS No. 036-2003-PCM 23 de mayo Ley No. 27680 Ley de Reforma Constitucional del Capítulo XIV del Título IV sobre descentralización 2002 Tipo y número de norma Norma Legal Fecha de promulgación Decreto Supremo No. 114-2005-EF Reglamento de la Ley de Descentralización Fiscal 8 de septiembre 6 de marzo 2003 Decreto Supremo No. 021-2004-PCM Plan Nacional de Capacitación y asistencia Técnica en Gestión Pública para el fortalecimiento de los Gobiernos Regionalesy Locales 18 de marzo 2005 Resolución Presidencial 070-CND-P-2003 72 Anexo 2-A. Estadísticos descriptivos del análisis de conglomerados: tipología de municipalidades provinciales Estadísticos Población Urbanidad NBI1 Mean 30095.7 77.3 25.0 Std. Dev. 27624.8 11.6 7.3 Min 1561.0 46.9 10.5 Max 162862.0 98.0 42.0 Mean 127714.7 94.9 16.7 Std. Dev. 92946.0 5.5 7.3 Min 30222.0 78.2 3.9 Max 404588.0 100.0 35.2 Mean 13410.5 26.6 52.3 Std. Dev. 10327.1 12.5 7.9 Min 2596.0 9.5 39.3 Max 52233.0 57.4 68.1 Mean 16283.6 42.2 32.7 Std. Dev. 14741.8 15.5 7.7 Min 821.0 14.1 17.5 Max 77384.0 77.8 55.2 Categoría 4: Semi-rural (68 municipalidades) Categoría 1: Ciudades intermedias (57 municipalidades) Categoría 2: Metrópolis (33 municipalidades) Categoría 3: Rural (36 municipalidades) 73 Anexo 2-B. Estadísticos descriptivos del análisis de conglomerados: tipología de municipalidades distritales Estadísticos Población Urbanidad NBI1 Mean 7289.4 48.1 34.7 Std. Dev. 9778.2 12.5 9.3 Min 91.0 18.0 9.1 Max 95776.0 85.7 56.3 Mean 1461.3 68.4 64.4 Std. Dev. 1439.7 17.4 12.2 Min 110.0 32.5 40.5 Max 12247.0 100.0 93.5 Mean 12803.2 85.1 24.1 Std. Dev. 14882.1 9.9 8.2 Min 112.0 59.2 0.7 Max 97451.0 100.0 43.1 Mean 133421.9 98.5 12.0 Std. Dev. 142511.4 3.1 6.8 Min 20792.0 83.4 1.0 Max 843961.0 100.0 30.2 Mean 6434.5 14.4 41.2 Std. Dev. 5611.5 8.3 11.6 Min 317.0 1.0 8.3 Max 43900.0 42.3 76.6 Mean 2935.1 22.3 66.8 Std. Dev. 2139.7 10.2 8.2 Min 361.0 1.5 50.3 Max 10342.0 46.4 88.8 Categoría 5: Rural pobre (672 municipalidades) Categoría 6: Rural pobre extremo (177 municipalidades) Categoría 1: Semi-urbano (324 municipalidades) Categoría 2: Urbano pobre (200 municipalidades) Categoría 3: Urbano (188 municipalidades) Categoría 4: Ciudades metropolitanas (73 municipalidades) 74 Anexo 3-A. Distribución de las categorías municipalidades provinciales acorde a las variables de tipificación 0 .2 .4 .6 .8 1 0 .2 .4 .6 .8 1 C1 C2 C3 C4 NORMLNPOB NORMPOBURB 0 .2 .4 .6 .8 1 NORMLNPOB 0 .2 .4 .6 .8 1 NORMNBI1 C1 C2 C3 C4 0 .2 .4 .6 .8 1 NORMPOBURB 0 .2 .4 .6 .8 1 NORMNBI1 C1 C2 C3 C4 75 Anexo 3-B. Distribución de las categorías municipalidades distritales acorde a las variables de tipificación 0 .2 .4 .6 .8 1 NORMLNPOB 0 .2 .4 .6 .8 1 NORMPOBURB C1 C2 C3 C4 C5 C6 0 .2 .4 .6 .8 1 0 .2 .4 .6 .8 1 NORMNBI1 C1 C2 C3 C4 C5 C6 NORMLNPOB 0 .2 .4 .6 .8 1 NORMPOBURB 0 .2 .4 .6 .8 1 NORMNBI1 C1 C2 C3 C4 C5 C6 76 Anexo 4-A. Indicadores y ranking de eficiencia según metodologías y categorías de municipalidades provinciales Categoría 1: Ciudades intermedias Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica San Martín RIOJA 29.952 0.317 1.000 1.000 1.000 0.816 0.973 0.958 1 San Martín LAMAS 28.603 0.290 1.000 0.959 1.000 0.730 0.886 0.915 2 Cusco LA CONVENCION - SANTA ANA 40.928 0.312 0.732 0.720 0.726 0.868 1.000 0.809 3 Junín JAUJA 40.298 0.287 0.710 0.673 0.706 0.787 0.918 0.759 4 Arequipa CARAVELI 30.675 0.230 0.932 0.709 0.836 0.569 0.709 0.751 5 Ayacucho LUCANAS - PUQUIO 42.298 0.281 0.676 0.628 0.666 0.779 0.905 0.731 6 La Libertad PACASMAYO - SAN PEDRO DE LLOC 22.861 0.173 1.000 0.716 1.000 0.371 0.513 0.720 7 Lima HUARAL 47.381 0.270 0.604 0.538 0.582 0.765 0.881 0.674 8 Junín SATIPO 26.023 0.167 0.878 0.607 0.878 0.368 0.504 0.647 9 Ancash HUARAZ 67.294 0.274 0.425 0.384 0.413 0.851 0.938 0.602 10 Arequipa CAMANA 64.814 0.267 0.441 0.390 0.424 0.821 0.911 0.598 11 Junín CONCEPCION 47.922 0.221 0.597 0.436 0.526 0.611 0.724 0.579 12 La Libertad SANCHEZ CARRION - HUAMACHUCO 50.923 0.215 0.562 0.399 0.489 0.602 0.710 0.552 13 Cusco ESPINAR 73.640 0.248 0.388 0.319 0.360 0.780 0.861 0.542 14 Amazonas LUYA - LAMUD 25.545 0.000 0.895 0.002 0.895 0.895 0.001 0.538 15 Cajamarca CAJAMARCA 76.720 0.248 0.373 0.305 0.346 0.788 0.865 0.535 16 Amazonas BONGARA - JUMBILLA 32.087 0.147 0.712 0.434 0.712 0.332 0.456 0.529 17 Madre de Dios TAMBOPATA 98.138 0.246 0.291 0.237 0.269 0.831 0.887 0.503 18 Apurimac ANDAHUAYLAS 40.171 0.166 0.569 0.390 0.569 0.412 0.529 0.494 19 Junín CHANCHAMAYO 28.152 0.099 0.812 0.331 0.812 0.181 0.300 0.487 20 Lima CAÑETE - SAN VICENTE DE CAÑETE 31.324 0.108 0.730 0.324 0.730 0.214 0.332 0.466 21 Loreto REQUENA 63.348 0.190 0.452 0.284 0.374 0.552 0.647 0.462 22 Ayacucho HUANTA 45.330 0.162 0.504 0.337 0.504 0.414 0.525 0.457 23 Ancash BOLOGNESI - CHIQUIAN 39.617 0.140 0.577 0.334 0.577 0.332 0.447 0.453 24 Huánuco DOS DE MAYO - LA UNION 32.615 0.026 0.701 0.075 0.701 0.701 0.080 0.452 25 Huancavelica HUANCAVELICA 43.228 0.152 0.529 0.331 0.529 0.376 0.489 0.451 26 Cajamarca CELENDIN 40.572 0.136 0.563 0.317 0.563 0.322 0.436 0.440 27 Piura MORROPON - CHULUCANAS 72.698 0.189 0.393 0.246 0.325 0.568 0.655 0.437 28 Loreto ALTO AMAZONAS - YURIMAGUAS 67.205 0.182 0.426 0.256 0.347 0.532 0.624 0.437 29 Lambayeque FERREÑAFE 56.878 0.171 0.402 0.283 0.402 0.471 0.572 0.426 30 Junín JUNIN 72.436 0.182 0.395 0.237 0.321 0.541 0.628 0.425 31 San Martín BELLAVISTA 50.084 0.154 0.456 0.290 0.456 0.399 0.506 0.422 32 Tumbes CONTRALMIRANTE VILLAR 322.905 0.201 0.089 0.059 0.075 1.000 0.854 0.415 33 San Martín TOCACHE 53.108 0.155 0.430 0.275 0.430 0.409 0.513 0.412 34 Ancash CASMA 59.801 0.164 0.382 0.259 0.382 0.454 0.553 0.406 35 Ica NAZCA 55.226 0.146 0.414 0.249 0.414 0.383 0.486 0.389 36 Cajamarca JAEN 44.439 0.112 0.514 0.238 0.514 0.253 0.362 0.376 37 Amazonas RODRIGUEZ DE MENDOZA - SAN NICOLAS 88.622 0.164 0.258 0.175 0.258 0.506 0.583 0.356 38 Lima CANTA 68.088 0.146 0.336 0.202 0.336 0.407 0.499 0.356 39 San Martín MOYOBAMBA 44.360 0.095 0.515 0.203 0.515 0.201 0.309 0.349 40 Ica PALPA 101.015 0.162 0.226 0.151 0.226 0.517 0.586 0.341 41 Ayacucho VICTOR FAJARDO - HUANCAPI 48.077 0.095 0.476 0.187 0.476 0.206 0.312 0.331 42 Amazonas CHACHAPOYAS 79.506 0.141 0.288 0.167 0.288 0.408 0.493 0.329 43 Tumbes ZARUMILLA 164.599 0.163 0.139 0.093 0.139 0.593 0.630 0.319 44 Puno MELGAR - AYAVIRI 57.877 0.107 0.395 0.175 0.395 0.259 0.359 0.317 45 San Martín MARISCAL CACERES - JUANJUI 54.051 0.094 0.423 0.165 0.423 0.211 0.313 0.307 46 Ancash HUARMEY 84.646 0.129 0.270 0.144 0.270 0.373 0.457 0.303 47 Junín TARMA 67.810 0.110 0.337 0.153 0.337 0.283 0.378 0.298 48 Junín YAULI - LA OROYA 111.212 0.138 0.206 0.117 0.206 0.437 0.506 0.294 49 Amazonas BAGUA - LA PECA 52.459 0.073 0.436 0.132 0.436 0.141 0.243 0.278 50 Piura SECHURA 101.819 0.124 0.225 0.115 0.225 0.372 0.449 0.277 51 Arequipa ISLAY - MOLLENDO 88.782 0.100 0.258 0.106 0.257 0.269 0.355 0.249 52 San Martín HUALLAGA - SAPOSOA 60.178 0.064 0.380 0.100 0.380 0.116 0.215 0.238 53 Tacna TARATA 156.743 0.100 0.146 0.060 0.146 0.319 0.383 0.211 54 Cusco CANCHIS - SICUANI 79.573 0.050 0.287 0.060 0.287 0.081 0.176 0.178 55 64.994 0.165 0.494 0.310 0.481 0.487 0.553 0.465 45.845 0.072 0.228 0.221 0.228 0.231 0.238 0.173 22.861 0.000 0.089 0.002 0.075 0.081 0.001 0.178 322.905 0.317 1.000 1.000 1.000 1.000 1.000 0.958 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Mean Std. Dev. Min Max 77 Categoría 2: Metrópolis Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Junín HUANCAYO 54.671 0.487 1.000 1.000 1.000 1.000 0.892 0.978 1 Lima HUACHO 40.696 0.352 1.000 0.971 1.000 0.766 0.835 0.914 2 San Martín SAN MARTIN - TARAPOTO 58.808 0.480 0.930 0.917 0.918 0.801 0.889 0.891 3 Lima LIMA 54.965 0.356 0.995 0.727 0.748 0.758 0.825 0.811 4 Lambayeque LAMBAYEQUE 28.364 0.196 1.000 0.775 1.000 0.608 0.614 0.799 5 Lambayeque CHICLAYO 36.807 0.229 1.000 0.698 0.841 0.654 0.671 0.773 6 Lima BARRANCA 47.652 0.284 0.854 0.669 0.741 0.711 0.752 0.745 7 Ica CHINCHA - CHINCHA ALTA 40.097 0.228 0.918 0.639 0.771 0.647 0.664 0.728 8 Loreto MAYNAS - IQUITOS 58.475 0.342 0.696 0.657 0.682 0.748 0.810 0.719 9 Huánuco HUANUCO 56.238 0.293 0.724 0.585 0.641 0.712 0.756 0.683 10 Ica ICA 54.964 0.273 0.740 0.559 0.627 0.692 0.727 0.669 11 Piura SULLANA 59.528 0.252 0.684 0.476 0.551 0.660 0.685 0.611 12 Ayacucho HUAMANGA 56.704 0.239 0.718 0.473 0.560 0.642 0.661 0.611 13 Piura PIURA 63.214 0.265 0.644 0.472 0.536 0.674 0.704 0.606 14 Tacna TACNA 117.219 0.472 0.466 0.452 0.453 0.784 0.867 0.604 15 Huánuco LEONCIO PRADO - RUPA RUPA 50.528 0.202 0.728 0.449 0.571 0.578 0.587 0.583 16 Pasco PASCO - CHAPIMARCA 39.272 0.159 0.722 0.456 0.722 0.484 0.494 0.576 17 La Libertad CHEPEN 55.099 0.216 0.668 0.441 0.544 0.603 0.614 0.574 18 Arequipa AREQUIPA 45.710 0.193 0.621 0.475 0.621 0.566 0.573 0.571 19 El Callao EL CALLAO 106.977 0.343 0.380 0.361 0.374 0.725 0.781 0.524 20 Puno SAN ROMAN - JULIACA 71.649 0.217 0.514 0.340 0.419 0.584 0.596 0.491 21 Ucayali CORONEL PORTILLO 77.826 0.221 0.473 0.318 0.390 0.585 0.599 0.473 22 Apurimac ABANCAY 53.898 0.162 0.526 0.337 0.526 0.465 0.480 0.467 23 Cusco CUZCO 120.377 0.299 0.338 0.279 0.304 0.678 0.716 0.463 24 Moquegua ILO 228.437 0.459 0.239 0.226 0.227 0.761 0.838 0.458 25 La Libertad TRUJILLO 58.610 0.162 0.484 0.310 0.484 0.458 0.475 0.442 26 Piura PAITA 82.954 0.175 0.342 0.237 0.342 0.468 0.487 0.375 27 Moquegua MARISCAL NIETO - MOQUEGUA 246.703 0.298 0.165 0.136 0.148 0.630 0.663 0.348 28 Tumbes TUMBES 95.500 0.150 0.297 0.177 0.297 0.384 0.417 0.314 29 Ica PISCO 79.671 0.095 0.356 0.134 0.356 0.223 0.284 0.270 30 Ancash SANTA - CHIMBOTE 89.565 0.087 0.317 0.109 0.317 0.190 0.257 0.238 31 Piura TALARA - PARIÑAS 145.516 0.124 0.195 0.096 0.195 0.278 0.333 0.219 32 Puno PUNO 82.775 0.065 0.343 0.088 0.343 0.123 0.201 0.219 33 77.560 0.254 0.608 0.456 0.553 0.595 0.629 0.568 49.015 0.112 0.262 0.252 0.237 0.191 0.186 0.203 28.364 0.065 0.165 0.088 0.148 0.123 0.201 0.219 246.703 0.487 1.000 1.000 1.000 1.000 0.892 0.978 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Mean Std. Dev. Min Max 78 Categoría 3: Rural Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Apurimac GRAU - CHUQUIBAMBILLA 54.057 0.532 1.000 0.797 1.000 1.000 0.897 0.939 1 Pasco OXAPAMPA 29.800 0.368 1.000 1.000 1.000 0.734 0.829 0.913 2 Ancash MARISCAL LUZURIAGA - PISCOBAMBA 37.930 0.324 0.786 0.693 0.786 0.703 0.796 0.753 3 Piura AYABACA 54.408 0.383 0.994 0.571 0.590 0.747 0.843 0.749 4 Huancavelica ACOBAMBA 35.948 0.233 0.829 0.525 0.829 0.578 0.662 0.685 5 Huánuco PACHITEA - PANAO 37.663 0.221 0.791 0.475 0.791 0.555 0.638 0.650 6 La Libertad SANTIAGO DE CHUCO 45.735 0.277 0.652 0.491 0.652 0.653 0.742 0.638 7 Ancash POMABAMBA 40.946 0.215 0.728 0.426 0.728 0.543 0.627 0.610 8 Pasco DANIEL CARRION - YANAHUANCA 55.849 0.317 0.534 0.461 0.534 0.700 0.792 0.604 9 Huancavelica CHURCAMPA 38.998 0.174 0.764 0.363 0.764 0.443 0.526 0.572 10 Huánuco HUACAYBAMBA 63.709 0.302 0.468 0.384 0.468 0.686 0.777 0.556 11 Puno HUANCANE 56.764 0.250 0.525 0.357 0.525 0.616 0.702 0.545 12 Ayacucho VILCAS HUAMAN 73.612 0.272 0.405 0.300 0.405 0.652 0.741 0.501 13 Madre de Dios MANU 62.015 0.226 0.481 0.296 0.481 0.572 0.657 0.497 14 Cusco ANTA 60.917 0.213 0.489 0.284 0.489 0.545 0.628 0.487 15 Huánuco YAROWILCA - CHAVINILLO 35.945 0.077 0.829 0.173 0.829 0.154 0.246 0.446 16 Apurimac COTABAMBAS - TAMBOBAMBA 59.881 0.177 0.498 0.239 0.498 0.454 0.537 0.445 17 Puno ILAVE 95.770 0.260 0.311 0.220 0.311 0.637 0.725 0.441 18 Cusco PARURO 46.875 0.123 0.636 0.213 0.636 0.297 0.384 0.433 19 Huánuco MARAÑON - HUACRACHUCO 73.545 0.192 0.405 0.212 0.405 0.498 0.581 0.420 20 Ancash ANTONIO RAYMONDI - LLAMELLIN 54.735 0.142 0.544 0.211 0.544 0.356 0.441 0.419 21 Puno SAN ANTONIO DE PUTINA 43.431 0.096 0.686 0.180 0.686 0.216 0.306 0.415 22 Huancavelica CASTROVIRREYNA 54.906 0.131 0.543 0.194 0.543 0.323 0.409 0.402 23 Cusco CANAS - YANAOCA 54.169 0.124 0.550 0.186 0.550 0.302 0.389 0.396 24 Huánuco PUERTO INCA 52.898 0.114 0.563 0.175 0.563 0.271 0.359 0.386 25 Amazonas CONDORCANQUI - NIEVA 42.197 0.064 0.706 0.122 0.706 0.115 0.209 0.372 26 La Libertad BOLIVAR 53.767 0.027 0.554 0.040 0.554 0.554 0.094 0.359 27 Huánuco LAURICOCHA - JESUS 54.470 0.100 0.547 0.150 0.547 0.230 0.320 0.359 28 Ancash CARLOS FERMIN FITZCARRALD 71.978 0.132 0.414 0.148 0.414 0.328 0.414 0.344 29 Cusco ACOMAYO 58.798 0.074 0.507 0.103 0.507 0.150 0.243 0.302 30 Ucayali PURUS 1680.337 0.228 0.018 0.011 0.018 0.618 0.705 0.274 31 Puno MOHO 98.704 0.098 0.302 0.080 0.302 0.226 0.316 0.245 32 105.649 0.202 0.596 0.315 0.583 0.483 0.548 0.505 287.775 0.110 0.215 0.224 0.202 0.214 0.218 0.170 29.800 0.027 0.018 0.011 0.018 0.115 0.094 0.245 1680.337 0.532 1.000 1.000 1.000 1.000 0.897 0.939 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Mean Std. Dev. Min Max 79 Categoría 4: Semi-rural Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Cajamarca CUTERVO 45.990 0.422 1.000 1.000 1.000 1.000 0.926 0.985 1 Apurimac CHINCHEROS 29.879 0.261 1.000 0.950 1.000 0.715 0.854 0.904 2 Moquegua SANCHEZ CERRO - OMATE 41.287 0.317 1.000 0.835 0.859 0.740 0.892 0.865 3 Huancavelica HUAYTARA 26.029 0.173 1.000 0.723 1.000 0.604 0.700 0.805 4 Huánuco AMBO 31.823 0.181 0.939 0.620 0.830 0.618 0.719 0.745 5 Cajamarca SAN IGNACIO 39.149 0.237 0.763 0.659 0.737 0.693 0.824 0.735 6 Lima YAUYOS 29.403 0.168 0.885 0.622 0.885 0.589 0.682 0.733 7 Puno CHUCUITO - JULI 31.961 0.150 0.814 0.512 0.814 0.536 0.622 0.660 8 Lima HUAROCHIRI - MATUCANA 46.872 0.199 0.637 0.462 0.580 0.643 0.755 0.615 9 Ayacucho CANGALLO 37.503 0.161 0.694 0.468 0.694 0.565 0.656 0.615 10 Cusco CALCA 43.614 0.178 0.685 0.445 0.602 0.604 0.704 0.608 11 Cusco PAUCARTAMBO 47.955 0.198 0.623 0.450 0.566 0.641 0.752 0.606 12 Junín CHUPACA 57.696 0.244 0.518 0.461 0.505 0.695 0.828 0.601 13 Arequipa LA UNION - COTAHUASI 51.956 0.210 0.575 0.441 0.533 0.658 0.777 0.597 14 Puno AZANGARO 37.907 0.150 0.687 0.431 0.687 0.530 0.618 0.591 15 Cusco URUBAMBA 41.633 0.161 0.625 0.421 0.625 0.561 0.653 0.577 16 Ayacucho SUCRE - QUEROBAMBA 60.181 0.230 0.496 0.416 0.474 0.680 0.809 0.575 17 Huancavelica TAYACAJA - PAMPAS 41.772 0.156 0.623 0.405 0.623 0.545 0.635 0.566 18 San Martín PICOTA 49.655 0.175 0.602 0.384 0.526 0.593 0.692 0.559 19 Arequipa CONDESUYOS - CHUQUIBAMBA 52.032 0.182 0.574 0.380 0.508 0.608 0.710 0.556 20 Cajamarca CONTUMAZA 42.458 0.152 0.613 0.389 0.613 0.532 0.621 0.553 21 Ancash SIHUAS 45.812 0.158 0.568 0.376 0.568 0.550 0.641 0.541 22 Cajamarca HUALGAYOC - BAMBAMARCA 68.182 0.227 0.438 0.363 0.417 0.675 0.802 0.539 23 Piura HUANCABAMBA 54.363 0.176 0.550 0.353 0.481 0.594 0.694 0.534 24 Ancash PALLASCA - CABANA 43.536 0.145 0.598 0.363 0.598 0.508 0.597 0.533 25 Ancash HUAYLAS - CARAZ 58.012 0.182 0.515 0.341 0.456 0.606 0.709 0.525 26 Ancash CARHUAZ 63.705 0.199 0.469 0.341 0.427 0.637 0.750 0.525 27 Ayacucho PAUCAR DEL SARA SARA - PAUSA 70.531 0.209 0.424 0.322 0.391 0.650 0.768 0.511 28 La Libertad VIRU 42.765 0.129 0.609 0.329 0.609 0.449 0.539 0.507 29 Cajamarca SAN MARCOS - PEDRO GALVEZ 50.012 0.152 0.520 0.331 0.520 0.528 0.618 0.504 30 Puno SANDIA 40.137 0.118 0.649 0.320 0.649 0.401 0.496 0.503 31 Apurimac AYMARAES - CHALHUANCA 46.848 0.140 0.556 0.325 0.556 0.487 0.576 0.500 32 La Libertad OTUZCO 33.307 0.085 0.782 0.277 0.782 0.252 0.368 0.492 33 Apurimac ANTABAMBA 78.956 0.207 0.378 0.285 0.348 0.645 0.762 0.484 34 Ayacucho HUANCA SANCOS - SANCOS 87.289 0.224 0.342 0.279 0.324 0.667 0.793 0.481 35 Ancash YUNGAY 54.547 0.152 0.477 0.304 0.477 0.526 0.617 0.480 36 Cajamarca CHOTA 37.087 0.095 0.702 0.278 0.702 0.296 0.406 0.477 37 Loreto UCAYALI - CONTAMANA 105.098 0.260 0.284 0.270 0.284 0.700 0.840 0.476 38 Ayacucho LA MAR - SAN MIGUEL 48.026 0.129 0.542 0.293 0.542 0.445 0.537 0.472 39 Cajamarca CAJABAMBA 50.203 0.127 0.518 0.275 0.518 0.433 0.527 0.454 40 Cajamarca SAN MIGUEL 43.779 0.108 0.595 0.269 0.595 0.355 0.458 0.454 41 Loreto LORETO - NAUTA 103.796 0.228 0.288 0.240 0.274 0.670 0.798 0.454 42 Cusco QUISPICANCHIS - URCOS 43.028 0.100 0.605 0.254 0.605 0.318 0.426 0.442 43 Ancash AIJA 76.951 0.154 0.338 0.218 0.338 0.522 0.617 0.407 44 Huánuco HUAMALIES - LLATA 33.859 0.052 0.769 0.167 0.769 0.091 0.233 0.406 45 Madre de Dios TAHUAMANU - IÑAPARI 220.085 0.274 0.188 0.136 0.142 0.702 0.846 0.403 46 Amazonas UTCUBAMBA - BAGUA GRANDE 43.015 0.024 0.605 0.061 0.605 0.605 0.113 0.398 47 Lima OYON 158.830 0.229 0.188 0.157 0.179 0.663 0.792 0.396 48 Puno LAMPA 56.850 0.112 0.458 0.214 0.458 0.364 0.467 0.392 49 Ucayali PADRE ABAD - AGUAITIA 125.926 0.194 0.237 0.167 0.214 0.612 0.724 0.391 50 Arequipa CASTILLA - APLAO 48.233 0.087 0.540 0.197 0.540 0.254 0.373 0.381 51 Ucayali ATALAYA - RAYMONDI 148.008 0.194 0.202 0.143 0.182 0.609 0.722 0.372 52 Cajamarca SANTA CRUZ 43.293 0.070 0.601 0.175 0.601 0.172 0.303 0.370 53 San Martín SAN JOSE DE SISA 61.725 0.109 0.422 0.191 0.422 0.346 0.453 0.367 54 Tacna JORGE BASADRE - LOCUMBA 130.669 0.148 0.199 0.123 0.199 0.485 0.584 0.318 55 Ancash OCROS 113.666 0.133 0.229 0.127 0.229 0.430 0.532 0.309 56 Cajamarca SAN PABLO 82.016 0.103 0.317 0.137 0.317 0.313 0.426 0.302 57 Tacna CANDARAVE 136.148 0.139 0.191 0.111 0.191 0.451 0.553 0.299 58 Loreto MARISCAL RAMON CASTILLA 83.036 0.102 0.313 0.134 0.313 0.308 0.422 0.298 59 Ancash HUARI 58.790 0.051 0.443 0.095 0.443 0.079 0.225 0.257 60 Cusco CHUMBIVILCAS - SANTO TOMAS 56.470 0.038 0.461 0.073 0.461 0.017 0.171 0.237 61 Ayacucho PARINACOCHAS - CORACORA 78.461 0.050 0.332 0.069 0.332 0.068 0.216 0.203 62 Puno YUNGUYO 89.796 0.038 0.290 0.046 0.290 0.011 0.167 0.161 63 Ancash CORONGO 122.841 0.021 0.212 0.019 0.212 0.212 0.096 0.150 64 Ancash RECUAY 213.830 0.071 0.122 0.036 0.122 0.149 0.292 0.144 65 66.743 0.158 0.530 0.324 0.513 0.495 0.592 0.491 40.869 0.073 0.220 0.205 0.215 0.201 0.207 0.170 26.029 0.021 0.122 0.019 0.122 0.011 0.096 0.144 220.085 0.422 1.000 1.000 1.000 1.000 0.926 0.985 Mean Std. Dev. Min Max Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio 80 Anexo 4-B. Indicadores y ranking de eficiencia según metodologías y categorías de municipalidades distritales Categoría 1: Semi-urbano Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Junín PERENE 44.100 0.186 1.000 1.000 1.000 0.694 0.828 0.904 1 Pasco VILLA RICA 72.420 0.234 1.000 0.765 1.000 0.726 0.870 0.872 2 Pasco SANTA ANA DE TUSI 67.476 0.212 1.000 0.744 0.880 0.713 0.852 0.838 3 Junín MASMA CHICCHE 377.232 0.321 1.000 0.202 1.000 1.000 0.899 0.820 4 Loreto BELEN 102.604 0.243 1.000 0.560 0.871 0.730 0.872 0.807 5 Moquegua PUQUINA 176.942 0.288 1.000 0.385 1.000 0.747 0.892 0.805 6 San Martín PARDO MIGUEL 52.898 0.163 0.834 0.729 0.779 0.669 0.785 0.759 7 Lambayeque JAYANCA 51.141 0.136 0.862 0.629 0.739 0.624 0.714 0.714 8 Puno COASA 80.964 0.187 0.833 0.548 0.553 0.695 0.819 0.690 9 Junín PANGOA 54.505 0.129 0.809 0.562 0.679 0.610 0.690 0.670 10 San Martín POLVORA 57.789 0.130 0.763 0.534 0.642 0.612 0.692 0.649 11 Ica LOS AQUIJES 52.261 0.113 0.844 0.514 0.670 0.567 0.627 0.644 12 San Martín NUEVA CAJAMARCA 72.922 0.165 0.605 0.537 0.569 0.671 0.782 0.633 13 Junín HUAYUCACHI 49.479 0.099 0.891 0.474 0.671 0.515 0.561 0.622 14 Puno CABANILLAS 104.409 0.195 0.646 0.442 0.470 0.701 0.825 0.617 15 Puno USICAYOS 27.772 0.056 1.000 0.474 1.000 0.263 0.334 0.614 16 Junín SAN JUAN DE ISCOS 68.382 0.139 0.645 0.482 0.559 0.631 0.717 0.607 17 Junín SINCOS 64.070 0.126 0.688 0.466 0.571 0.602 0.673 0.600 18 Lambayeque OLMOS 76.647 0.148 0.575 0.459 0.514 0.647 0.741 0.587 19 Arequipa LA JOYA 56.080 0.102 0.786 0.431 0.599 0.527 0.572 0.583 20 Lambayeque MOCHUMI 93.877 0.171 0.470 0.431 0.449 0.678 0.788 0.563 21 Lambayeque MOTUPE 93.428 0.165 0.472 0.417 0.443 0.670 0.775 0.555 22 Lima ASIA 362.784 0.282 0.488 0.184 0.459 0.745 0.883 0.552 23 San Martín SHAMBOYACU 86.415 0.148 0.510 0.406 0.455 0.646 0.736 0.551 24 Lima AUCALLAMA 60.056 0.099 0.734 0.390 0.553 0.515 0.554 0.549 25 San Martín ELIAS SOPLIN VARGAS 59.829 0.097 0.737 0.384 0.551 0.506 0.544 0.544 26 La Libertad GUADALUPITO 33.358 0.015 0.833 0.107 0.833 0.833 0.092 0.539 27 Piura MIGUEL CHECA 85.530 0.140 0.516 0.388 0.448 0.632 0.713 0.539 28 Junín PICHANAQUI 68.464 0.110 0.644 0.379 0.504 0.554 0.601 0.537 29 Ancash COLCABAMBA 619.395 0.292 0.609 0.112 0.331 0.748 0.883 0.536 30 San Martín AGUA BLANCA 98.101 0.157 0.450 0.379 0.412 0.660 0.756 0.531 31 San Martín CAYNARACHI 74.807 0.114 0.590 0.362 0.469 0.569 0.619 0.522 32 Huánuco SINGA 81.409 0.124 0.542 0.360 0.446 0.596 0.656 0.520 33 Amazonas JAZAN 62.475 0.094 0.706 0.355 0.521 0.491 0.525 0.520 34 San Martín SORITOR 50.327 0.068 0.876 0.321 0.583 0.348 0.392 0.504 35 Ancash HUALLANCA 116.220 0.165 0.379 0.337 0.357 0.671 0.771 0.503 36 Huánuco CRESPO Y CASTILLO 71.218 0.100 0.619 0.334 0.469 0.520 0.556 0.500 37 La Libertad PUEBLO NUEVO 59.259 0.082 0.744 0.328 0.524 0.432 0.464 0.499 38 Arequipa YANQUE 172.519 0.198 0.391 0.271 0.295 0.703 0.819 0.496 39 San Martín PISCOYACU 92.115 0.123 0.479 0.316 0.393 0.594 0.649 0.486 40 San Martín JEPELACIO 71.679 0.095 0.615 0.315 0.457 0.499 0.529 0.483 41 Madre de Dios INAMBARI 140.689 0.177 0.313 0.297 0.305 0.684 0.790 0.478 42 Puno SAN JUAN DEL ORO 95.778 0.123 0.460 0.304 0.378 0.593 0.647 0.477 43 Arequipa VIRACO 107.963 0.137 0.408 0.300 0.351 0.626 0.696 0.476 44 Cusco CHECACUPE 80.040 0.102 0.551 0.302 0.420 0.527 0.560 0.472 45 Piura MORROPON 94.046 0.118 0.469 0.297 0.378 0.580 0.628 0.470 46 Pasco SIMON BOLIVAR 129.057 0.157 0.342 0.288 0.313 0.659 0.748 0.470 47 Junín CHONGOS BAJO 68.845 0.087 0.641 0.300 0.461 0.460 0.488 0.470 48 Pasco PAUCARTAMBO 103.341 0.128 0.427 0.293 0.356 0.606 0.664 0.469 49 Lambayeque ZAÑA 116.258 0.140 0.379 0.286 0.330 0.632 0.704 0.466 50 San Martín SAN MARTIN 65.171 0.080 0.677 0.292 0.474 0.424 0.453 0.464 51 Pasco HUARIACA 109.774 0.132 0.402 0.284 0.340 0.615 0.676 0.463 52 Puno DESAGUADERO 119.993 0.141 0.368 0.279 0.321 0.634 0.707 0.462 53 Lima SAYAN 95.477 0.116 0.462 0.287 0.369 0.573 0.617 0.461 54 Cusco POROY 77.247 0.095 0.571 0.290 0.423 0.495 0.523 0.460 55 Junín SAÑO 70.422 0.082 0.626 0.276 0.441 0.432 0.460 0.447 56 Cajamarca LOS BA¾OS DEL INCA 117.008 0.130 0.377 0.263 0.317 0.610 0.668 0.447 57 Piura TAMBO GRANDE 84.927 0.097 0.519 0.271 0.388 0.506 0.533 0.443 58 Piura ARENAL 55.162 0.060 0.799 0.258 0.514 0.294 0.345 0.442 59 Ancash RAHUAPAMPA 372.760 0.236 0.275 0.150 0.204 0.726 0.850 0.441 60 Arequipa CHARACATO 78.222 0.087 0.564 0.263 0.405 0.459 0.483 0.435 61 Lambayeque TUCUME 100.000 0.107 0.441 0.254 0.342 0.545 0.576 0.432 62 Ancash UCO 200.233 0.180 0.220 0.213 0.217 0.687 0.789 0.425 63 Junín MATAHUASI 73.977 0.079 0.596 0.252 0.414 0.413 0.440 0.423 64 Lambayeque ILLIMO 107.909 0.108 0.409 0.237 0.318 0.547 0.577 0.418 65 Puno SANTA LUCIA 114.131 0.111 0.386 0.231 0.304 0.559 0.591 0.414 66 Apurimac SAN JERONIMO 90.049 0.091 0.490 0.241 0.358 0.481 0.502 0.414 67 Cusco COMBAPATA 136.902 0.128 0.322 0.221 0.269 0.605 0.654 0.414 68 Ayacucho AYNA 123.557 0.118 0.357 0.225 0.287 0.578 0.616 0.413 69 San Martín YORONGOS 94.096 0.094 0.469 0.235 0.346 0.490 0.511 0.410 70 Piura SANTA CATALINA DE MOSSA 79.274 0.079 0.556 0.237 0.388 0.416 0.441 0.408 71 Cusco ACOPIA 171.066 0.143 0.258 0.197 0.226 0.636 0.700 0.403 72 Lima CERRO AZUL 247.157 0.184 0.178 0.177 0.177 0.691 0.791 0.403 73 Piura LAS LOMAS 104.223 0.098 0.423 0.223 0.317 0.510 0.531 0.401 74 Arequipa PAMPACOLCA 81.944 0.079 0.538 0.229 0.375 0.417 0.441 0.400 75 San Martín PACHIZA 89.930 0.086 0.490 0.227 0.351 0.453 0.473 0.399 76 Junín AHUAC 70.490 0.067 0.626 0.226 0.415 0.343 0.379 0.398 77 Cusco ANDAHUAYLILLAS 120.359 0.107 0.366 0.211 0.284 0.545 0.571 0.395 78 Arequipa UCHUMAYO 81.621 0.077 0.540 0.224 0.373 0.404 0.429 0.394 79 San Martín CALZADA 115.860 0.102 0.381 0.209 0.290 0.526 0.548 0.391 80 Cajamarca PUCARA 98.923 0.090 0.446 0.215 0.324 0.473 0.491 0.390 81 Arequipa CAYLLOMA 135.405 0.113 0.326 0.198 0.258 0.565 0.594 0.388 82 Ayacucho CANARIA 151.857 0.121 0.290 0.189 0.237 0.589 0.625 0.386 83 Piura BUENOS AIRES 123.006 0.104 0.359 0.201 0.275 0.534 0.556 0.385 84 Cusco CAMANTI 155.520 0.122 0.284 0.186 0.232 0.591 0.629 0.384 85 Amazonas FLORIDA 86.258 0.078 0.511 0.214 0.354 0.409 0.432 0.384 86 Puno MAÑAZO 116.336 0.100 0.379 0.203 0.286 0.516 0.535 0.384 87 Huánuco MIRAFLORES 90.945 0.082 0.485 0.212 0.341 0.429 0.449 0.383 88 Huánuco TOMAY KICHWA 148.174 0.116 0.298 0.185 0.238 0.574 0.604 0.380 89 Ayacucho TAMBO 92.967 0.082 0.474 0.208 0.334 0.429 0.449 0.379 90 Ancash TAUCA 71.949 0.063 0.613 0.208 0.399 0.315 0.356 0.378 91 Junín HUANCAN 86.691 0.076 0.509 0.208 0.350 0.399 0.422 0.378 92 Huánuco CAYNA 106.319 0.091 0.415 0.202 0.302 0.476 0.492 0.377 93 San Martín YANTALO 178.264 0.129 0.247 0.171 0.207 0.607 0.649 0.376 94 La Libertad CACHICADAN 77.072 0.067 0.572 0.206 0.379 0.341 0.376 0.375 95 Ayacucho CHUSCHI 85.049 0.074 0.519 0.206 0.353 0.385 0.410 0.375 96 Ica SAN JOSE DE LOS MOLINOS 79.000 0.069 0.558 0.206 0.372 0.351 0.384 0.374 97 Ancash PARIACOTO 122.161 0.099 0.361 0.192 0.272 0.514 0.532 0.374 98 Departamento Ranking (Promedio) Municipalidad Indicadores Promedio Puntajes de eficiencia Continuación 81 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Junín SAN RAMON 128.948 0.101 0.342 0.185 0.259 0.520 0.537 0.369 99 Puno CRUCERO 92.777 0.077 0.475 0.197 0.329 0.405 0.426 0.366 100 Cusco TINTA 82.929 0.069 0.532 0.198 0.356 0.356 0.386 0.366 101 Arequipa HUANCARQUI 367.603 0.184 0.120 0.118 0.119 0.690 0.781 0.366 102 Puno PICHACANI 139.338 0.102 0.317 0.174 0.241 0.527 0.543 0.360 103 Apurimac COTARUSE 87.331 0.071 0.505 0.192 0.340 0.365 0.393 0.359 104 Amazonas CAMPORREDONDO 75.980 0.061 0.580 0.190 0.375 0.300 0.343 0.358 105 Amazonas LEIMEBAMBA 84.172 0.068 0.524 0.191 0.348 0.347 0.378 0.358 106 Ica ALTO LARAN 103.226 0.081 0.427 0.187 0.300 0.428 0.445 0.357 107 San Martín SAN FERNANDO 130.398 0.097 0.338 0.176 0.252 0.504 0.517 0.357 108 Lambayeque PACORA 89.316 0.071 0.494 0.188 0.333 0.366 0.393 0.355 109 La Libertad SAN JOSE 73.910 0.058 0.597 0.185 0.380 0.278 0.326 0.353 110 Lima CALLAHUANCA 802.538 0.215 0.090 0.063 0.076 0.714 0.815 0.352 111 Ica OCUCAJE 143.633 0.098 0.307 0.162 0.230 0.510 0.521 0.346 112 Junín MITO 80.151 0.061 0.550 0.181 0.355 0.300 0.342 0.346 113 Moquegua CHOJATA 155.715 0.103 0.283 0.157 0.216 0.529 0.542 0.345 114 Arequipa OCOÑA 106.990 0.079 0.412 0.175 0.287 0.416 0.432 0.345 115 Loreto LAGUNAS 110.197 0.081 0.400 0.174 0.281 0.425 0.440 0.344 116 Arequipa COPORAQUE 442.822 0.170 0.100 0.091 0.095 0.676 0.748 0.342 117 Pasco NINACACA 102.890 0.076 0.429 0.174 0.294 0.396 0.415 0.341 118 Piura SICCHEZ 190.048 0.113 0.232 0.141 0.184 0.564 0.581 0.340 119 Cajamarca BELLAVISTA 90.753 0.067 0.486 0.176 0.322 0.343 0.374 0.340 120 Puno SANTA ROSA 122.937 0.085 0.359 0.163 0.255 0.445 0.457 0.336 121 Apurimac TALAVERA 118.596 0.082 0.372 0.164 0.262 0.433 0.446 0.335 122 Piura SAN JUAN DE BIGOTE 162.733 0.101 0.271 0.147 0.206 0.521 0.531 0.335 123 Junín SAPALLANGA 107.464 0.076 0.410 0.168 0.282 0.397 0.416 0.335 124 Huánuco QUIVILLA 245.624 0.124 0.180 0.120 0.148 0.596 0.622 0.333 125 Piura LA HUACA 154.503 0.096 0.285 0.148 0.213 0.502 0.510 0.332 126 Lima SAN MATEO 247.294 0.124 0.178 0.118 0.147 0.595 0.619 0.331 127 Ancash CONCHUCOS 103.240 0.072 0.427 0.165 0.289 0.372 0.395 0.330 128 Loreto VARGAS GUERRA 185.478 0.105 0.238 0.134 0.183 0.537 0.547 0.328 129 San Martín ALTO BIAVO 83.686 0.058 0.527 0.164 0.336 0.279 0.324 0.326 130 Piura SALITRAL 125.460 0.082 0.352 0.154 0.247 0.429 0.440 0.324 131 Cusco LAMAY 124.044 0.080 0.356 0.154 0.249 0.423 0.435 0.323 132 Puno ANAPIA 257.285 0.121 0.171 0.111 0.140 0.587 0.606 0.323 133 Puno HUATASANI 178.416 0.100 0.247 0.133 0.187 0.519 0.525 0.322 134 Madre de Dios TAHUAMANU 218.837 0.111 0.202 0.120 0.159 0.558 0.569 0.321 135 Huánuco CHAVIN DE PARIARCA 87.041 0.057 0.507 0.155 0.321 0.271 0.317 0.314 136 Huánuco CHACABAMBA 247.045 0.112 0.179 0.108 0.141 0.561 0.570 0.312 137 Arequipa LOMAS 392.913 0.134 0.112 0.081 0.096 0.619 0.644 0.310 138 Lima SANTA MARIA DEL MAR 19425.350 0.233 0.047 0.003 0.004 0.723 0.772 0.310 139 Lima QUILMANA 94.315 0.060 0.468 0.151 0.301 0.294 0.334 0.310 140 Arequipa ANDARAY 233.780 0.108 0.189 0.109 0.147 0.547 0.552 0.309 141 Lambayeque MORROPE 109.211 0.068 0.404 0.148 0.269 0.347 0.372 0.308 142 Piura LA MATANZA 150.107 0.085 0.294 0.134 0.210 0.448 0.453 0.308 143 Puno SAN JOSE 124.862 0.075 0.353 0.143 0.242 0.391 0.407 0.307 144 San Martín SACANCHE 127.236 0.075 0.347 0.140 0.238 0.392 0.407 0.305 145 Arequipa PAMPAMARCA 170.225 0.088 0.259 0.123 0.187 0.465 0.467 0.300 146 Junín SANTA BARBARA DE CARHUACAYAN 251.524 0.107 0.175 0.101 0.136 0.543 0.545 0.300 147 Loreto PUTUMAYO 374.903 0.124 0.118 0.078 0.097 0.594 0.605 0.298 148 Arequipa SIBAYO 210.463 0.098 0.210 0.110 0.157 0.506 0.506 0.298 149 Amazonas LEVANTO 222.655 0.100 0.198 0.106 0.150 0.516 0.515 0.297 150 Junín PALCAMAYO 112.700 0.066 0.391 0.138 0.258 0.331 0.359 0.296 151 Arequipa SABANDIA 149.963 0.080 0.294 0.127 0.206 0.422 0.429 0.296 152 Tacna PACHIA 567.262 0.138 0.078 0.058 0.067 0.627 0.647 0.295 153 Ayacucho HUANCARAYLLA 242.234 0.103 0.182 0.101 0.139 0.528 0.527 0.295 154 Arequipa MEJIA 562.247 0.133 0.078 0.056 0.067 0.617 0.629 0.289 155 Junín ACOBAMBA 105.697 0.059 0.417 0.132 0.267 0.284 0.324 0.285 156 Arequipa TOMEPAMPA 261.166 0.101 0.169 0.091 0.128 0.519 0.513 0.284 157 San Martín SHATOJA 149.254 0.075 0.295 0.120 0.203 0.393 0.403 0.283 158 San Martín CAMPANILLA 129.314 0.068 0.341 0.125 0.227 0.347 0.368 0.282 159 Ancash COTAPARACO 455.084 0.118 0.097 0.062 0.078 0.579 0.576 0.278 160 Ica CHINCHA BAJA 130.839 0.068 0.337 0.122 0.224 0.343 0.365 0.278 161 Arequipa LLUTA 155.674 0.075 0.283 0.115 0.194 0.392 0.402 0.277 162 Ayacucho SAN PEDRO 110.378 0.059 0.400 0.126 0.255 0.282 0.321 0.277 163 Ancash CULEBRAS 106.434 0.057 0.414 0.126 0.262 0.269 0.312 0.277 164 Ica SANTIAGO 166.695 0.077 0.265 0.110 0.183 0.403 0.409 0.274 165 Huancavelica CCOCHACCASA 199.596 0.085 0.221 0.101 0.157 0.446 0.444 0.274 166 Arequipa HUAMBO 290.191 0.100 0.152 0.081 0.115 0.515 0.505 0.274 167 Ayacucho TOTOS 123.358 0.063 0.358 0.120 0.232 0.310 0.340 0.272 168 Ayacucho LAMPA 131.223 0.065 0.336 0.117 0.220 0.324 0.350 0.269 169 Ica EL CARMEN 86.173 0.054 0.322 0.147 0.322 0.247 0.299 0.268 170 Cajamarca BOLIVAR 169.680 0.075 0.260 0.105 0.178 0.392 0.399 0.267 171 Tacna QUILAHUANI 445.139 0.110 0.099 0.058 0.078 0.551 0.538 0.265 172 Junín SANTA ROSA DE OCOPA 194.151 0.080 0.227 0.097 0.159 0.418 0.419 0.264 173 Ucayali SEPAHUA 248.318 0.089 0.178 0.085 0.128 0.465 0.457 0.262 174 Puno NUÑOA 143.394 0.066 0.308 0.109 0.203 0.334 0.356 0.262 175 Cusco SAYLLA 85.471 0.051 0.325 0.141 0.325 0.228 0.285 0.261 176 Lima PACARAN 230.289 0.085 0.192 0.087 0.137 0.447 0.441 0.261 177 Junín VITOC 143.567 0.065 0.307 0.106 0.201 0.323 0.347 0.257 178 Pasco SAN FRANCISCO DE ASIS DE YARUSYACAN 121.340 0.057 0.363 0.111 0.230 0.269 0.310 0.257 179 Apurimac TAMBURCO 79.405 0.045 0.350 0.135 0.350 0.187 0.255 0.255 180 San Martín HUIMBAYOC 154.915 0.067 0.285 0.102 0.188 0.336 0.356 0.253 181 Arequipa MARISCAL CACERES 78.368 0.044 0.354 0.133 0.354 0.177 0.248 0.253 182 Moquegua CARUMAS 222.205 0.080 0.198 0.085 0.138 0.416 0.414 0.250 183 Arequipa URACA 160.730 0.067 0.274 0.098 0.182 0.338 0.357 0.250 184 Ucayali CAMPOVERDE 223.160 0.078 0.198 0.083 0.137 0.409 0.408 0.247 185 Junín CHACAPAMPA 200.731 0.074 0.220 0.088 0.150 0.385 0.390 0.247 186 San Martín YURACYACU 190.319 0.072 0.232 0.090 0.157 0.371 0.379 0.246 187 Ica TATE 160.931 0.065 0.274 0.096 0.180 0.328 0.349 0.245 188 Junín HUAMALI 173.211 0.068 0.255 0.093 0.169 0.347 0.362 0.245 189 San Martín HABANA 167.267 0.066 0.264 0.094 0.174 0.334 0.353 0.244 190 Junín PACCHA 220.711 0.076 0.200 0.082 0.138 0.398 0.398 0.243 191 Puno MUÑANI 90.397 0.048 0.307 0.126 0.307 0.207 0.268 0.243 192 Ancash TICAPAMPA 208.419 0.074 0.212 0.084 0.144 0.383 0.387 0.242 193 Lima SURCO 414.669 0.095 0.106 0.054 0.079 0.494 0.472 0.241 194 Junín PANCAN 168.131 0.066 0.262 0.092 0.173 0.330 0.349 0.241 195 Junín NUEVE DE JULIO 249.533 0.078 0.177 0.074 0.123 0.408 0.404 0.237 196 Tumbes SAN JUAN DE LA VIRGEN 143.061 0.057 0.308 0.094 0.195 0.270 0.307 0.235 197 Ayacucho SANTA ROSA 153.705 0.058 0.287 0.090 0.183 0.279 0.312 0.230 198 Departamento Ranking (Promedio) Municipalidad Indicadores Promedio Puntajes de eficiencia Continuación 82 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Ancash PARIAHUANCA 359.498 0.086 0.123 0.056 0.088 0.450 0.432 0.230 199 San Martín SANTA ROSA 78.627 0.037 0.353 0.110 0.353 0.123 0.207 0.229 200 Cusco OROPESA 118.590 0.056 0.234 0.111 0.234 0.260 0.303 0.229 201 Puno AJOYANI 175.259 0.062 0.252 0.084 0.163 0.307 0.331 0.227 202 La Libertad MAGDALENA DE CAO 212.039 0.069 0.208 0.077 0.139 0.350 0.360 0.227 203 Arequipa CALLALLI 199.018 0.066 0.222 0.079 0.146 0.333 0.348 0.226 204 Loreto JEBEROS 261.808 0.074 0.168 0.067 0.115 0.385 0.384 0.224 205 Puno LIMBANI 92.099 0.041 0.302 0.105 0.302 0.155 0.229 0.219 206 Puno PALCA 239.877 0.069 0.184 0.068 0.123 0.353 0.360 0.217 207 Lima SAN LUIS 107.291 0.047 0.259 0.103 0.259 0.196 0.257 0.215 208 Ayacucho HUAMANGUILLA 92.991 0.040 0.299 0.101 0.299 0.146 0.222 0.213 209 La Libertad TAURIJA 115.557 0.049 0.240 0.101 0.240 0.214 0.269 0.213 210 San Martín CUÑUMBUQUI 181.838 0.058 0.243 0.076 0.154 0.278 0.308 0.212 211 Pasco VICCO 216.957 0.064 0.203 0.070 0.133 0.317 0.334 0.211 212 Cusco HUARO 116.064 0.049 0.239 0.099 0.239 0.211 0.267 0.211 213 Loreto INAHUAYA 449.841 0.083 0.098 0.044 0.069 0.433 0.410 0.211 214 Tumbes SAN JACINTO 131.784 0.053 0.211 0.096 0.211 0.244 0.289 0.210 215 Ayacucho APONGO 371.531 0.077 0.119 0.049 0.082 0.402 0.389 0.208 216 Piura EL TALLAN 103.321 0.042 0.269 0.097 0.269 0.165 0.235 0.207 217 Ancash OLLEROS 129.947 0.050 0.214 0.092 0.214 0.224 0.275 0.204 218 Amazonas LUYA 76.076 0.027 0.365 0.083 0.365 0.049 0.152 0.203 219 Arequipa MAJES 82.301 0.000 0.337 0.000 0.337 0.337 0.000 0.202 220 Ayacucho SACSAMARCA 155.771 0.056 0.178 0.084 0.178 0.260 0.298 0.200 221 Ica RIO GRANDE 116.695 0.044 0.238 0.090 0.238 0.178 0.243 0.197 222 Amazonas JALCA GRANDE 88.657 0.005 0.313 0.014 0.313 0.313 0.031 0.197 223 Apurimac ANCO HUALLO 106.447 0.038 0.261 0.085 0.261 0.135 0.212 0.191 224 Cusco PITUMARCA 118.277 0.042 0.235 0.085 0.235 0.165 0.233 0.191 225 Huancavelica TANTARA 686.691 0.081 0.064 0.028 0.045 0.420 0.389 0.189 226 Lambayeque OYOTUN 124.045 0.044 0.224 0.083 0.224 0.173 0.238 0.189 227 Amazonas LONGAR 160.507 0.052 0.173 0.077 0.173 0.236 0.280 0.188 228 Puno YANAHUAYA 134.735 0.046 0.206 0.081 0.206 0.192 0.251 0.187 229 Cusco RONDOCAN 147.717 0.048 0.188 0.077 0.188 0.204 0.258 0.183 230 Huánuco PUNCHAO 120.012 0.039 0.231 0.077 0.231 0.140 0.214 0.179 231 Moquegua LLOQUE 261.801 0.057 0.168 0.051 0.107 0.268 0.294 0.178 232 Arequipa SAN JUAN DE SIGUAS 198.212 0.054 0.140 0.065 0.140 0.252 0.288 0.177 233 La Libertad QUIRUVILCA 107.602 0.012 0.258 0.027 0.258 0.258 0.069 0.174 234 Amazonas CAJARURO 82.152 0.021 0.338 0.061 0.338 0.009 0.121 0.173 235 Puno POTONI 165.249 0.047 0.168 0.068 0.168 0.199 0.253 0.171 236 Junín QUICHUAY 342.731 0.060 0.129 0.042 0.083 0.292 0.306 0.170 237 San Martín NUEVO PROGRESO 107.403 0.009 0.259 0.020 0.259 0.259 0.051 0.169 238 Junín HUASAHUASI 107.679 0.009 0.258 0.019 0.258 0.258 0.049 0.168 239 Ayacucho HUAMANQUIQUIA 211.431 0.053 0.131 0.059 0.131 0.238 0.277 0.167 240 Amazonas CONILA 99.970 0.000 0.278 0.000 0.278 0.278 0.000 0.167 241 La Libertad RAZURI 111.646 0.032 0.249 0.067 0.249 0.086 0.176 0.165 242 Ancash SAMANCO 452.111 0.061 0.098 0.032 0.063 0.296 0.304 0.159 243 Arequipa HUAYNACOTAS 126.163 0.033 0.220 0.063 0.220 0.098 0.183 0.157 244 Junín RICRAN 192.237 0.046 0.144 0.056 0.144 0.190 0.244 0.156 245 Amazonas COPALLIN 110.289 0.003 0.252 0.006 0.252 0.252 0.015 0.155 246 Puno PUCARA 132.770 0.019 0.209 0.034 0.209 0.209 0.106 0.154 247 Huánuco SAN MIGUEL DE CAURI 118.739 0.009 0.234 0.017 0.234 0.234 0.049 0.154 248 San Martín HUALLAGA 107.863 0.026 0.257 0.056 0.257 0.041 0.143 0.151 249 San Martín UCHIZA 100.827 0.021 0.275 0.050 0.275 0.011 0.121 0.146 250 Lima HUACHUPAMPA 954.918 0.064 0.046 0.016 0.030 0.317 0.305 0.143 251 Ancash CATAC 609.485 0.059 0.072 0.023 0.046 0.280 0.288 0.142 252 Cusco SAN PEDRO 210.097 0.042 0.132 0.048 0.132 0.163 0.224 0.140 253 Tacna CURIBAYA 1080.874 0.063 0.041 0.014 0.027 0.307 0.296 0.137 254 Huancavelica SANTA ANA 458.969 0.055 0.061 0.028 0.061 0.256 0.276 0.136 255 Junín HUACHAC 134.950 0.027 0.206 0.048 0.206 0.055 0.151 0.133 256 Amazonas CUISPES 351.658 0.050 0.079 0.033 0.079 0.215 0.252 0.132 257 Huancavelica MARCAS 138.202 0.027 0.201 0.046 0.201 0.050 0.147 0.129 258 Amazonas SAN ISIDRO DE MAYNO 421.900 0.051 0.066 0.029 0.066 0.225 0.256 0.128 259 Cusco ACOS 158.298 0.030 0.175 0.044 0.175 0.071 0.161 0.125 260 Loreto BARRANCA 129.550 0.023 0.214 0.042 0.214 0.023 0.127 0.124 261 Ancash COLQUIOC 509.910 0.051 0.054 0.024 0.054 0.227 0.254 0.123 262 Ancash HUALLANCA 644.868 0.053 0.043 0.020 0.043 0.242 0.261 0.122 263 Junín SAN PEDRO DE CHUNAN 436.908 0.048 0.064 0.026 0.064 0.205 0.242 0.120 264 Junín MARCAPOMACOCHA 503.099 0.050 0.055 0.023 0.055 0.218 0.249 0.120 265 Amazonas SHIPASBAMBA 230.742 0.037 0.120 0.038 0.120 0.124 0.195 0.119 266 San Martín CASPISAPA 148.367 0.004 0.187 0.007 0.187 0.187 0.023 0.118 267 San Martín ALTO SAPOSOA 252.358 0.038 0.110 0.036 0.110 0.131 0.199 0.117 268 Amazonas COLCAMAR 147.271 0.001 0.189 0.002 0.189 0.189 0.008 0.115 269 Lima HUANGASCAR 342.883 0.041 0.081 0.028 0.081 0.153 0.210 0.110 270 Ancash HUANDOVAL 225.949 0.033 0.123 0.035 0.123 0.095 0.174 0.110 271 Arequipa HUANCA 188.127 0.028 0.148 0.035 0.148 0.060 0.151 0.108 272 Amazonas SAN FRANCISCO DE YESO 313.145 0.038 0.089 0.029 0.089 0.134 0.198 0.108 273 Amazonas LUYA VIEJO 288.651 0.037 0.096 0.030 0.096 0.122 0.191 0.107 274 Loreto EMILIO SAN MARTIN 263.715 0.034 0.105 0.031 0.105 0.104 0.179 0.105 275 Cajamarca JORGE CHAVEZ 424.437 0.041 0.065 0.023 0.065 0.157 0.210 0.104 276 Huancavelica LA MERCED 298.819 0.033 0.093 0.027 0.093 0.098 0.174 0.097 277 Ancash LA PAMPA 309.058 0.033 0.090 0.026 0.090 0.099 0.173 0.096 278 Junín ONDORES 234.129 0.028 0.119 0.028 0.119 0.055 0.146 0.093 279 Loreto CAPELO 239.407 0.027 0.116 0.026 0.116 0.048 0.141 0.089 280 Amazonas TINGO 257.815 0.027 0.108 0.025 0.108 0.050 0.141 0.086 281 Loreto SAPUENA 264.600 0.026 0.105 0.023 0.105 0.042 0.135 0.082 282 Amazonas GRANADA 321.691 0.025 0.086 0.019 0.086 0.039 0.132 0.073 283 Amazonas SONCHE 1180.907 0.037 0.024 0.007 0.024 0.121 0.174 0.070 284 Amazonas MARISCAL BENAVIDES 247.625 0.001 0.112 0.001 0.112 0.112 0.008 0.069 285 Huancavelica LARAMARCA 281.802 0.021 0.099 0.018 0.099 0.008 0.111 0.067 286 Ancash ACOPAMPA 274.594 0.002 0.101 0.002 0.101 0.101 0.013 0.064 287 Amazonas INGUILPATA 286.552 0.000 0.097 0.000 0.097 0.097 0.002 0.059 288 Ancash HUAYLAS 609.253 0.024 0.046 0.009 0.046 0.028 0.119 0.050 289 Arequipa CHOCO 456.321 0.010 0.061 0.005 0.061 0.061 0.050 0.047 290 Arequipa IRAY 437.280 0.007 0.064 0.004 0.064 0.064 0.036 0.046 291 Amazonas EL PARCO 436.735 0.000 0.064 0.000 0.064 0.064 0.001 0.038 292 Amazonas ASUNCION 451.035 0.000 0.062 0.000 0.062 0.062 0.000 0.037 293 Amazonas RECTA 787.497 0.004 0.035 0.001 0.035 0.035 0.018 0.025 294 Ancash CAJACAY 1033.261 0.000 0.027 0.000 0.027 0.027 0.000 0.016 295 255.648 0.083 0.338 0.163 0.270 0.390 0.417 0.316 1132.368 0.053 0.219 0.147 0.182 0.196 0.214 0.165 27.772 0.000 0.024 0.000 0.004 0.008 0.000 0.016 19425.350 0.321 1.000 1.000 1.000 1.000 0.899 0.904 Departamento Ranking (Promedio) Municipalidad Indicadores Promedio Puntajes de eficiencia Mean Std. Dev. Min Max 83 Categoría 2: Urbano pobre Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Ayacucho SAN CRISTOBAL 116.044 0.287 1.000 1.000 1.000 1.000 0.912 0.982 1 Junín QUILCAS 116.306 0.236 0.998 0.820 0.881 0.782 0.881 0.872 2 Lima COCHAS 2572.483 0.301 1.000 0.047 1.000 0.788 0.888 0.745 3 Pasco TAPUC 106.557 0.141 1.000 0.534 0.724 0.682 0.699 0.728 4 Ayacucho CHAVIÑA 128.216 0.171 0.905 0.539 0.665 0.728 0.785 0.724 5 Junín INGENIO 131.425 0.161 0.883 0.495 0.628 0.714 0.758 0.695 6 Ayacucho CHUMPI 100.414 0.108 1.000 0.436 0.683 0.590 0.559 0.654 7 Pasco SAN PEDRO DE PILLAO 219.842 0.204 0.528 0.374 0.427 0.755 0.834 0.584 8 Cusco PUCYURA 88.781 0.079 1.000 0.360 0.685 0.449 0.414 0.582 9 Junín MARCO 131.950 0.116 0.808 0.355 0.534 0.610 0.585 0.578 10 Junín ACOLLA 55.547 0.050 1.000 0.363 0.955 0.265 0.271 0.571 11 Ayacucho CABANA 51.715 0.045 1.000 0.352 1.000 0.231 0.246 0.566 12 Lima ANDAJES 229.895 0.194 0.505 0.341 0.397 0.746 0.818 0.561 13 Pasco VILCABAMBA 147.493 0.123 0.722 0.338 0.492 0.631 0.615 0.560 14 Lima SAN DAMIAN 97.746 0.078 0.908 0.322 0.618 0.439 0.405 0.539 15 Tacna CAMILACA 158.412 0.124 0.673 0.315 0.458 0.631 0.614 0.538 16 Huancavelica JULCAMARCA 219.792 0.166 0.528 0.304 0.381 0.713 0.755 0.536 17 Lima PACCHO 204.225 0.153 0.568 0.302 0.393 0.693 0.718 0.535 18 Ayacucho SORAS 170.990 0.130 0.623 0.307 0.434 0.647 0.639 0.530 19 Cusco SANGARARA 125.067 0.093 0.803 0.300 0.515 0.515 0.474 0.521 20 Ayacucho SAN PEDRO DE LARCAY 257.992 0.176 0.450 0.275 0.335 0.725 0.777 0.512 21 Ayacucho MARCABAMBA 141.600 0.102 0.709 0.291 0.472 0.554 0.515 0.508 22 Huancavelica HUACHOCOLPA 117.459 0.082 0.855 0.282 0.524 0.458 0.421 0.508 23 Ayacucho HUAYA 121.513 0.085 0.826 0.282 0.512 0.473 0.434 0.505 24 Lima CHECRAS 251.401 0.164 0.462 0.263 0.331 0.708 0.745 0.502 25 Lima HUAÑEC 385.022 0.245 0.301 0.257 0.272 0.777 0.872 0.496 26 San Martín EL PORVENIR 201.740 0.135 0.528 0.270 0.374 0.655 0.652 0.496 27 Junín PARCO 139.383 0.096 0.720 0.278 0.468 0.527 0.485 0.496 28 Ancash CONGAS 316.141 0.187 0.367 0.239 0.283 0.735 0.796 0.484 29 Piura CRISTO NOS VALGA 180.260 0.112 0.591 0.250 0.385 0.588 0.554 0.474 30 Junín LLOCLLAPAMPA 89.562 0.052 0.991 0.234 0.598 0.269 0.274 0.473 31 Pasco HUACHON 68.785 0.048 0.808 0.283 0.764 0.247 0.258 0.472 32 Ancash HUAYLLAPAMPA 391.105 0.211 0.297 0.218 0.245 0.755 0.833 0.470 33 Lima LAHUAYTAMBO 278.626 0.154 0.416 0.224 0.290 0.691 0.713 0.467 34 Lima ARAHUAY 412.671 0.216 0.281 0.211 0.235 0.758 0.839 0.465 35 Junín ACO 139.487 0.085 0.720 0.245 0.446 0.467 0.429 0.461 36 Moquegua YUNGA 173.264 0.105 0.580 0.244 0.390 0.560 0.521 0.459 37 Lima QUINCHES 305.324 0.160 0.380 0.211 0.269 0.699 0.728 0.457 38 Lima SAN MIGUEL DE ACOS 426.520 0.196 0.272 0.186 0.215 0.741 0.807 0.444 39 Lima HUAROS 336.719 0.163 0.345 0.195 0.246 0.702 0.733 0.444 40 Apurimac POMACOCHA 178.423 0.099 0.563 0.224 0.370 0.535 0.494 0.437 41 Piura VICE 205.603 0.110 0.518 0.215 0.335 0.576 0.539 0.437 42 Ancash TICLLOS 520.669 0.217 0.223 0.168 0.187 0.757 0.836 0.434 43 Pasco CHACAYAN 180.051 0.097 0.558 0.217 0.364 0.525 0.483 0.429 44 Cusco LUCRE 107.711 0.057 0.824 0.212 0.508 0.296 0.293 0.427 45 Apurimac YANACA 127.544 0.071 0.696 0.225 0.459 0.388 0.363 0.426 46 Lima NAVAN 236.717 0.117 0.450 0.200 0.299 0.600 0.570 0.424 47 Lima LARAOS 232.651 0.111 0.458 0.192 0.297 0.577 0.540 0.413 48 Junín TUNAN MARCA 229.399 0.109 0.465 0.191 0.299 0.569 0.531 0.411 49 San Martín PILLUANA 274.085 0.123 0.389 0.181 0.264 0.615 0.589 0.407 50 Lima ATAVILLOS ALTO 286.688 0.126 0.372 0.178 0.256 0.625 0.604 0.407 51 Lima CARANIA 275.768 0.122 0.386 0.179 0.262 0.614 0.588 0.406 52 Tacna TICACO 442.766 0.159 0.262 0.145 0.185 0.692 0.714 0.400 53 Cusco CACHIMAYO 242.324 0.106 0.414 0.176 0.280 0.556 0.515 0.388 54 Cusco MOSOC LLACTA 137.245 0.066 0.647 0.193 0.416 0.350 0.334 0.388 55 Ayacucho COLTA 309.679 0.123 0.344 0.160 0.234 0.612 0.585 0.387 56 Lima OMAS 496.186 0.157 0.234 0.128 0.164 0.686 0.703 0.383 57 Arequipa MACA 185.512 0.082 0.541 0.179 0.332 0.445 0.409 0.381 58 Huancavelica CALLANMARCA 536.388 0.163 0.216 0.122 0.155 0.694 0.718 0.381 59 Tacna SUSAPAYA 303.549 0.118 0.351 0.157 0.234 0.596 0.564 0.380 60 Lima SAN PEDRO DE HUANCAYRE 1176.679 0.246 0.099 0.084 0.089 0.768 0.856 0.379 61 Ayacucho ACCOMARCA 134.438 0.061 0.660 0.183 0.416 0.320 0.311 0.378 62 Lima COLONIA 165.529 0.076 0.536 0.185 0.362 0.412 0.382 0.375 63 Junín CHONGOS ALTO 170.046 0.078 0.522 0.185 0.355 0.423 0.391 0.375 64 Junín LEONOR ORDO¾EZ 219.471 0.092 0.458 0.170 0.293 0.496 0.454 0.374 65 Junín PACA 135.462 0.060 0.655 0.179 0.411 0.314 0.307 0.373 66 Ayacucho PARARCA 319.736 0.114 0.333 0.144 0.219 0.581 0.544 0.364 67 Apurimac SABAINO 136.074 0.058 0.652 0.171 0.404 0.297 0.294 0.364 68 Lima HUANZA 746.959 0.175 0.155 0.094 0.115 0.708 0.742 0.363 69 Lima SANTIAGO DE TUNA 339.740 0.116 0.314 0.138 0.208 0.587 0.551 0.360 70 Junín HUAY - HUAY 175.757 0.075 0.505 0.172 0.339 0.403 0.374 0.359 71 Apurimac CARAYBAMBA 148.998 0.062 0.596 0.168 0.377 0.324 0.314 0.356 72 Cusco COLCHA 225.853 0.085 0.445 0.151 0.275 0.454 0.416 0.348 73 Ancash HUACCHIS 195.730 0.079 0.454 0.162 0.310 0.423 0.390 0.348 74 Junín VIQUES 183.880 0.071 0.483 0.156 0.319 0.379 0.356 0.339 75 Lima CAUJUL 444.362 0.120 0.240 0.109 0.161 0.593 0.559 0.332 76 Lima ALIS 649.539 0.141 0.164 0.087 0.119 0.646 0.633 0.330 77 Lima MIRAFLORES 614.639 0.134 0.173 0.088 0.123 0.631 0.610 0.325 78 Ancash PAUCAS 196.938 0.070 0.451 0.143 0.296 0.368 0.347 0.321 79 Apurimac CHACOCHE 237.297 0.079 0.374 0.135 0.256 0.421 0.389 0.315 80 Lima TOMAS 578.806 0.125 0.184 0.087 0.126 0.604 0.572 0.315 81 Lima HUAMANTANGA 210.223 0.069 0.422 0.132 0.276 0.361 0.341 0.307 82 Loreto TAPICHE 1016.006 0.144 0.114 0.057 0.077 0.645 0.631 0.305 83 Lima SAN ANDRES DE TUPICOCHA 246.139 0.076 0.361 0.125 0.244 0.403 0.374 0.301 84 Lima SAN PEDRO DE PILAS 984.810 0.138 0.108 0.057 0.078 0.632 0.610 0.297 85 Lima SAN BARTOLOME 924.111 0.131 0.115 0.057 0.081 0.612 0.581 0.289 86 Arequipa QUEQUE¾A 372.260 0.091 0.270 0.098 0.171 0.472 0.431 0.288 87 Apurimac EL ORO 411.088 0.093 0.244 0.092 0.157 0.484 0.441 0.284 88 Ayacucho HUACAÑA 250.943 0.069 0.354 0.111 0.231 0.356 0.337 0.278 89 Piura RINCONADA LLICUAR 217.797 0.061 0.408 0.113 0.257 0.307 0.301 0.277 90 Lima VITIS 490.272 0.098 0.205 0.081 0.134 0.502 0.458 0.276 91 Ancash CARHUAPAMPA 1081.153 0.123 0.099 0.046 0.067 0.584 0.544 0.268 92 Ayacucho SAISA 437.214 0.088 0.230 0.082 0.145 0.456 0.416 0.266 93 Lima SAN LORENZO DE QUINTI 221.041 0.054 0.402 0.098 0.245 0.262 0.267 0.255 94 Huancavelica HUAYLLAHUARA 227.492 0.055 0.390 0.097 0.239 0.268 0.272 0.253 95 Lima HUANCAYA 340.207 0.074 0.261 0.088 0.174 0.378 0.354 0.251 96 Lima CASTA 532.201 0.090 0.189 0.068 0.119 0.458 0.417 0.250 97 Junín CANCHAYLLO 136.049 0.038 0.380 0.111 0.380 0.160 0.193 0.245 98 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Continuación 84 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Ayacucho PAICO 317.910 0.068 0.279 0.086 0.182 0.343 0.327 0.244 99 Apurimac SAN JUAN DE CHACÑA 270.329 0.060 0.328 0.089 0.205 0.294 0.291 0.241 100 Ayacucho SARA SARA 333.414 0.069 0.266 0.083 0.174 0.348 0.331 0.241 101 San Martín POSIC 343.530 0.070 0.258 0.082 0.170 0.355 0.336 0.240 102 Lima AYAVIRI 389.602 0.075 0.228 0.077 0.153 0.381 0.355 0.239 103 Ayacucho ALCAMENCA 172.237 0.046 0.323 0.107 0.301 0.212 0.231 0.235 104 Apurimac VIRUNDO 329.686 0.063 0.269 0.078 0.172 0.314 0.305 0.228 105 Cajamarca SEXI 471.598 0.077 0.188 0.066 0.128 0.391 0.363 0.227 106 Lima SUMBILCA 254.869 0.051 0.348 0.080 0.209 0.237 0.249 0.225 107 Tacna SITAJARA 830.565 0.093 0.121 0.045 0.078 0.461 0.419 0.225 108 Lima HONGOS 2205.155 0.114 0.048 0.021 0.032 0.532 0.483 0.223 109 Cusco PILLPINTO 203.350 0.049 0.273 0.098 0.260 0.233 0.246 0.222 110 Tacna TARUCACHI 716.616 0.087 0.140 0.049 0.088 0.434 0.397 0.222 111 Arequipa CHARCANA 155.691 0.013 0.332 0.034 0.332 0.332 0.068 0.220 112 Apurimac TORAYA 157.124 0.036 0.329 0.092 0.329 0.146 0.182 0.216 113 Junín HUACRAPUQUIO 197.686 0.046 0.281 0.094 0.263 0.210 0.229 0.216 114 Amazonas SAN CRISTOBAL DE OLTO 200.259 0.046 0.277 0.093 0.260 0.212 0.231 0.215 115 Tacna ESTIQUE 1548.264 0.103 0.065 0.027 0.043 0.492 0.446 0.214 116 San Martín ALBERTO LEVEAU 345.715 0.060 0.257 0.070 0.161 0.292 0.289 0.214 117 Junín COLCA 209.605 0.047 0.265 0.090 0.249 0.216 0.233 0.211 118 Huancavelica HUAYACUNDO ARMA 559.679 0.074 0.159 0.053 0.106 0.365 0.343 0.205 119 Lima LACHAQUI 336.253 0.055 0.264 0.067 0.162 0.263 0.267 0.205 120 Lima HUANTAN 436.915 0.062 0.203 0.058 0.129 0.302 0.296 0.198 121 Ancash MARCA 688.138 0.076 0.129 0.045 0.087 0.374 0.350 0.197 122 San Martín SAN CRISTOBAL 251.740 0.049 0.221 0.079 0.210 0.228 0.242 0.196 123 Junín JULCAN 398.783 0.057 0.223 0.058 0.138 0.271 0.273 0.193 124 Lima LARAOS 730.828 0.076 0.121 0.042 0.082 0.369 0.346 0.192 125 Moquegua SAN CRISTOBAL 150.311 0.024 0.344 0.065 0.344 0.067 0.124 0.189 126 Lima TUPE 784.512 0.073 0.113 0.038 0.075 0.354 0.334 0.183 127 Huancavelica PILCHACA 592.662 0.064 0.150 0.044 0.096 0.306 0.298 0.179 128 Apurimac PACHACONAS 181.595 0.030 0.285 0.066 0.285 0.103 0.150 0.178 129 Ancash HUACLLAN 800.749 0.071 0.111 0.036 0.073 0.341 0.324 0.177 130 Junín TRES DE DICIEMBRE 282.900 0.046 0.196 0.066 0.184 0.205 0.225 0.175 131 Ancash LACABAMBA 658.187 0.066 0.135 0.040 0.087 0.311 0.302 0.175 132 Lima HUAROCHIRI 435.863 0.053 0.204 0.049 0.123 0.240 0.251 0.173 133 Pasco GOYLLARISQUIZGA 232.562 0.038 0.222 0.066 0.222 0.155 0.189 0.171 134 Ayacucho CARMEN SALCEDO 169.717 0.024 0.305 0.057 0.305 0.063 0.121 0.170 135 Junín HUASICANCHA 309.131 0.047 0.180 0.061 0.169 0.209 0.228 0.169 136 Ancash LA PRIMAVERA 622.971 0.062 0.143 0.040 0.090 0.289 0.286 0.169 137 Ayacucho BELEN 447.298 0.052 0.198 0.047 0.120 0.233 0.245 0.169 138 Huancavelica IZCUCHACA 621.307 0.061 0.143 0.040 0.090 0.284 0.282 0.168 139 Lima SANTIAGO DE ANCHUCAYA 698.019 0.061 0.127 0.035 0.080 0.282 0.280 0.161 140 Arequipa SALAMANCA 240.256 0.034 0.215 0.057 0.215 0.127 0.168 0.157 141 Ancash SAN CRISTOBAL DE RAJAN 632.503 0.056 0.140 0.036 0.086 0.254 0.260 0.155 142 Ancash PACLLON 295.807 0.037 0.175 0.051 0.175 0.148 0.183 0.146 143 Amazonas VISTA ALEGRE 333.500 0.041 0.155 0.049 0.155 0.167 0.197 0.144 144 Huancavelica HUAYLLAY GRANDE 309.243 0.038 0.167 0.049 0.167 0.149 0.184 0.143 145 Apurimac HUAQUIRCA 197.194 0.020 0.262 0.041 0.262 0.037 0.102 0.141 146 Huancavelica HUANCA HUANCA 252.564 0.012 0.205 0.019 0.205 0.205 0.060 0.139 147 Apurimac VILCABAMBA 361.588 0.040 0.143 0.045 0.143 0.162 0.193 0.137 148 Amazonas CHISQUILLA 496.988 0.048 0.112 0.039 0.105 0.205 0.224 0.137 149 Ayacucho CORCULLA 364.441 0.040 0.142 0.044 0.142 0.159 0.191 0.136 150 Arequipa TAURIA 565.154 0.049 0.098 0.035 0.094 0.213 0.230 0.134 151 Moquegua CUCHUMBAYA 796.627 0.051 0.111 0.026 0.067 0.220 0.235 0.132 152 Lima COPA 399.679 0.039 0.129 0.039 0.129 0.151 0.185 0.127 153 Lima ATAVILLOS BAJO 276.538 0.027 0.187 0.039 0.187 0.077 0.131 0.124 154 Ayacucho OYOLO 257.967 0.000 0.200 0.000 0.200 0.200 0.001 0.120 155 Huancavelica MARISCAL CµCERES 1281.256 0.052 0.069 0.016 0.042 0.212 0.228 0.113 156 Amazonas CHURUJA 788.794 0.047 0.070 0.024 0.066 0.192 0.214 0.113 157 Lima HUAMPARA 1463.755 0.053 0.061 0.015 0.037 0.218 0.233 0.113 158 Apurimac MAMARA 252.888 0.019 0.205 0.030 0.204 0.025 0.093 0.111 159 Apurimac COLCABAMBA 377.890 0.030 0.137 0.032 0.137 0.094 0.143 0.108 160 Ancash LLACLLIN 366.490 0.028 0.141 0.031 0.141 0.081 0.134 0.106 161 Lima PUTINZA 394.390 0.029 0.131 0.030 0.131 0.089 0.139 0.104 162 Ancash MANGAS 300.069 0.000 0.172 0.000 0.172 0.172 0.001 0.103 163 Amazonas SAN JERONIMO DE PACLAS 311.678 0.000 0.166 0.000 0.166 0.166 0.001 0.100 164 Tacna CHUCATAMANI 642.795 0.036 0.080 0.022 0.080 0.126 0.166 0.095 165 Arequipa AYO 773.877 0.038 0.067 0.020 0.067 0.138 0.175 0.093 166 Apurimac SAN ANTONIO 425.166 0.013 0.122 0.013 0.122 0.122 0.065 0.089 167 Apurimac TURPAY 364.790 0.000 0.142 0.000 0.142 0.142 0.001 0.085 168 Ayacucho SAN JOSE DE USHUA 1404.650 0.042 0.037 0.012 0.037 0.153 0.185 0.085 169 Ancash YUPAN 511.602 0.015 0.101 0.012 0.101 0.101 0.071 0.077 170 Huancavelica QUISHUAR 488.290 0.012 0.106 0.010 0.106 0.106 0.057 0.077 171 Arequipa UÑON 1779.235 0.041 0.029 0.009 0.029 0.141 0.176 0.077 172 Ancash PARARIN 417.269 0.000 0.124 0.000 0.124 0.124 0.001 0.074 173 Ayacucho SANTA ANA DE HUAYCAHUACHO 634.274 0.022 0.082 0.014 0.082 0.037 0.101 0.063 174 Ancash SANTIAGO DE CHILCAS 622.264 0.016 0.083 0.010 0.083 0.003 0.076 0.051 175 Ancash CAJAMARQUILLA 1893.621 0.024 0.027 0.005 0.027 0.043 0.105 0.041 176 Ancash TAPACOCHA 876.273 0.000 0.059 0.000 0.059 0.059 0.000 0.036 177 Lima SAN JOAQUIN 1196.909 0.006 0.043 0.002 0.043 0.043 0.026 0.031 178 416.309 0.085 0.354 0.139 0.262 0.397 0.392 0.309 382.190 0.057 0.256 0.139 0.195 0.219 0.227 0.174 51.715 0.000 0.027 0.000 0.027 0.003 0.000 0.031 2572.483 0.301 1.000 1.000 1.000 1.000 0.912 0.982 Mean Std. Dev. Min Max Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio 85 Categoría 3: Urbano Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Arequipa ORCOPAMPA 93.992 0.290 1.000 0.366 1.000 1.000 0.926 0.858 1 Huánuco PILLCO MARCA 29.842 0.167 1.000 0.663 1.000 0.659 0.799 0.824 2 La Libertad CASA GRANDE 57.743 0.209 1.000 0.428 0.894 0.705 0.869 0.779 3 San Martín JUAN GUERRA 10.672 0.090 1.000 1.000 1.000 0.391 0.494 0.777 4 Ayacucho JESUS DE NAZARENO 64.052 0.216 1.000 0.398 0.859 0.710 0.876 0.769 5 Ancash NEPEÑA 104.060 0.290 0.903 0.330 0.901 0.745 0.926 0.761 6 Junín PILCOMAYO 82.935 0.227 1.000 0.324 0.736 0.717 0.886 0.733 7 Lambayeque POMALCA 64.063 0.204 0.901 0.377 0.767 0.700 0.861 0.721 8 Loreto SAN JUAN BAUTISTA 98.821 0.232 0.951 0.277 0.641 0.719 0.889 0.695 9 Arequipa CABANACONDE 121.761 0.270 0.772 0.263 0.686 0.738 0.915 0.675 10 Cusco SAN JERONIMO 70.475 0.185 0.819 0.311 0.554 0.677 0.825 0.637 11 Lima MALA 70.224 0.182 0.822 0.307 0.537 0.673 0.820 0.632 12 Arequipa NICOLAS DE PIEROLA 90.712 0.209 0.706 0.273 0.572 0.702 0.864 0.623 13 Lambayeque PUEBLO NUEVO 74.815 0.187 0.772 0.296 0.538 0.679 0.829 0.623 14 Ucayali YARINACOCHA 72.761 0.180 0.794 0.293 0.503 0.670 0.814 0.615 15 Lima RICARDO PALMA 71.992 0.175 0.802 0.288 0.474 0.663 0.803 0.606 16 Lima PACHACAMAC 70.017 0.167 0.825 0.283 0.427 0.649 0.782 0.593 17 Piura TAMARINDO 140.532 0.237 0.669 0.200 0.472 0.720 0.891 0.590 18 La Libertad GUADALUPE 51.657 0.161 0.578 0.370 0.549 0.641 0.770 0.582 19 Junín YAUYOS 99.001 0.207 0.583 0.247 0.509 0.699 0.859 0.579 20 Junín SICAYA 110.722 0.210 0.578 0.225 0.473 0.702 0.863 0.568 21 Pasco YANACANCHA 84.990 0.173 0.679 0.240 0.384 0.656 0.792 0.550 22 Junín SANTA ROSA DE SACCO 103.368 0.195 0.559 0.223 0.428 0.686 0.838 0.547 23 La Libertad SALAVERRY 96.623 0.186 0.598 0.228 0.409 0.675 0.821 0.546 24 Lima HUAURA 62.005 0.165 0.481 0.315 0.473 0.646 0.778 0.539 25 La Libertad CHOCOPE 107.352 0.185 0.538 0.204 0.365 0.673 0.818 0.520 26 Lima SAN ANTONIO 265.978 0.287 0.353 0.128 0.348 0.741 0.919 0.498 27 Lambayeque NUEVA ARICA 114.731 0.181 0.503 0.187 0.322 0.666 0.807 0.497 28 San Martín HUICUNGO 131.562 0.196 0.439 0.176 0.339 0.684 0.836 0.495 29 Lima NUEVO IMPERIAL 33.067 0.094 0.902 0.337 0.352 0.389 0.491 0.494 30 Lambayeque SAN JOSE 50.331 0.127 0.593 0.299 0.395 0.541 0.639 0.493 31 Ica SAN JUAN BAUTISTA 63.049 0.147 0.473 0.276 0.393 0.603 0.716 0.492 32 Ica VISTA ALEGRE 107.406 0.171 0.538 0.188 0.295 0.650 0.783 0.491 33 Lima SAN BARTOLO 244.276 0.252 0.385 0.122 0.304 0.726 0.898 0.487 34 Lambayeque PATAPO 76.854 0.164 0.388 0.253 0.378 0.641 0.770 0.486 35 Ica SUNAMPE 49.228 0.123 0.606 0.295 0.382 0.524 0.620 0.485 36 Ayacucho CARMEN ALTO 47.394 0.117 0.630 0.293 0.368 0.501 0.596 0.477 37 Ica GROCIO PRADO 57.917 0.132 0.515 0.269 0.362 0.555 0.655 0.471 38 Loreto PUNCHANA 133.237 0.182 0.433 0.162 0.281 0.665 0.807 0.470 39 Junín SAN AGUSTIN 79.610 0.158 0.375 0.235 0.347 0.628 0.750 0.467 40 San Martín TABALOSOS 67.615 0.140 0.441 0.245 0.340 0.580 0.686 0.458 41 Junín SAN JERONIMO DE TUNAN 88.861 0.162 0.336 0.216 0.322 0.635 0.762 0.454 42 Piura LA ARENA 63.115 0.132 0.473 0.247 0.333 0.554 0.654 0.452 43 Ica MARCONA 137.131 0.175 0.421 0.151 0.246 0.653 0.788 0.452 44 Lambayeque PIMENTEL 66.508 0.136 0.449 0.241 0.331 0.567 0.669 0.451 45 Lima SANTA EULALIA 150.992 0.181 0.382 0.142 0.246 0.663 0.803 0.447 46 Piura LA UNION 76.553 0.143 0.390 0.221 0.310 0.587 0.694 0.440 47 Ancash INDEPENDENCIA 136.370 0.168 0.423 0.146 0.222 0.641 0.769 0.440 48 Piura CATACAOS 76.781 0.140 0.389 0.216 0.300 0.578 0.683 0.433 49 La Libertad PACANGA 63.271 0.125 0.472 0.234 0.306 0.528 0.624 0.433 50 Piura SALITRAL 77.455 0.138 0.385 0.211 0.292 0.572 0.675 0.427 51 Junín HUARIPAMPA 200.280 0.193 0.288 0.114 0.217 0.677 0.825 0.424 52 San Martín LA BANDA DE SHILCAYO 59.037 0.117 0.505 0.235 0.295 0.495 0.589 0.424 53 Lambayeque ETEN 64.536 0.123 0.462 0.226 0.293 0.520 0.615 0.423 54 Lima PUCUSANA 169.782 0.176 0.340 0.123 0.203 0.653 0.788 0.421 55 Moquegua SAMEGUA 422.917 0.260 0.222 0.073 0.185 0.727 0.899 0.421 56 Lima PARAMONGA 110.936 0.164 0.269 0.175 0.262 0.636 0.762 0.421 57 Lima CHANCAY 75.637 0.132 0.395 0.207 0.279 0.552 0.651 0.417 58 San Martín TRES UNIDOS 101.501 0.154 0.294 0.179 0.261 0.613 0.729 0.415 59 Arequipa PUNTA DE BOMBON 101.648 0.151 0.294 0.175 0.253 0.605 0.718 0.409 60 Ica PACHACUTEC 85.885 0.137 0.347 0.189 0.261 0.568 0.670 0.407 61 Ica TUPAC AMARU INCA 68.381 0.121 0.436 0.210 0.269 0.509 0.604 0.406 62 Puno LLALLI 137.095 0.167 0.218 0.144 0.217 0.639 0.766 0.397 63 Lambayeque PUCALA 89.871 0.136 0.332 0.179 0.245 0.562 0.662 0.396 64 Lambayeque REQUE 80.138 0.128 0.372 0.189 0.251 0.535 0.632 0.396 65 Lima SANTA CRUZ DE FLORES 130.377 0.160 0.229 0.145 0.215 0.625 0.745 0.392 66 Piura BELLAVISTA 95.615 0.136 0.312 0.168 0.230 0.560 0.660 0.386 67 Moquegua TORATA 261.337 0.182 0.221 0.082 0.143 0.657 0.793 0.379 68 Lambayeque PICSI 115.455 0.144 0.258 0.148 0.209 0.585 0.691 0.378 69 Arequipa ISLAY 343.696 0.199 0.168 0.069 0.135 0.679 0.827 0.376 70 La Libertad MOCHE 52.390 0.094 0.570 0.212 0.221 0.377 0.480 0.372 71 La Libertad CHICAMA 65.613 0.107 0.455 0.193 0.226 0.442 0.538 0.371 72 Arequipa DEAN VALDIVIA 128.217 0.146 0.233 0.134 0.191 0.587 0.693 0.367 73 Piura VICHAYAL 263.218 0.172 0.219 0.077 0.123 0.640 0.767 0.365 74 Ica SALAS 73.081 0.111 0.408 0.179 0.216 0.459 0.554 0.363 75 Junín CARHUAMAYO 102.791 0.130 0.290 0.150 0.200 0.538 0.634 0.362 76 Moquegua PACOCHA 526.352 0.213 0.122 0.048 0.102 0.691 0.845 0.361 77 Lima SUPE PUERTO 120.882 0.139 0.247 0.136 0.188 0.566 0.667 0.361 78 Lambayeque SANTA ROSA 115.059 0.135 0.259 0.139 0.190 0.554 0.653 0.359 79 Arequipa SANTA RITA DE SIGUAS 64.723 0.102 0.461 0.187 0.211 0.419 0.516 0.359 80 La Libertad JEQUETEPEQUE 109.393 0.131 0.273 0.142 0.191 0.540 0.637 0.356 81 San Martín TINGO DE SAPOSOA 315.314 0.173 0.183 0.065 0.104 0.639 0.764 0.351 82 Piura QUERECOTILLO 80.561 0.111 0.370 0.164 0.198 0.461 0.555 0.350 83 Arequipa ICHUPAMPA 314.676 0.171 0.184 0.064 0.102 0.636 0.760 0.349 84 El Callao LA PUNTA 1187.334 0.231 0.079 0.023 0.053 0.701 0.860 0.343 85 Piura IGNACIO ESCUDERO 81.406 0.109 0.367 0.159 0.190 0.450 0.545 0.342 86 Piura COLAN 243.893 0.167 0.122 0.081 0.122 0.630 0.752 0.341 87 Ancash COISHCO 431.236 0.180 0.134 0.049 0.084 0.648 0.778 0.338 88 Cajamarca YONAN 96.195 0.116 0.310 0.143 0.179 0.480 0.573 0.337 89 Piura LOS ORGANOS 240.344 0.162 0.124 0.080 0.119 0.621 0.739 0.336 90 Arequipa TUTI 372.301 0.171 0.155 0.054 0.085 0.632 0.754 0.336 91 Lima CIENEGUILLA 178.253 0.145 0.167 0.096 0.136 0.579 0.682 0.332 92 Piura MARCAVELICA 62.254 0.091 0.479 0.173 0.176 0.359 0.464 0.330 93 Lima CALETA DE CARQUIN 138.928 0.132 0.215 0.112 0.151 0.537 0.633 0.330 94 Arequipa ACHOMA 224.794 0.150 0.133 0.079 0.114 0.590 0.697 0.323 95 Ica TAMBO DE MORA 111.926 0.118 0.267 0.125 0.158 0.485 0.578 0.323 96 San Martín CACATACHI 234.492 0.152 0.127 0.077 0.111 0.595 0.703 0.322 97 Junín MUQUIYAUYO 97.301 0.111 0.307 0.135 0.164 0.456 0.550 0.322 98 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Continuación 86 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Arequipa CHALA 120.319 0.121 0.248 0.119 0.153 0.498 0.591 0.322 99 Ica PARACAS 3315.723 0.234 0.028 0.008 0.019 0.694 0.848 0.320 100 Junín SAN PEDRO DE CAJAS 88.628 0.106 0.337 0.141 0.164 0.429 0.525 0.319 101 Arequipa ATICO 172.012 0.132 0.173 0.091 0.123 0.535 0.631 0.311 102 Piura MANCORA 162.213 0.129 0.184 0.094 0.126 0.526 0.620 0.310 103 Tacna ESTIQUE PAMPA 2665.070 0.205 0.022 0.009 0.019 0.665 0.802 0.303 104 Junín SAUSA 151.154 0.121 0.197 0.095 0.122 0.493 0.586 0.299 105 Lima PUNTA NEGRA 308.091 0.148 0.097 0.057 0.081 0.578 0.680 0.298 106 Junín YAULI 221.299 0.136 0.135 0.073 0.099 0.543 0.638 0.298 107 Ica SAN ANDRES 362.815 0.153 0.082 0.050 0.072 0.589 0.694 0.297 108 Arequipa YURA 37.927 0.076 0.281 0.239 0.281 0.284 0.401 0.297 109 Arequipa COCACHACRA 169.308 0.124 0.176 0.087 0.113 0.504 0.597 0.295 110 Junín SAN LORENZO 89.037 0.097 0.335 0.129 0.138 0.382 0.484 0.294 111 Ancash SANTA 193.668 0.126 0.154 0.077 0.102 0.509 0.601 0.289 112 Arequipa MADRIGAL 259.303 0.135 0.115 0.062 0.084 0.537 0.632 0.286 113 Arequipa YAUCA 291.302 0.138 0.102 0.056 0.078 0.546 0.642 0.285 114 Tacna POCOLLAY 273.881 0.135 0.109 0.058 0.080 0.535 0.630 0.282 115 Cusco YUCAY 169.320 0.118 0.176 0.083 0.104 0.476 0.569 0.282 116 Piura BERNAL 205.106 0.120 0.145 0.069 0.089 0.482 0.574 0.272 117 La Libertad HUANCHACO 55.648 0.086 0.192 0.184 0.192 0.335 0.443 0.269 118 San Martín SAN ANTONIO 209.294 0.120 0.143 0.068 0.086 0.478 0.570 0.269 119 Madre de Dios IBERIA 143.092 0.106 0.209 0.088 0.103 0.422 0.518 0.268 120 Tumbes AGUAS VERDES 271.181 0.127 0.110 0.055 0.073 0.503 0.595 0.267 121 Madre de Dios LABERINTO 110.609 0.093 0.270 0.099 0.102 0.356 0.460 0.257 122 Piura LOBITOS 1752.226 0.155 0.017 0.010 0.015 0.566 0.662 0.254 123 Arequipa ANDAGUA 428.993 0.131 0.070 0.036 0.049 0.511 0.602 0.254 124 Junín MOLINOS 115.657 0.093 0.258 0.095 0.098 0.355 0.460 0.253 125 Lambayeque CAYALTI 66.009 0.087 0.162 0.156 0.162 0.333 0.442 0.251 126 Lima PATIVILCA 73.863 0.090 0.144 0.144 0.144 0.347 0.454 0.247 127 Piura BELLAVISTA DE LA UNION 244.991 0.113 0.122 0.054 0.066 0.441 0.535 0.244 128 Lima CHILCA 164.225 0.100 0.182 0.072 0.079 0.384 0.484 0.240 129 Piura AMOTAPE 138.751 0.094 0.215 0.080 0.084 0.358 0.462 0.240 130 Lambayeque CHONGOYAPE 72.260 0.086 0.148 0.140 0.148 0.325 0.435 0.239 131 Lima QUINOCAY 469.570 0.125 0.064 0.031 0.041 0.482 0.572 0.238 132 Ayacucho CAYARA 160.942 0.096 0.185 0.070 0.075 0.363 0.466 0.232 133 Lima SANTA ROSA 148.783 0.093 0.201 0.074 0.077 0.351 0.456 0.232 134 La Libertad SANTIAGO DE CAO 82.383 0.086 0.130 0.124 0.130 0.325 0.435 0.229 135 Junín CARHUACALLANGA 325.641 0.112 0.092 0.041 0.049 0.431 0.526 0.228 136 Ica TINGUIÑA 64.760 0.075 0.165 0.138 0.165 0.267 0.387 0.224 137 Pasco TINYAHUARCO 90.473 0.085 0.118 0.111 0.118 0.317 0.428 0.219 138 Tacna ILABAYA 623.105 0.118 0.048 0.022 0.028 0.444 0.536 0.216 139 La Libertad LAREDO 61.272 0.068 0.174 0.132 0.174 0.226 0.352 0.212 140 Piura CURA MORI 79.358 0.078 0.134 0.116 0.134 0.277 0.395 0.211 141 Ancash LLIPA 1434.428 0.117 0.021 0.010 0.012 0.422 0.515 0.196 142 Piura EL ALTO 501.329 0.104 0.060 0.025 0.028 0.384 0.483 0.196 143 Arequipa SACHACA 134.764 0.083 0.079 0.073 0.079 0.298 0.412 0.188 144 Junín EL MANTARO 125.279 0.078 0.085 0.074 0.085 0.270 0.388 0.180 145 Arequipa LARI 219.645 0.087 0.049 0.047 0.049 0.312 0.422 0.176 146 Ica SUBTANJALLA 198.081 0.085 0.054 0.051 0.054 0.301 0.414 0.175 147 Lambayeque MONSEFU 63.691 0.053 0.168 0.098 0.168 0.137 0.276 0.169 148 Arequipa JOSE MARIA QUIMPER 115.949 0.071 0.092 0.072 0.092 0.232 0.356 0.169 149 Arequipa TIABAYA 68.090 0.054 0.157 0.095 0.157 0.145 0.283 0.167 150 Lima TANTA 625.755 0.093 0.048 0.018 0.018 0.320 0.428 0.166 151 Junín HUAMANCACA CHICO 84.898 0.060 0.126 0.084 0.126 0.177 0.310 0.165 152 Junín LA UNION 126.004 0.070 0.085 0.065 0.085 0.224 0.349 0.161 153 Amazonas MONTEVIDEO 297.108 0.084 0.036 0.033 0.036 0.288 0.402 0.159 154 Lambayeque LAGUNAS 75.108 0.054 0.142 0.086 0.142 0.143 0.282 0.159 155 Lima PUNTA HERMOSA 482.432 0.090 0.022 0.022 0.022 0.308 0.418 0.158 156 Lambayeque MANUEL ANTONIO MESONES MURO 150.527 0.069 0.071 0.054 0.071 0.216 0.342 0.151 157 Cajamarca CHILETE 215.226 0.074 0.050 0.041 0.050 0.241 0.363 0.149 158 Tacna HUANAHUARA 477.685 0.083 0.022 0.021 0.022 0.276 0.391 0.146 159 Tumbes PAPAYAL 491.146 0.082 0.022 0.020 0.022 0.265 0.383 0.142 160 Lima CARAMPOMA 818.632 0.086 0.013 0.012 0.013 0.278 0.393 0.142 161 Tumbes LA CRUZ 148.770 0.063 0.072 0.050 0.072 0.184 0.316 0.139 162 Huancavelica ASCENCION 112.628 0.057 0.095 0.060 0.095 0.152 0.289 0.138 163 Ancash LLAPO 652.573 0.081 0.016 0.015 0.016 0.256 0.375 0.136 164 Tumbes CORRALES 116.662 0.053 0.091 0.054 0.091 0.130 0.270 0.127 165 Lima SAN JUAN DE IRIS 1096.210 0.079 0.010 0.009 0.010 0.240 0.361 0.126 166 Junín ORCOTUNA 68.731 0.035 0.155 0.059 0.155 0.028 0.184 0.116 167 Junín ATAURA 209.071 0.057 0.051 0.032 0.051 0.145 0.283 0.112 168 San Martín EL ESLABON 301.209 0.062 0.035 0.024 0.035 0.165 0.299 0.112 169 Junín HUALHUAS 69.040 0.012 0.155 0.021 0.155 0.155 0.069 0.111 170 Arequipa RIO GRANDE 134.643 0.048 0.079 0.042 0.079 0.098 0.243 0.108 171 Amazonas MAGDALENA 315.268 0.058 0.034 0.022 0.034 0.146 0.283 0.104 172 San Martín SHANAO 205.875 0.045 0.052 0.026 0.052 0.076 0.224 0.086 173 Puno JOSE DOMINGO CHOQUEHUANCA 119.259 0.020 0.089 0.020 0.089 0.089 0.108 0.079 174 Arequipa ACARI 119.998 0.020 0.089 0.019 0.089 0.089 0.105 0.078 175 Lima CHICLA 159.100 0.028 0.067 0.021 0.067 0.067 0.148 0.074 176 Amazonas TRITA 154.860 0.034 0.069 0.026 0.069 0.018 0.175 0.071 177 Lima TAURIPAMPA 638.048 0.039 0.017 0.007 0.017 0.034 0.187 0.052 178 Junín MUQUI 215.732 0.017 0.049 0.009 0.049 0.049 0.088 0.049 179 Junín MANZANARES 240.384 0.017 0.044 0.008 0.044 0.044 0.089 0.046 180 Amazonas SAN CARLOS 605.231 0.033 0.018 0.006 0.018 0.002 0.160 0.041 181 226.021 0.130 0.302 0.143 0.221 0.476 0.591 0.346 372.921 0.057 0.257 0.123 0.204 0.198 0.208 0.173 10.672 0.012 0.010 0.006 0.010 0.002 0.069 0.041 3315.723 0.290 1.000 1.000 1.000 1.000 0.926 0.858 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Mean Std. Dev. Min Max 87 Categoría 4: Ciudades metropolitanas Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica San Martín MORALES 62.333 0.339 1.000 1.000 1.000 1.000 0.926 0.985 1 Lima SAN ISIDRO 1507.900 0.335 1.000 0.990 0.941 0.691 0.858 0.896 2 Lima MIRAFLORES 774.466 0.246 1.000 0.960 0.963 0.696 0.812 0.886 3 Lima SAN BORJA 297.985 0.270 0.990 0.922 0.976 0.618 0.868 0.875 4 Lima LINCE 299.804 0.208 0.990 0.980 0.946 0.634 0.809 0.872 5 Lima BARRANCO 362.082 0.198 0.978 0.901 0.987 0.690 0.787 0.868 6 Lima LA MOLINA 298.254 0.174 0.990 0.997 0.991 0.559 0.756 0.859 7 Lima SAN JUAN DE LURIGANCHO 48.470 0.219 1.000 0.812 0.933 0.658 0.882 0.857 8 Cusco SAN SEBASTIAN 38.598 0.166 0.960 0.793 0.980 0.626 0.838 0.840 9 La Libertad EL PORVENIR 32.326 0.128 1.000 0.726 1.000 0.576 0.775 0.815 10 Ica PUEBLO NUEVO 50.235 0.200 0.965 0.734 0.849 0.647 0.867 0.812 11 Lima COMAS 71.745 0.301 0.869 0.770 0.793 0.680 0.913 0.805 12 Lima SAN MARTIN DE PORRES 52.892 0.210 0.916 0.731 0.833 0.652 0.874 0.801 13 Lima SAN JUAN DE MIRAFLORES 72.962 0.273 0.854 0.689 0.727 0.673 0.903 0.769 14 Arequipa YANAHUARA 251.223 0.353 1.000 0.256 1.000 0.677 0.909 0.768 15 Arequipa CAYMA 71.813 0.247 0.868 0.632 0.686 0.664 0.891 0.748 16 Arequipa CERRO COLORADO 64.594 0.210 0.750 0.597 0.681 0.648 0.868 0.709 17 Lima VILLA MARIA DEL TRIUNFO 61.277 0.191 0.791 0.575 0.675 0.636 0.852 0.706 18 Ancash NUEVO CHIMBOTE 58.947 0.174 0.822 0.543 0.660 0.622 0.832 0.696 19 Lambayeque LA VICTORIA 65.856 0.202 0.736 0.565 0.652 0.643 0.861 0.691 20 Lima LOS OLIVOS (LAS PALMERAS) 93.805 0.278 0.664 0.544 0.572 0.671 0.900 0.670 21 Lambayeque TUMAN 67.925 0.188 0.714 0.509 0.602 0.631 0.845 0.660 22 Lima PUENTE PIEDRA 59.475 0.158 0.649 0.488 0.615 0.602 0.807 0.632 23 Lima INDEPENDENCIA 74.263 0.191 0.653 0.472 0.556 0.631 0.844 0.631 24 Cusco SANTIAGO 108.500 0.280 0.574 0.474 0.497 0.669 0.898 0.623 25 El Callao VENTANILLA 76.237 0.189 0.636 0.457 0.539 0.629 0.842 0.621 26 Ayacucho SAN JUAN BAUTISTA 46.941 0.117 0.689 0.458 0.689 0.530 0.725 0.618 27 Cusco WANCHAQ 113.995 0.279 0.547 0.451 0.473 0.668 0.897 0.607 28 Arequipa MIRAFLORES 67.928 0.163 0.568 0.442 0.550 0.605 0.810 0.595 29 Lima IMPERIAL 90.793 0.216 0.534 0.438 0.495 0.644 0.863 0.595 30 Lima HUALMAY 62.217 0.142 0.620 0.420 0.552 0.575 0.774 0.588 31 Lambayeque JOSE LEONARDO ORTIZ 82.001 0.170 0.591 0.381 0.467 0.607 0.813 0.572 32 Arequipa ALTO SELVA ALEGRE 71.100 0.146 0.543 0.378 0.491 0.577 0.776 0.553 33 La Libertad PACASMAYO 129.097 0.249 0.483 0.355 0.384 0.655 0.878 0.551 34 Lima CARABAYLLO 58.299 0.121 0.554 0.382 0.554 0.530 0.725 0.549 35 Lima ATE - VITARTE 128.676 0.242 0.484 0.346 0.378 0.651 0.873 0.547 36 Tacna CORONEL GREGORIO ALBARRACIN LANCHIPA 69.904 0.140 0.552 0.367 0.486 0.565 0.762 0.546 37 La Libertad LA ESPERANZA 73.627 0.146 0.524 0.364 0.474 0.575 0.774 0.542 38 Lima RIMAC 109.300 0.214 0.443 0.360 0.408 0.639 0.855 0.541 39 Piura CASTILLA 83.131 0.165 0.464 0.365 0.452 0.600 0.804 0.537 40 Ica PARCONA 60.242 0.112 0.537 0.342 0.537 0.500 0.695 0.522 41 Lima CHORRILLOS 104.394 0.184 0.464 0.323 0.386 0.614 0.822 0.522 42 Lima VILLA EL SALVADOR 69.745 0.126 0.463 0.331 0.463 0.532 0.727 0.503 43 Junín EL TAMBO 86.738 0.149 0.445 0.315 0.407 0.573 0.771 0.502 44 Lima SANTA ANITA 123.481 0.199 0.393 0.297 0.344 0.624 0.835 0.499 45 Lima EL AGUSTINO 99.744 0.166 0.387 0.307 0.379 0.595 0.798 0.493 46 Lima PUEBLO LIBRE 243.403 0.195 0.199 0.287 0.472 0.697 0.801 0.491 47 Lima JESUS MARIA 487.417 0.310 0.278 0.217 0.420 0.655 0.877 0.489 48 Lima MAGDALENA DEL MAR 268.827 0.203 0.280 0.289 0.460 0.602 0.807 0.488 49 Arequipa SOCABAYA 59.150 0.093 0.547 0.289 0.547 0.422 0.628 0.486 50 La Libertad FLORENCIA DE MORA 89.909 0.142 0.429 0.291 0.383 0.558 0.755 0.483 51 Arequipa JACOBO HUNTER 97.170 0.145 0.397 0.275 0.359 0.561 0.758 0.470 52 Arequipa PAUCARPATA 97.194 0.138 0.397 0.261 0.347 0.544 0.740 0.458 53 La Libertad VICTOR LARCO HERRERA 160.102 0.210 0.303 0.241 0.275 0.625 0.837 0.456 54 Lima SAN LUIS 160.527 0.199 0.302 0.228 0.264 0.616 0.824 0.447 55 Junín CHILCA 105.913 0.141 0.364 0.245 0.323 0.548 0.744 0.445 56 Lima BREÑA 206.233 0.227 0.302 0.202 0.225 0.631 0.845 0.441 57 Arequipa JOSE LUIS BUSTAMANTE Y RIVERO 113.474 0.135 0.340 0.219 0.294 0.530 0.725 0.421 58 Arequipa MARIANO MELGAR 65.910 0.078 0.490 0.217 0.490 0.334 0.559 0.418 59 El Callao LA PERLA 149.070 0.166 0.259 0.204 0.253 0.578 0.777 0.414 60 Lima LURIN 157.610 0.166 0.245 0.193 0.239 0.575 0.774 0.405 61 Huánuco AMARILIS 88.592 0.103 0.365 0.214 0.365 0.438 0.641 0.405 62 Lima SAN MIGUEL 185.843 0.175 0.261 0.173 0.210 0.582 0.783 0.402 63 Lima SANTIAGO DE SURCO 306.588 0.249 0.203 0.150 0.162 0.636 0.852 0.401 64 Lima LURIGANCHO (CHOSICA) 140.791 0.145 0.274 0.189 0.247 0.541 0.737 0.398 65 Lima CHACLACAYO 135.215 0.140 0.285 0.190 0.252 0.531 0.726 0.397 66 El Callao CARMEN DE LA LEGUA REYNOSO 310.083 0.233 0.201 0.138 0.153 0.625 0.837 0.391 67 El Callao BELLAVISTA 261.464 0.196 0.185 0.138 0.161 0.596 0.799 0.376 68 Tacna ALTO DE LA ALIANZA 300.561 0.184 0.161 0.113 0.134 0.575 0.774 0.351 69 Tacna CIUDAD NUEVA 219.739 0.126 0.147 0.105 0.147 0.460 0.660 0.304 70 Lima SURQUILLO 256.208 0.132 0.151 0.095 0.128 0.468 0.667 0.302 71 Lima LA VICTORIA 159.759 0.231 0.190 0.166 0.144 0.341 0.658 0.300 72 Lima ANCON 120.241 0.073 0.269 0.111 0.269 0.264 0.507 0.284 73 160.306 0.191 0.555 0.424 0.517 0.596 0.798 0.578 199.263 0.061 0.270 0.251 0.257 0.096 0.082 0.172 32.326 0.073 0.147 0.095 0.128 0.264 0.507 0.284 1507.900 0.353 1.000 1.000 1.000 1.000 0.926 0.985 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Mean Std. Dev. Min Max 88 Categoría 5: Rural pobre Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Puno CONDURIRI 102.838 0.229 1.000 0.895 1.000 0.741 0.899 0.907 1 Puno ALTO INAMBARI 64.500 0.161 1.000 1.000 1.000 0.696 0.818 0.903 2 Ucayali IPARIA 197.027 0.257 1.000 0.523 1.000 1.000 0.915 0.888 3 Apurimac HUANCARAY 99.369 0.213 1.000 0.861 0.945 0.734 0.887 0.885 4 Piura PACAIPAMPA 126.980 0.237 1.000 0.748 1.000 0.744 0.904 0.879 5 Huánuco CHUQUIS 70.898 0.163 1.000 0.926 0.932 0.699 0.825 0.876 6 La Libertad USQUIL 66.695 0.145 0.967 0.875 0.909 0.678 0.784 0.843 7 Junín RIO NEGRO 112.813 0.194 0.881 0.692 0.739 0.724 0.872 0.781 8 Puno ANANEA 55.719 0.103 1.000 0.739 0.892 0.588 0.612 0.766 9 Cajamarca SITACOCHA 74.586 0.137 0.865 0.740 0.785 0.667 0.763 0.764 10 Junín RIO TAMBO 45.433 0.079 1.000 0.699 0.963 0.488 0.476 0.725 11 Cajamarca SANTO DOMINGO DE LA CAPILLA 97.751 0.162 0.725 0.667 0.670 0.699 0.826 0.717 12 Puno SAN ANTON 71.182 0.113 0.906 0.635 0.735 0.618 0.667 0.712 13 Huánuco LUYANDO 71.113 0.111 0.907 0.628 0.730 0.614 0.660 0.708 14 Huancavelica YAULI 139.916 0.193 0.710 0.553 0.590 0.723 0.871 0.690 15 Puno HUACULLANI 40.052 0.065 1.000 0.647 1.000 0.397 0.388 0.686 16 San Martín ALONSO DE ALVARADO 72.934 0.105 0.884 0.580 0.691 0.598 0.631 0.677 17 Lima LUNAHUANA 138.842 0.173 0.716 0.502 0.516 0.709 0.848 0.658 18 Arequipa SAMUEL PASTOR 68.428 0.096 0.814 0.562 0.701 0.566 0.579 0.644 19 Piura LAGUNAS 122.372 0.163 0.579 0.535 0.539 0.700 0.830 0.637 20 Apurimac CHALLHUAHUACHO 101.499 0.136 0.635 0.537 0.573 0.666 0.762 0.635 21 Piura HUARMACA 145.099 0.167 0.685 0.463 0.471 0.704 0.839 0.632 22 Huánuco SAN PEDRO DE CHAULAN 92.633 0.120 0.696 0.519 0.584 0.636 0.702 0.627 23 San Martín ZAPATERO 98.625 0.127 0.654 0.516 0.567 0.650 0.731 0.624 24 Arequipa CHAPARRA 148.479 0.166 0.669 0.449 0.455 0.703 0.837 0.623 25 Cajamarca QUEROCOTO 90.438 0.114 0.713 0.505 0.581 0.622 0.676 0.619 26 Amazonas JAMALCA 67.648 0.084 0.824 0.501 0.667 0.518 0.514 0.605 27 Ayacucho VINCHOS 91.797 0.108 0.703 0.474 0.558 0.608 0.651 0.599 28 Puno COATA 94.575 0.110 0.682 0.469 0.547 0.614 0.661 0.595 29 Apurimac URANMARCA 97.188 0.112 0.664 0.462 0.536 0.618 0.669 0.590 30 Cajamarca POMAHUACA 77.264 0.093 0.721 0.486 0.614 0.558 0.569 0.590 31 Loreto PASTAZA 175.059 0.175 0.568 0.402 0.415 0.711 0.852 0.590 32 Huánuco CHURUBAMBA 81.288 0.098 0.685 0.485 0.598 0.576 0.596 0.588 33 Huánuco MARIAS 78.782 0.092 0.707 0.469 0.597 0.553 0.561 0.577 34 Cusco PICHARI 112.181 0.125 0.575 0.446 0.493 0.646 0.725 0.577 35 Ancash SAN PEDRO DE CHANA 72.838 0.083 0.765 0.459 0.615 0.513 0.508 0.572 36 Lima SAN ANTONIO 372.134 0.241 0.529 0.260 0.378 0.747 0.910 0.565 37 Cajamarca CATACHE 74.163 0.083 0.751 0.449 0.603 0.512 0.507 0.564 38 Puno ACORA 117.962 0.124 0.547 0.422 0.467 0.645 0.723 0.561 39 Huancavelica ACORIA 113.060 0.117 0.570 0.416 0.473 0.631 0.695 0.557 40 Piura SUYO 109.553 0.113 0.589 0.414 0.478 0.621 0.676 0.556 41 Apurimac CIRCA 103.378 0.106 0.624 0.412 0.489 0.602 0.641 0.554 42 Piura PAIMAS 126.129 0.128 0.511 0.409 0.446 0.654 0.741 0.552 43 Piura LANCONES 122.916 0.122 0.525 0.398 0.445 0.642 0.716 0.545 44 Puno PARATIA 54.693 0.064 0.732 0.470 0.732 0.394 0.388 0.543 45 Huánuco SAN FRANCISCO DE ASIS 90.650 0.096 0.615 0.423 0.529 0.567 0.583 0.543 46 Cusco QUELLOUNO 60.854 0.068 0.747 0.452 0.674 0.426 0.417 0.543 47 Ayacucho LLOCHEGUA 87.817 0.092 0.634 0.422 0.537 0.554 0.565 0.543 48 Huánuco HUACAR 110.967 0.109 0.581 0.395 0.463 0.611 0.658 0.542 49 Puno ACHAYA 120.443 0.117 0.536 0.392 0.444 0.632 0.697 0.540 50 Cajamarca JOSE SABOGAL 85.255 0.087 0.654 0.408 0.536 0.530 0.531 0.532 51 Huancavelica DANIEL HERNANDES 168.422 0.158 0.383 0.377 0.379 0.695 0.823 0.532 52 Cajamarca MAGDALENA 156.363 0.146 0.413 0.374 0.388 0.681 0.796 0.530 53 Ancash CHAVIN DE HUANTAR 153.028 0.142 0.421 0.374 0.391 0.677 0.787 0.530 54 Apurimac CURAHUASI 96.726 0.096 0.576 0.398 0.496 0.568 0.586 0.525 55 Huánuco MONZON 53.855 0.058 0.744 0.429 0.744 0.346 0.349 0.522 56 Cusco CAPACMARCA 123.643 0.111 0.522 0.362 0.420 0.617 0.671 0.518 57 La Libertad SALPO 45.453 0.041 0.881 0.361 0.881 0.207 0.248 0.516 58 Apurimac RANRACANCHA 149.034 0.131 0.433 0.352 0.382 0.659 0.752 0.515 59 Cajamarca HUASMIN 114.823 0.103 0.562 0.360 0.434 0.593 0.628 0.515 60 Moquegua UBINAS 86.597 0.083 0.643 0.387 0.518 0.515 0.512 0.515 61 La Libertad CALAMARCA 75.344 0.079 0.603 0.420 0.579 0.490 0.482 0.515 62 Loreto CAHUAPANAS 174.573 0.151 0.369 0.348 0.356 0.688 0.810 0.514 63 Cusco YANATILE 100.052 0.095 0.557 0.381 0.477 0.565 0.581 0.512 64 Apurimac GAMARRA 121.226 0.107 0.532 0.354 0.420 0.605 0.649 0.512 65 Loreto NAPO 147.713 0.127 0.437 0.345 0.379 0.652 0.738 0.510 66 Cajamarca LA COIPA 89.401 0.085 0.623 0.380 0.505 0.520 0.519 0.510 67 Ayacucho SANTILLANA 149.925 0.128 0.430 0.343 0.375 0.654 0.743 0.509 68 Huánuco PINRA 104.127 0.096 0.535 0.371 0.462 0.570 0.589 0.505 69 Huánuco CHUPAN 58.488 0.061 0.685 0.416 0.685 0.370 0.369 0.505 70 Cusco OCONGATE 104.538 0.095 0.533 0.363 0.456 0.564 0.580 0.499 71 Ayacucho ACOCRO 76.338 0.076 0.595 0.399 0.562 0.473 0.465 0.499 72 Loreto SAN PABLO 74.620 0.074 0.609 0.397 0.568 0.461 0.452 0.497 73 Puno PAUCARCOLLA 110.005 0.098 0.507 0.359 0.442 0.577 0.601 0.497 74 Cajamarca HUAMBOS 89.801 0.081 0.620 0.364 0.494 0.505 0.501 0.497 75 Huánuco HERMILIO VALDIZAN 97.541 0.087 0.571 0.357 0.468 0.531 0.533 0.492 76 La Libertad COCHORCO 67.704 0.065 0.671 0.388 0.595 0.406 0.400 0.492 77 Ayacucho CHIARA 63.119 0.063 0.635 0.403 0.635 0.391 0.386 0.490 78 Pasco PUERTO BERMUDEZ 80.975 0.078 0.561 0.386 0.537 0.486 0.478 0.490 79 Ayacucho IGUAIN 75.414 0.073 0.602 0.386 0.558 0.454 0.444 0.489 80 Apurimac KAQUIABAMBA 73.886 0.071 0.615 0.384 0.563 0.442 0.433 0.488 81 Ayacucho LOS MOROCHUCOS 100.844 0.088 0.553 0.350 0.456 0.536 0.541 0.487 82 Loreto SARAYACU 226.203 0.163 0.313 0.290 0.292 0.701 0.836 0.487 83 Puno ROSASPATA 105.938 0.091 0.526 0.347 0.443 0.552 0.563 0.486 84 Puno TARACO 118.709 0.101 0.469 0.341 0.415 0.587 0.617 0.486 85 Ancash YANAMA 97.971 0.085 0.569 0.348 0.462 0.523 0.523 0.485 86 Ancash LA LIBERTAD 213.943 0.158 0.301 0.297 0.298 0.696 0.826 0.484 87 Cajamarca ENCAÑADA 98.400 0.085 0.566 0.345 0.459 0.521 0.521 0.483 88 La Libertad CHUGAY 55.766 0.051 0.718 0.367 0.718 0.294 0.310 0.482 89 Piura SONDOR 136.163 0.106 0.474 0.312 0.371 0.602 0.645 0.481 90 Apurimac TURPO 105.311 0.089 0.529 0.341 0.440 0.543 0.550 0.481 91 Piura EL CARMEN DE LA FRONTERA 112.840 0.095 0.494 0.337 0.423 0.564 0.582 0.480 92 Cajamarca CUJILLO 150.317 0.114 0.429 0.305 0.351 0.625 0.687 0.480 93 Cajamarca LAJAS 77.211 0.072 0.588 0.374 0.543 0.450 0.441 0.479 94 Arequipa QUICACHA 225.976 0.160 0.285 0.284 0.284 0.698 0.830 0.476 95 Amazonas CUMBA 78.647 0.072 0.578 0.369 0.534 0.453 0.444 0.475 96 Cajamarca CHADIN 207.721 0.146 0.311 0.282 0.292 0.682 0.799 0.473 97 Huánuco MOLINOS 85.928 0.077 0.529 0.359 0.503 0.480 0.473 0.469 98 Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio Continuación 89 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Ayacucho PULLO 88.402 0.079 0.514 0.357 0.493 0.489 0.483 0.467 99 Puno ASILLO 109.834 0.088 0.507 0.323 0.420 0.539 0.545 0.467 100 Puno PISACOMA 87.136 0.076 0.521 0.352 0.494 0.477 0.470 0.463 101 Piura SAN MIGUEL DE EL FAIQUE 146.665 0.104 0.440 0.286 0.342 0.599 0.640 0.461 102 Piura LALAQUIZ 230.168 0.150 0.280 0.261 0.268 0.687 0.810 0.461 103 Cajamarca CORTEGANA 144.599 0.103 0.446 0.285 0.344 0.593 0.630 0.460 104 Cajamarca LLAMA 116.076 0.089 0.480 0.309 0.400 0.544 0.552 0.457 105 Junín ANDAMARCA 185.157 0.123 0.348 0.266 0.296 0.645 0.727 0.456 106 Cusco LAYO 132.815 0.099 0.420 0.298 0.367 0.580 0.607 0.454 107 Piura MONTERO 117.945 0.089 0.472 0.304 0.393 0.543 0.552 0.453 108 Ancash PIRA 198.975 0.126 0.324 0.254 0.280 0.651 0.739 0.450 109 Huancavelica COLCABAMBA 174.738 0.113 0.369 0.259 0.300 0.623 0.684 0.447 110 Loreto MAZAN 192.719 0.121 0.335 0.253 0.283 0.642 0.721 0.447 111 Ancash HUANCHAY 222.122 0.133 0.290 0.241 0.259 0.664 0.765 0.444 112 Cajamarca TABACONAS 86.715 0.071 0.524 0.330 0.481 0.446 0.438 0.444 113 Junín HEROINAS TOLEDO 221.142 0.132 0.292 0.239 0.258 0.662 0.761 0.442 114 Junín COMAS 195.882 0.120 0.329 0.246 0.277 0.639 0.716 0.442 115 Cajamarca COCHABAMBA 110.272 0.081 0.505 0.295 0.401 0.503 0.501 0.441 116 Cajamarca HUALGAYOC 176.758 0.111 0.365 0.251 0.293 0.617 0.673 0.440 117 Apurimac OCOBAMBA 133.245 0.094 0.418 0.282 0.356 0.561 0.579 0.439 118 Loreto MORONA 173.274 0.109 0.372 0.252 0.296 0.611 0.663 0.439 119 Piura FRIAS 113.075 0.082 0.493 0.290 0.392 0.507 0.505 0.437 120 Huánuco JIRCAN 88.576 0.071 0.513 0.321 0.470 0.444 0.437 0.437 121 Lambayeque PITIPO 96.709 0.076 0.470 0.317 0.445 0.478 0.472 0.436 122 Puno QUILCAPUNCU 97.215 0.077 0.467 0.316 0.444 0.480 0.473 0.436 123 Apurimac SAN ANTONIO DE CACHI 91.205 0.072 0.498 0.318 0.460 0.453 0.445 0.435 124 Loreto FERNANDO LORES 143.825 0.097 0.387 0.271 0.336 0.575 0.600 0.434 125 Cusco OLLANTAYTAMBO 133.114 0.091 0.419 0.275 0.351 0.551 0.564 0.432 126 Pasco HUANCABAMBA 73.328 0.060 0.546 0.328 0.546 0.367 0.368 0.431 127 Cusco SAN PABLO 89.113 0.070 0.510 0.314 0.464 0.436 0.429 0.431 128 Apurimac HUACCANA 129.273 0.087 0.431 0.271 0.355 0.536 0.542 0.427 129 Huánuco SAN RAFAEL 89.152 0.068 0.510 0.307 0.460 0.428 0.421 0.425 130 Cusco HUAYLLABAMBA 100.998 0.076 0.450 0.301 0.425 0.475 0.469 0.424 131 Cajamarca SAN ANDRES DE CUTERVO 97.157 0.073 0.468 0.303 0.435 0.460 0.453 0.424 132 Cusco ECHARATE 97.763 0.073 0.465 0.301 0.432 0.460 0.453 0.422 133 Cajamarca SAN JUAN 141.388 0.092 0.394 0.260 0.332 0.554 0.569 0.422 134 Ancash COCHAS 232.860 0.123 0.277 0.212 0.236 0.646 0.730 0.420 135 Ica INDEPENDENCIA 80.883 0.064 0.495 0.318 0.495 0.398 0.394 0.420 136 Cajamarca COSPAN 143.556 0.092 0.388 0.256 0.327 0.554 0.569 0.419 137 Lambayeque SALAS 80.643 0.063 0.497 0.316 0.497 0.394 0.391 0.419 138 Lambayeque INCAHUASI 93.278 0.069 0.487 0.299 0.443 0.436 0.429 0.419 139 Cajamarca CHIRINOS 89.574 0.067 0.507 0.300 0.454 0.419 0.413 0.419 140 Cajamarca ASUNCION 157.065 0.097 0.355 0.249 0.308 0.576 0.603 0.418 141 Cajamarca CHIMBAN 196.981 0.109 0.327 0.221 0.260 0.612 0.666 0.417 142 Puno SAN ANTONIO 257.425 0.129 0.251 0.201 0.219 0.657 0.753 0.416 143 Piura SONDORILLO 166.590 0.100 0.334 0.242 0.295 0.586 0.620 0.416 144 Junín COVIRIALI 108.646 0.078 0.418 0.288 0.400 0.487 0.482 0.415 145 Amazonas LONYA GRANDE 77.278 0.059 0.518 0.305 0.518 0.358 0.361 0.412 146 Cajamarca QUEROCOTILLO 80.805 0.062 0.496 0.307 0.496 0.381 0.380 0.412 147 Cajamarca GREGORIO PITA 94.609 0.069 0.480 0.291 0.434 0.430 0.424 0.412 148 Cajamarca LA LIBERTAD DE PALLAN 84.213 0.064 0.476 0.306 0.476 0.399 0.396 0.411 149 Ancash QUICHES 156.623 0.094 0.356 0.241 0.304 0.564 0.584 0.410 150 Ayacucho QUINUA 110.183 0.076 0.412 0.278 0.391 0.479 0.473 0.407 151 Huánuco COCHABAMBA 111.250 0.076 0.408 0.276 0.387 0.480 0.474 0.405 152 La Libertad SIMBAL 111.332 0.076 0.408 0.274 0.386 0.476 0.471 0.403 153 Arequipa SAN JUAN DE TARUCANI 134.125 0.082 0.415 0.246 0.332 0.511 0.511 0.403 154 Huancavelica PAUCARA 68.211 0.048 0.587 0.280 0.587 0.267 0.292 0.403 155 Loreto LAS AMAZONAS 157.304 0.091 0.354 0.233 0.298 0.553 0.568 0.401 156 San Martín AWAJUN 65.327 0.044 0.613 0.271 0.613 0.237 0.271 0.401 157 Ayacucho LLAUTA 165.643 0.094 0.336 0.228 0.287 0.565 0.586 0.400 158 Huánuco TOURNAVISTA 106.231 0.072 0.428 0.273 0.395 0.454 0.448 0.399 159 La Libertad CURGOS 81.167 0.058 0.493 0.289 0.493 0.357 0.360 0.398 160 Lambayeque CAÑARIS 88.698 0.064 0.452 0.291 0.452 0.400 0.396 0.398 161 Junín SAN LUIS DE SHUARO 77.527 0.055 0.517 0.283 0.517 0.326 0.336 0.396 162 Puno UMACHIRI 152.283 0.087 0.366 0.230 0.301 0.535 0.544 0.395 163 Cajamarca CHONTALI 85.170 0.060 0.470 0.284 0.470 0.370 0.371 0.393 164 La Libertad CHARAT 114.360 0.075 0.397 0.262 0.373 0.469 0.463 0.393 165 Cajamarca ICHOCAN 235.059 0.109 0.274 0.186 0.218 0.614 0.671 0.393 166 Puno SANTA ROSA 171.267 0.092 0.325 0.216 0.275 0.557 0.575 0.390 167 Arequipa MOLLEBAYA 392.468 0.144 0.164 0.147 0.153 0.681 0.802 0.389 168 Cusco COLQUEPATA 90.328 0.063 0.443 0.280 0.443 0.391 0.389 0.389 169 Puno SAMAN 158.992 0.088 0.350 0.221 0.289 0.538 0.548 0.389 170 San Martín RUMISAPA 180.576 0.095 0.309 0.211 0.265 0.569 0.593 0.389 171 Cajamarca SAN LUIS DE LUCMA 152.003 0.084 0.367 0.223 0.297 0.523 0.528 0.388 172 Junín YANACANCHA 76.959 0.052 0.520 0.271 0.520 0.305 0.320 0.387 173 Cajamarca CHETILLA 146.295 0.082 0.381 0.225 0.304 0.511 0.512 0.387 174 Ucayali MASISEA 176.082 0.092 0.316 0.210 0.267 0.558 0.576 0.386 175 Huancavelica PILPICHACA 81.706 0.055 0.490 0.272 0.490 0.332 0.341 0.385 176 La Libertad HUARANCHAL 85.069 0.057 0.471 0.271 0.471 0.348 0.354 0.383 177 Cajamarca UTCO 253.906 0.109 0.254 0.172 0.202 0.614 0.671 0.383 178 Ayacucho SANTIAGO DE LUCANAMARCA 108.916 0.069 0.417 0.254 0.378 0.434 0.428 0.382 179 Piura SANTO DOMINGO 156.712 0.084 0.356 0.216 0.288 0.523 0.528 0.382 180 Huánuco JACAS GRANDE 104.086 0.066 0.437 0.256 0.389 0.417 0.412 0.382 181 Junín CHAMBARA 77.973 0.051 0.514 0.264 0.514 0.299 0.316 0.381 182 Puno PHARA 102.339 0.065 0.444 0.255 0.392 0.406 0.403 0.380 183 Junín MASMA 175.890 0.090 0.317 0.205 0.264 0.548 0.562 0.379 184 Ayacucho SAURAMA 170.329 0.088 0.327 0.207 0.270 0.539 0.550 0.379 185 Junín CHUPURO 128.687 0.077 0.353 0.240 0.336 0.484 0.480 0.379 186 Cusco LLUSCO 85.592 0.056 0.468 0.264 0.468 0.340 0.347 0.377 187 Cusco COPORAQUE 91.681 0.060 0.437 0.265 0.437 0.372 0.373 0.377 188 Apurimac OROPESA 104.075 0.065 0.437 0.251 0.386 0.406 0.403 0.377 189 Puno CABANILLA 91.349 0.060 0.438 0.264 0.438 0.370 0.371 0.376 190 Ayacucho OTOCA 124.762 0.074 0.364 0.238 0.340 0.467 0.462 0.374 191 Pasco CHONTABAMBA 108.854 0.067 0.417 0.246 0.373 0.419 0.415 0.374 192 Ayacucho OCROS 97.049 0.063 0.413 0.261 0.413 0.392 0.390 0.374 193 Cusco SAN SALVADOR 131.757 0.076 0.345 0.233 0.327 0.481 0.477 0.373 194 Cajamarca ANGUIA 83.753 0.054 0.478 0.257 0.478 0.319 0.331 0.373 195 Cusco VELILLE 107.005 0.065 0.425 0.244 0.375 0.407 0.404 0.371 196 Puno VILQUE 153.940 0.079 0.362 0.207 0.285 0.497 0.497 0.370 197 Puno ITUATA 127.198 0.074 0.357 0.233 0.333 0.465 0.460 0.370 198 Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio Continuación 90 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Huánuco RIPAN 89.234 0.057 0.449 0.255 0.449 0.343 0.350 0.369 199 Ayacucho PARAS 133.613 0.076 0.340 0.229 0.322 0.479 0.475 0.369 200 Apurimac TINTAY 128.973 0.074 0.352 0.231 0.330 0.468 0.463 0.369 201 Huánuco CHINCHAO 79.699 0.049 0.503 0.249 0.503 0.283 0.305 0.369 202 Puno CABANA 144.584 0.079 0.314 0.219 0.302 0.495 0.494 0.365 203 La Libertad SITABAMBA 89.225 0.055 0.449 0.249 0.449 0.332 0.342 0.364 204 Amazonas OCALLI 81.911 0.050 0.489 0.243 0.489 0.285 0.306 0.362 205 Ancash SANTA CRUZ 89.212 0.055 0.449 0.246 0.449 0.326 0.337 0.361 206 Puno CUYOCUYO 115.683 0.067 0.393 0.231 0.351 0.418 0.414 0.361 207 Cusco COLQUEMARCA 100.177 0.061 0.400 0.246 0.400 0.379 0.380 0.361 208 Junín PALCA 90.193 0.055 0.444 0.245 0.444 0.330 0.340 0.361 209 Ancash JANGAS 93.384 0.057 0.429 0.245 0.429 0.346 0.353 0.360 210 Arequipa CHIGUATA 132.901 0.073 0.342 0.221 0.318 0.461 0.456 0.360 211 Puno SANTIAGO DE PUPUJA 114.613 0.066 0.396 0.230 0.352 0.411 0.408 0.359 212 Puno KELLUYO 77.215 0.045 0.519 0.234 0.519 0.245 0.277 0.359 213 Arequipa PUYCA 143.714 0.076 0.316 0.213 0.300 0.481 0.478 0.357 214 Junín PARIAHUANCA 181.620 0.084 0.307 0.185 0.247 0.521 0.527 0.357 215 San Martín PAJARILLO 69.850 0.038 0.573 0.219 0.573 0.186 0.235 0.357 216 Ayacucho CHUNGUI 122.196 0.068 0.372 0.224 0.335 0.429 0.424 0.357 217 Puno SAN GABAN 144.664 0.076 0.314 0.212 0.298 0.481 0.478 0.357 218 Huánuco MARGOS 121.622 0.068 0.374 0.224 0.336 0.427 0.423 0.357 219 Ayacucho ASQUIPATA 461.851 0.127 0.140 0.110 0.121 0.655 0.754 0.356 220 Cusco CHALLABAMBA 106.332 0.063 0.377 0.238 0.377 0.392 0.391 0.355 221 Puno INCHUPALLA 169.362 0.079 0.329 0.188 0.258 0.497 0.498 0.354 222 Cajamarca NAMORA 151.230 0.078 0.300 0.206 0.287 0.488 0.486 0.354 223 Cajamarca SOCOTA 236.144 0.095 0.236 0.162 0.202 0.570 0.597 0.353 224 Huánuco SANTA MARIA DEL VALLE 92.403 0.054 0.433 0.236 0.433 0.325 0.336 0.353 225 Huánuco OBAS 123.073 0.067 0.369 0.219 0.331 0.422 0.418 0.352 226 Apurimac LUCRE 118.017 0.065 0.385 0.221 0.340 0.408 0.405 0.352 227 Ayacucho TAMBILLO 87.568 0.051 0.457 0.233 0.457 0.296 0.315 0.352 228 Puno PATAMBUCO 131.728 0.070 0.345 0.214 0.315 0.443 0.438 0.351 229 Huánuco MARIANO DAMASO BERAUN 82.908 0.047 0.483 0.229 0.483 0.266 0.292 0.351 230 Ayacucho LURICOCHA 103.334 0.060 0.388 0.233 0.388 0.370 0.373 0.350 231 Puno ATUNCOLLA 135.774 0.071 0.335 0.211 0.307 0.450 0.445 0.350 232 Huancavelica VILCA 119.987 0.065 0.379 0.218 0.335 0.409 0.406 0.349 233 Huánuco CHAGLLA 121.690 0.066 0.373 0.217 0.331 0.412 0.410 0.349 234 Loreto BALSAPUERTO 159.872 0.078 0.284 0.197 0.273 0.493 0.492 0.348 235 Cajamarca CATILLUC 142.366 0.073 0.319 0.206 0.296 0.461 0.457 0.348 236 Huancavelica SAN PEDRO DE CORIS 321.127 0.104 0.201 0.130 0.156 0.600 0.650 0.348 237 Cusco LIVITACA 109.816 0.063 0.365 0.229 0.365 0.390 0.389 0.347 238 Junín COCHAS 113.291 0.064 0.354 0.228 0.354 0.401 0.399 0.347 239 Amazonas EL MILAGRO 86.158 0.049 0.465 0.226 0.465 0.276 0.300 0.346 240 Cusco QUEHUE 111.746 0.063 0.358 0.227 0.358 0.395 0.393 0.346 241 Puno PLATERIA 105.968 0.060 0.378 0.228 0.378 0.372 0.374 0.346 242 Puno CUTURAPI 246.703 0.094 0.226 0.153 0.193 0.566 0.592 0.346 243 Cajamarca HUARANGO 97.257 0.055 0.412 0.229 0.412 0.333 0.343 0.346 244 Cajamarca SANTO TOMAS 76.710 0.041 0.522 0.215 0.522 0.212 0.253 0.345 245 Huánuco QUISQUI 99.684 0.056 0.402 0.226 0.402 0.339 0.348 0.343 246 Apurimac ANDARAPA 122.898 0.065 0.370 0.211 0.326 0.405 0.403 0.343 247 Huánuco YARUMAYO 162.754 0.078 0.279 0.191 0.266 0.488 0.487 0.342 248 Junín SAN JUAN DE JARPA 96.262 0.054 0.416 0.225 0.416 0.321 0.334 0.342 249 Huánuco TANTAMAYO 109.362 0.061 0.366 0.223 0.366 0.376 0.378 0.342 250 Huánuco YUYAPICHIS 114.359 0.063 0.350 0.221 0.350 0.392 0.392 0.341 251 Cajamarca CHANCAYBAÑOS 159.304 0.076 0.285 0.192 0.270 0.480 0.477 0.341 252 Huánuco UMARI 102.252 0.057 0.392 0.223 0.392 0.345 0.352 0.341 253 Ayacucho LUCANAS 130.357 0.067 0.349 0.205 0.311 0.419 0.416 0.340 254 Puno VILQUE CHICO 118.212 0.064 0.339 0.218 0.339 0.402 0.400 0.340 255 Apurimac CURPAHUASI 99.137 0.054 0.404 0.221 0.404 0.326 0.338 0.339 256 Huánuco PACHAS 132.258 0.067 0.344 0.203 0.307 0.420 0.417 0.338 257 Cajamarca EDUARDO VILLANUEVA 143.366 0.070 0.317 0.197 0.290 0.445 0.441 0.338 258 Cajamarca YAUYUCAN 323.090 0.102 0.172 0.127 0.153 0.595 0.641 0.338 259 Loreto ALTO NANAY 768.274 0.134 0.084 0.070 0.075 0.670 0.785 0.337 260 Cusco QUIQUIJANA 112.132 0.060 0.357 0.216 0.357 0.374 0.376 0.336 261 Cusco SUYCKUTAMBO 100.458 0.054 0.399 0.217 0.399 0.324 0.336 0.335 262 Moquegua LA CAPILLA 174.413 0.078 0.260 0.180 0.249 0.492 0.492 0.335 263 Huánuco CANCHABAMBA 102.012 0.055 0.393 0.216 0.393 0.330 0.341 0.334 264 Puno PILCUYO 96.372 0.051 0.416 0.214 0.416 0.302 0.319 0.333 265 Huánuco PAMPAMARCA 86.311 0.045 0.464 0.210 0.464 0.248 0.279 0.333 266 Arequipa BELLA UNION 199.410 0.080 0.279 0.160 0.220 0.501 0.503 0.333 267 Cusco PICHIGUA 133.580 0.065 0.340 0.197 0.301 0.411 0.409 0.332 268 Huánuco YANAS 96.074 0.050 0.417 0.210 0.417 0.291 0.311 0.329 269 Amazonas YAMON 68.772 0.030 0.582 0.177 0.582 0.117 0.187 0.329 270 Apurimac PACUCHA 125.706 0.063 0.319 0.202 0.319 0.396 0.396 0.326 271 Junín SAN JOSE DE QUERO 81.605 0.040 0.491 0.197 0.491 0.204 0.248 0.326 272 Amazonas COROSHA 263.345 0.089 0.212 0.135 0.175 0.545 0.563 0.326 273 Cusco CAICAY 110.590 0.057 0.362 0.206 0.362 0.345 0.353 0.326 274 Huánuco CHOLON 57.082 0.010 0.702 0.071 0.702 0.089 0.062 0.325 275 Ancash SAN MARCOS 146.851 0.068 0.309 0.185 0.278 0.426 0.424 0.324 276 Amazonas RIO SANTIAGO 67.725 0.028 0.591 0.167 0.591 0.099 0.174 0.324 277 Cajamarca SAN LUIS 498.051 0.109 0.130 0.088 0.103 0.617 0.683 0.324 278 Cajamarca LLAPA 72.502 0.032 0.552 0.179 0.552 0.134 0.199 0.323 279 Cusco CCATCA 103.386 0.052 0.387 0.202 0.387 0.306 0.323 0.321 280 La Libertad AGALLPAMPA 70.506 0.030 0.568 0.170 0.568 0.113 0.184 0.321 281 Junín PAMPA HERMOZA 55.552 0.007 0.721 0.047 0.721 0.058 0.040 0.317 282 Cusco MOLLEPATA 117.174 0.057 0.342 0.196 0.342 0.349 0.356 0.317 283 Cusco LARES 116.005 0.057 0.345 0.196 0.345 0.345 0.353 0.317 284 Loreto TIGRE 338.157 0.093 0.165 0.111 0.140 0.565 0.593 0.315 285 Apurimac PACOBAMBA 103.900 0.050 0.385 0.195 0.385 0.293 0.313 0.314 286 Loreto PUINAHUA 196.139 0.076 0.232 0.156 0.219 0.482 0.482 0.314 287 Madre de Dios MADRE DE DIOS 197.846 0.076 0.230 0.155 0.218 0.483 0.483 0.314 288 Ayacucho ANCO 253.842 0.082 0.220 0.130 0.176 0.516 0.524 0.313 289 Huánuco SILLAPATA 118.027 0.056 0.339 0.191 0.339 0.340 0.350 0.312 290 Ica PUEBLO NUEVO 123.183 0.058 0.325 0.189 0.325 0.357 0.363 0.312 291 Cusco HUANCARANI 97.867 0.046 0.409 0.190 0.409 0.259 0.288 0.311 292 Amazonas ARAMANGO 95.021 0.045 0.422 0.189 0.422 0.244 0.277 0.311 293 Madre de Dios LAS PIEDRAS 93.616 0.044 0.428 0.188 0.428 0.236 0.272 0.310 294 Ica TIBILLO 340.265 0.091 0.164 0.108 0.138 0.558 0.583 0.310 295 Cajamarca CONCHAN 92.661 0.043 0.432 0.187 0.432 0.231 0.267 0.310 296 Huancavelica ANCO 171.022 0.069 0.266 0.163 0.241 0.440 0.438 0.309 297 Ayacucho LEONCIO PRADO 185.516 0.072 0.245 0.157 0.227 0.459 0.457 0.309 298 Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio Continuación 91 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Apurimac SANTA MARIA DE CHICMO 91.509 0.042 0.438 0.184 0.438 0.221 0.260 0.308 299 Ancash MORO 117.194 0.055 0.342 0.187 0.342 0.329 0.341 0.308 300 Huánuco SHUNQUI 128.053 0.059 0.313 0.184 0.313 0.362 0.367 0.308 301 Cajamarca GUZMANGO 207.418 0.076 0.219 0.148 0.207 0.482 0.483 0.308 302 Puno CAPACHICA 168.760 0.068 0.269 0.162 0.242 0.430 0.428 0.306 303 Pasco POZUZO 136.117 0.061 0.294 0.180 0.294 0.379 0.382 0.306 304 San Martín TINGO DE PONASA 76.188 0.031 0.526 0.162 0.526 0.122 0.190 0.305 305 Cajamarca CALLAYUC 107.702 0.049 0.372 0.184 0.372 0.285 0.308 0.304 306 Puno QUIACA 161.863 0.065 0.281 0.162 0.249 0.412 0.412 0.303 307 Cajamarca LA FLORIDA 142.202 0.062 0.282 0.175 0.282 0.387 0.389 0.303 308 San Martín PINTO RECODO 200.452 0.073 0.227 0.147 0.211 0.465 0.464 0.303 309 Lima SANTA CRUZ DE COCACHACRA 785.073 0.109 0.082 0.056 0.065 0.619 0.691 0.302 310 Junín CURICACA 148.196 0.064 0.270 0.172 0.270 0.399 0.399 0.302 311 San Martín CHIPURANA 174.994 0.068 0.260 0.156 0.234 0.430 0.429 0.302 312 Puno OCUVIRI 200.900 0.073 0.226 0.146 0.210 0.464 0.463 0.302 313 Cusco SANTA TERESA 77.936 0.031 0.514 0.161 0.514 0.126 0.193 0.302 314 San Martín BARRANQUITA 87.941 0.038 0.455 0.174 0.455 0.186 0.236 0.301 315 Cajamarca PULAN 140.362 0.061 0.285 0.174 0.285 0.379 0.382 0.301 316 Cusco PISAC 272.970 0.080 0.204 0.118 0.161 0.506 0.513 0.300 317 Huancavelica HUARIBAMBA 181.733 0.069 0.250 0.152 0.226 0.437 0.435 0.300 318 Arequipa ALCA 114.358 0.051 0.350 0.179 0.350 0.300 0.319 0.299 319 Cusco QUIÑOTA 85.699 0.036 0.467 0.169 0.467 0.169 0.223 0.299 320 Apurimac KISHUARA 83.785 0.035 0.478 0.167 0.478 0.157 0.215 0.299 321 Huánuco SAN FRANCISCO DE CAYRAN 108.617 0.048 0.369 0.179 0.369 0.276 0.301 0.299 322 Ancash QUILLO 113.570 0.050 0.353 0.179 0.353 0.295 0.315 0.299 323 Lima SAN MATEO DE OTAO 189.474 0.070 0.240 0.148 0.219 0.443 0.442 0.298 324 Cajamarca SAN GREGORIO 120.695 0.053 0.332 0.176 0.332 0.316 0.331 0.297 325 Junín SUITUCANCHA 140.323 0.060 0.285 0.171 0.285 0.370 0.375 0.297 326 Ancash MANCOS 122.477 0.054 0.327 0.176 0.327 0.321 0.335 0.297 327 Ayacucho UPAHUACHO 116.520 0.051 0.344 0.176 0.344 0.300 0.319 0.297 328 Puno CAPASO 185.502 0.068 0.245 0.147 0.221 0.431 0.430 0.295 329 Cajamarca SAN BENITO 135.923 0.057 0.295 0.170 0.295 0.352 0.360 0.294 330 Ancash RANRAHIRCA 298.282 0.081 0.187 0.109 0.148 0.510 0.518 0.294 331 Arequipa POLOBAYA 236.305 0.076 0.192 0.129 0.182 0.483 0.485 0.294 332 Ancash AQUIA 177.564 0.066 0.256 0.149 0.227 0.416 0.416 0.293 333 Cajamarca TACABAMBA 111.924 0.048 0.358 0.173 0.358 0.275 0.300 0.293 334 Cusco VILCABAMBA 64.246 0.017 0.623 0.107 0.623 0.002 0.106 0.292 335 Apurimac HUANCARAMA 99.327 0.042 0.403 0.170 0.403 0.223 0.262 0.292 336 Cajamarca JESUS 161.969 0.064 0.247 0.159 0.247 0.403 0.404 0.292 337 Amazonas OLLEROS 525.905 0.095 0.106 0.073 0.091 0.575 0.614 0.292 338 Huancavelica CHINCHO 231.451 0.075 0.196 0.129 0.184 0.473 0.474 0.291 339 Huánuco CONCHAMARCA 100.006 0.042 0.400 0.169 0.400 0.223 0.262 0.291 340 Ayacucho PACAYCASA 117.463 0.049 0.341 0.169 0.341 0.286 0.308 0.289 341 Moquegua EL ALGARROBAL 2919.444 0.115 0.022 0.016 0.018 0.640 0.741 0.287 342 Cusco CHAMACA 114.720 0.048 0.349 0.167 0.349 0.272 0.299 0.287 343 Ayacucho VISCHONGO 93.950 0.038 0.426 0.162 0.426 0.185 0.236 0.287 344 Ayacucho CONCEPCION 99.965 0.041 0.401 0.165 0.401 0.213 0.255 0.287 345 Pasco PALCAZU 112.006 0.046 0.358 0.165 0.358 0.257 0.287 0.285 346 Huancavelica ANTA 238.250 0.073 0.191 0.123 0.177 0.464 0.465 0.284 347 Apurimac PROGRESO 156.727 0.060 0.256 0.154 0.256 0.373 0.378 0.283 348 Huancavelica SALCABAMBA 160.447 0.061 0.250 0.152 0.250 0.380 0.383 0.283 349 Amazonas PIZUQUIA 95.740 0.038 0.418 0.158 0.418 0.184 0.235 0.283 350 La Libertad MARCABAL 105.348 0.042 0.380 0.162 0.380 0.225 0.264 0.282 351 Loreto PARINARI 292.183 0.078 0.156 0.107 0.149 0.495 0.500 0.281 352 Cusco MARANURA 129.594 0.052 0.309 0.160 0.309 0.304 0.323 0.281 353 Cusco HUAYOPATA 154.619 0.059 0.259 0.153 0.259 0.363 0.370 0.281 354 Puno ORURILLO 180.697 0.064 0.222 0.142 0.222 0.404 0.405 0.279 355 Huancavelica PAZOS 196.434 0.065 0.231 0.133 0.205 0.412 0.413 0.279 356 La Libertad HUAYLILLAS 255.252 0.073 0.178 0.115 0.166 0.467 0.468 0.279 357 Cajamarca CHUGUR 74.755 0.016 0.536 0.084 0.536 0.138 0.097 0.278 358 Amazonas HUAMBO 100.718 0.039 0.398 0.156 0.398 0.196 0.243 0.278 359 Cusco TARAY 117.736 0.046 0.340 0.158 0.340 0.259 0.289 0.277 360 Ucayali IRAZOLA 112.390 0.044 0.356 0.158 0.356 0.241 0.276 0.277 361 La Libertad PARCOY 75.610 0.016 0.530 0.085 0.530 0.142 0.100 0.277 362 Ancash MARCARA 119.796 0.047 0.334 0.157 0.334 0.264 0.293 0.276 363 Ancash BUENA VISTA ALTA 85.308 0.030 0.470 0.140 0.470 0.113 0.185 0.276 364 La Libertad HUANCASPATA 95.415 0.036 0.420 0.150 0.420 0.165 0.221 0.275 365 Cajamarca JOSE GALVEZ 219.383 0.067 0.207 0.123 0.186 0.428 0.429 0.275 366 Cajamarca SAN JOSE DE LOURDES 76.874 0.024 0.521 0.123 0.521 0.059 0.146 0.274 367 Amazonas OMIA 59.226 0.001 0.676 0.005 0.676 0.007 0.005 0.274 368 Puno CHUCUITO 116.124 0.044 0.345 0.153 0.345 0.242 0.277 0.272 369 Tumbes CASITAS 418.961 0.082 0.133 0.078 0.106 0.516 0.528 0.272 370 Arequipa TORO 220.252 0.067 0.206 0.122 0.184 0.424 0.425 0.272 371 Huánuco COLPAS 144.138 0.053 0.278 0.148 0.278 0.317 0.333 0.271 372 Amazonas MOLINOPAMPA 149.644 0.054 0.268 0.145 0.268 0.327 0.341 0.270 373 Cajamarca CALQUIS 85.789 0.028 0.467 0.133 0.467 0.101 0.176 0.269 374 Amazonas YAMBRASBAMBA 64.429 0.005 0.622 0.028 0.622 0.041 0.028 0.268 375 Junín MONOBAMBA 286.775 0.073 0.158 0.102 0.147 0.465 0.467 0.268 376 Ayacucho LARAMATE 145.090 0.052 0.276 0.145 0.276 0.312 0.329 0.268 377 Ucayali CURIMANA 124.737 0.046 0.321 0.148 0.321 0.258 0.288 0.267 378 Loreto PAMPA HERMOZA 295.418 0.073 0.154 0.099 0.143 0.466 0.468 0.266 379 Cajamarca SAN BERNARDINO 116.052 0.042 0.345 0.147 0.345 0.225 0.265 0.265 380 Puno ARAPA 229.175 0.066 0.198 0.115 0.176 0.418 0.420 0.265 381 Ancash ACOBAMBA 227.698 0.066 0.200 0.116 0.177 0.416 0.418 0.265 382 Apurimac HAQUIRA 131.182 0.048 0.305 0.146 0.305 0.271 0.298 0.265 383 Puno HUAYRAPATA 164.337 0.056 0.244 0.136 0.244 0.340 0.351 0.263 384 Tumbes MATAPALO 362.118 0.077 0.125 0.085 0.119 0.488 0.495 0.262 385 La Libertad SARTIMBAMBA 78.090 0.021 0.513 0.109 0.513 0.038 0.132 0.261 386 Lima MARIATANA 178.464 0.058 0.224 0.130 0.224 0.357 0.366 0.260 387 Ancash PAMPAS 238.957 0.065 0.190 0.110 0.168 0.413 0.416 0.259 388 Ancash SANTO TORIBIO 204.676 0.062 0.196 0.122 0.196 0.389 0.393 0.259 389 Cajamarca CHOROS 126.546 0.044 0.317 0.141 0.317 0.243 0.278 0.259 390 Cajamarca SANTA ROSA 117.701 0.041 0.340 0.139 0.340 0.211 0.255 0.257 391 Ica YAUCA DEL ROSARIO 310.576 0.071 0.146 0.092 0.134 0.455 0.457 0.257 392 Puno CONIMA 185.299 0.058 0.216 0.125 0.216 0.355 0.364 0.255 393 Junín APATA 111.441 0.038 0.359 0.136 0.359 0.185 0.236 0.255 394 Lima CALANGO 120.447 0.041 0.333 0.137 0.333 0.216 0.258 0.255 395 Ayacucho HUAC - HUAS 146.507 0.049 0.273 0.135 0.273 0.285 0.309 0.255 396 Piura CHALACO 184.439 0.057 0.217 0.124 0.217 0.352 0.362 0.254 397 Loreto TORRES CAUSANA 327.206 0.071 0.139 0.088 0.128 0.457 0.459 0.254 398 Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio Continuación 92 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Huancavelica ACOBAMBILLA 122.629 0.041 0.327 0.136 0.327 0.217 0.259 0.253 399 Junín CHICCHE 206.139 0.060 0.194 0.117 0.194 0.376 0.382 0.253 400 Cajamarca MATARA 354.209 0.072 0.128 0.082 0.118 0.461 0.464 0.251 401 Ancash SAN MIGUEL DE ACO 113.276 0.037 0.354 0.132 0.354 0.180 0.233 0.251 402 Cusco QUIMBIRI 106.119 0.034 0.377 0.129 0.377 0.152 0.212 0.249 403 Cusco LIMATAMBO 112.975 0.037 0.355 0.130 0.355 0.175 0.229 0.249 404 Lima ZUÑIGA 308.261 0.068 0.147 0.089 0.133 0.435 0.438 0.249 405 Apurimac PICHIRHUA 87.777 0.016 0.456 0.075 0.456 0.146 0.103 0.247 406 Cusco MARCAPATA 105.447 0.033 0.380 0.125 0.380 0.142 0.206 0.247 407 Cusco MARANGANI 122.707 0.039 0.326 0.129 0.326 0.201 0.248 0.246 408 Loreto TENIENTE CESAR LOPEZ ROJAS 202.645 0.057 0.198 0.113 0.198 0.351 0.362 0.244 409 Amazonas CHUQUIBAMBA 138.141 0.044 0.290 0.127 0.290 0.239 0.276 0.244 410 Ancash TARICA 178.606 0.053 0.224 0.119 0.224 0.319 0.336 0.244 411 Ayacucho CARAPO 103.785 0.031 0.386 0.121 0.386 0.128 0.196 0.243 412 Lambayeque CHOCHOPE 298.097 0.066 0.152 0.088 0.135 0.418 0.421 0.243 413 Ayacucho AYAHUANCO 122.414 0.038 0.327 0.126 0.327 0.191 0.241 0.242 414 Tacna ITE 544.041 0.076 0.084 0.056 0.079 0.488 0.498 0.241 415 Huánuco CODO DE POZUZO 104.074 0.031 0.385 0.118 0.385 0.122 0.191 0.240 416 Ayacucho MORCOLLA 114.440 0.035 0.350 0.122 0.350 0.160 0.218 0.240 417 Amazonas EL CENEPA 76.884 0.007 0.521 0.037 0.521 0.064 0.045 0.238 418 Ancash CHINGAS 248.144 0.061 0.161 0.098 0.161 0.380 0.387 0.237 419 Amazonas SOLOCO 178.400 0.051 0.225 0.114 0.225 0.298 0.320 0.236 420 Ucayali YURUA 565.756 0.075 0.080 0.053 0.075 0.480 0.489 0.235 421 Huancavelica ROSARIO 159.204 0.046 0.252 0.117 0.252 0.262 0.293 0.235 422 Apurimac SAN PEDRO DE CACHORA 118.816 0.035 0.337 0.118 0.337 0.161 0.219 0.234 423 Piura JILILI 157.524 0.046 0.254 0.117 0.254 0.257 0.289 0.234 424 Amazonas COCABAMBA 71.438 0.002 0.561 0.013 0.561 0.020 0.014 0.234 425 Ayacucho SIVIA 192.486 0.052 0.208 0.109 0.208 0.312 0.331 0.234 426 Madre de Dios FITZCARRALD 486.911 0.072 0.093 0.059 0.086 0.461 0.467 0.233 427 Huánuco BAÑOS 232.745 0.057 0.172 0.099 0.172 0.355 0.366 0.233 428 Loreto INDIANA 184.867 0.051 0.217 0.110 0.217 0.299 0.321 0.233 429 Cajamarca LA ESPERANZA 203.556 0.053 0.197 0.104 0.197 0.318 0.336 0.230 430 Cajamarca CHALAMARCA 83.709 0.017 0.478 0.083 0.478 0.004 0.108 0.230 431 Cajamarca NIEPOS 93.876 0.023 0.427 0.099 0.427 0.055 0.144 0.230 432 Ayacucho CHILCAS 142.523 0.041 0.281 0.115 0.281 0.213 0.257 0.229 433 La Libertad LA CUESTA 702.849 0.075 0.065 0.043 0.061 0.483 0.494 0.229 434 Puno POMATA 98.838 0.025 0.405 0.102 0.405 0.074 0.158 0.229 435 Moquegua COALAQUE 252.443 0.057 0.159 0.091 0.159 0.353 0.365 0.225 436 Junín CHACAPALCA 317.775 0.062 0.126 0.078 0.126 0.390 0.398 0.224 437 La Libertad BAMBAMARCA 83.204 0.008 0.481 0.037 0.481 0.068 0.048 0.223 438 Cusco CONDOROMA 202.913 0.050 0.197 0.099 0.197 0.295 0.319 0.222 439 Puno COPANI 206.633 0.051 0.194 0.098 0.194 0.299 0.322 0.221 440 Ayacucho SOCOS 87.338 0.010 0.459 0.044 0.459 0.085 0.060 0.221 441 Tacna CALANA 573.381 0.069 0.079 0.048 0.072 0.445 0.452 0.219 442 Cusco OCOBAMBA 100.543 0.015 0.398 0.061 0.398 0.136 0.096 0.218 443 Cajamarca PIMPINGOS 98.517 0.014 0.407 0.057 0.407 0.124 0.087 0.216 444 Ancash ANTA 232.682 0.052 0.172 0.090 0.172 0.312 0.332 0.216 445 Ancash HUATA 144.506 0.037 0.277 0.104 0.277 0.182 0.235 0.215 446 Puno PUSI 159.469 0.041 0.251 0.103 0.251 0.213 0.257 0.215 447 Ancash YAUTAN 99.703 0.014 0.402 0.056 0.402 0.123 0.087 0.214 448 Apurimac MARA 145.543 0.037 0.275 0.103 0.275 0.181 0.234 0.214 449 Apurimac COYLLURQUI 109.517 0.026 0.366 0.095 0.366 0.080 0.162 0.214 450 Lima CATAHUASI 885.169 0.071 0.051 0.032 0.047 0.462 0.474 0.213 451 Puno SAN JUAN DE SALINAS 110.526 0.026 0.362 0.095 0.362 0.081 0.163 0.213 452 Arequipa MACHAGUAY 384.771 0.062 0.104 0.064 0.104 0.391 0.399 0.212 453 Huancavelica LARIA 346.382 0.059 0.116 0.069 0.116 0.373 0.383 0.211 454 Apurimac TAPAIRIHUA 153.952 0.038 0.260 0.100 0.260 0.192 0.242 0.211 455 Cajamarca CHOROPAMPA 170.600 0.042 0.235 0.098 0.235 0.220 0.263 0.210 456 Ayacucho SANCOS 87.873 0.007 0.456 0.032 0.456 0.062 0.044 0.210 457 Ayacucho CORONEL CASTAÑEDA 216.986 0.048 0.185 0.090 0.185 0.281 0.309 0.210 458 Cajamarca NANCHOC 236.382 0.051 0.169 0.086 0.169 0.301 0.324 0.210 459 Cajamarca SANTA CRUZ 190.083 0.045 0.211 0.094 0.211 0.249 0.284 0.210 460 Amazonas OCUMAL 79.882 0.002 0.501 0.011 0.501 0.020 0.014 0.209 461 Cajamarca UNION AGUA BLANCA 168.358 0.040 0.238 0.095 0.238 0.206 0.253 0.206 462 Junín SANTO DOMINGO DE ACOBAMBA 128.760 0.030 0.311 0.095 0.311 0.121 0.191 0.206 463 Cusco ANCAHUASI 104.716 0.014 0.382 0.053 0.382 0.124 0.088 0.206 464 Puno OLLARAYA 295.587 0.054 0.136 0.074 0.135 0.334 0.351 0.206 465 Ancash CACERES DEL PERU 107.197 0.023 0.374 0.085 0.374 0.052 0.142 0.205 466 Junín HUERTAS 215.994 0.047 0.185 0.087 0.185 0.268 0.299 0.205 467 Arequipa TAPAY 262.625 0.051 0.153 0.078 0.153 0.307 0.329 0.204 468 Puno OLLACHEA 109.602 0.015 0.365 0.056 0.365 0.135 0.096 0.204 469 Ancash YAUYA 173.428 0.040 0.231 0.093 0.231 0.208 0.254 0.203 470 Huancavelica TINTAY PUNCU 255.585 0.050 0.157 0.079 0.157 0.300 0.323 0.203 471 Ancash YURACMARCA 224.386 0.047 0.179 0.085 0.178 0.271 0.301 0.203 472 La Libertad PATAZ 101.727 0.012 0.394 0.046 0.394 0.105 0.074 0.203 473 Loreto SANTA CRUZ 267.494 0.051 0.150 0.077 0.150 0.306 0.329 0.202 474 Moquegua MATALAQUE 219.229 0.046 0.183 0.085 0.183 0.262 0.295 0.201 475 Huánuco RONDOS 99.665 0.011 0.402 0.042 0.402 0.094 0.066 0.201 476 Ayacucho SANTA LUCIA 256.630 0.050 0.156 0.078 0.156 0.296 0.320 0.201 477 Loreto PADRE MARQUEZ 305.229 0.054 0.131 0.071 0.131 0.327 0.345 0.201 478 Cusco CCARHUAYO 129.720 0.029 0.309 0.091 0.309 0.111 0.185 0.201 479 La Libertad URPAY 119.950 0.026 0.334 0.087 0.334 0.082 0.164 0.200 480 Puno MACARI 199.627 0.043 0.201 0.087 0.201 0.236 0.276 0.200 481 Loreto PEBAS 230.615 0.047 0.174 0.082 0.174 0.269 0.300 0.200 482 Ucayali TAHUANIA 328.762 0.054 0.122 0.066 0.122 0.333 0.351 0.199 483 Arequipa TIPAN 459.217 0.059 0.087 0.052 0.087 0.373 0.385 0.197 484 Puno NICASIO 196.381 0.042 0.204 0.086 0.204 0.224 0.266 0.197 485 Arequipa SAN ANTONIO DE CHUCA 244.644 0.047 0.164 0.077 0.164 0.271 0.302 0.196 486 Cajamarca TANTARICA 138.722 0.030 0.289 0.088 0.289 0.120 0.191 0.195 487 Amazonas MARISCAL CASTILLA 175.899 0.038 0.228 0.087 0.228 0.191 0.242 0.195 488 Amazonas MARIA 170.714 0.037 0.235 0.087 0.235 0.182 0.236 0.195 489 Arequipa HUANUHUANU 227.127 0.045 0.176 0.080 0.176 0.253 0.288 0.195 490 Ancash CASCAPARA 177.464 0.038 0.226 0.086 0.226 0.191 0.242 0.194 491 Cajamarca SAN FELIPE 101.649 0.009 0.394 0.036 0.394 0.081 0.057 0.192 492 Ancash MATO 189.791 0.039 0.211 0.083 0.211 0.202 0.251 0.192 493 Ancash MATACOTA 241.263 0.045 0.166 0.076 0.166 0.256 0.290 0.191 494 Ayacucho PACAPAUSA 183.907 0.037 0.218 0.082 0.218 0.185 0.238 0.188 495 Ayacucho ACOS VINCHOS 109.006 0.019 0.367 0.069 0.367 0.018 0.118 0.188 496 La Libertad BULDIBUYO 109.537 0.011 0.366 0.040 0.366 0.097 0.069 0.188 497 Puno SINA 181.080 0.037 0.221 0.082 0.221 0.179 0.234 0.187 498 Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio Continuación 93 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica San Martín SHUNTE 394.893 0.054 0.101 0.055 0.101 0.329 0.349 0.187 499 Cajamarca NINABAMBA 244.404 0.044 0.164 0.073 0.164 0.248 0.285 0.187 500 Ayacucho CHALCOS 532.736 0.058 0.075 0.043 0.075 0.363 0.378 0.187 501 Ayacucho MARIA PARADO DE BELLIDO 127.513 0.024 0.314 0.077 0.314 0.068 0.154 0.185 502 Ancash ACZO 217.838 0.041 0.184 0.076 0.184 0.219 0.263 0.185 503 Lima COAYLLO 329.093 0.050 0.122 0.061 0.122 0.296 0.322 0.184 504 Huancavelica CHUPAMARCA 154.124 0.031 0.260 0.081 0.260 0.126 0.196 0.184 505 Ica CHANGUILLO 279.579 0.046 0.143 0.066 0.143 0.263 0.296 0.182 506 Arequipa SANTA ISABEL DE SIGUAS 273.516 0.045 0.146 0.067 0.146 0.257 0.292 0.182 507 Cusco KOSÑIPATA 125.551 0.014 0.319 0.045 0.319 0.125 0.089 0.179 508 La Libertad ANGASMARCA 91.000 0.001 0.440 0.003 0.440 0.007 0.005 0.179 509 Arequipa POCSI 519.050 0.054 0.077 0.042 0.077 0.338 0.357 0.178 510 Huancavelica SURCUBAMBA 207.187 0.038 0.193 0.073 0.193 0.188 0.241 0.178 511 Huánuco DANIEL ALOMIA ROBLES 90.571 0.000 0.442 0.000 0.442 0.000 0.000 0.177 512 Amazonas BALSAS 187.534 0.035 0.214 0.074 0.214 0.161 0.221 0.177 513 Amazonas LIMABAMBA 106.986 0.007 0.374 0.025 0.374 0.060 0.043 0.175 514 Apurimac PAMPACHIRI 98.655 0.003 0.406 0.012 0.406 0.027 0.019 0.174 515 Ancash CUSCA 156.061 0.028 0.257 0.072 0.257 0.101 0.178 0.173 516 Ancash YUNGAR 244.479 0.040 0.164 0.066 0.164 0.210 0.258 0.172 517 Amazonas SANTA CATALINA 160.437 0.028 0.250 0.071 0.250 0.103 0.179 0.170 518 Ancash CASHAPAMPA 153.054 0.027 0.262 0.070 0.262 0.088 0.169 0.170 519 Lima SANTO DOMINGO DE LOS OLLEROS 216.016 0.036 0.185 0.067 0.185 0.175 0.232 0.169 520 La Libertad POROTO 141.482 0.015 0.283 0.042 0.283 0.132 0.094 0.167 521 Cajamarca SAUCEPAMPA 354.939 0.045 0.113 0.051 0.113 0.259 0.295 0.166 522 Ancash SAN NICOLAS 153.433 0.026 0.261 0.067 0.261 0.078 0.162 0.166 523 Arequipa QUILCA 350.179 0.045 0.114 0.051 0.114 0.251 0.289 0.164 524 Ancash CHINGALPO 303.288 0.042 0.132 0.056 0.132 0.227 0.271 0.164 525 Ica SANTA CRUZ 335.055 0.044 0.120 0.052 0.120 0.242 0.282 0.163 526 Ancash MACATE 112.177 0.005 0.357 0.018 0.357 0.046 0.032 0.162 527 Puno ZEPITA 123.830 0.009 0.323 0.028 0.323 0.076 0.054 0.161 528 Ancash SANTA ROSA 178.206 0.028 0.225 0.063 0.225 0.101 0.178 0.158 529 Arequipa VITOR 162.414 0.025 0.247 0.061 0.247 0.072 0.158 0.157 530 Ancash HUAYAN 398.640 0.044 0.100 0.045 0.100 0.250 0.289 0.157 531 Ayacucho VILCANCHOS 183.870 0.028 0.218 0.062 0.218 0.104 0.181 0.157 532 La Libertad SARIN 102.322 0.000 0.391 0.000 0.391 0.000 0.000 0.156 533 Lima CHOCOS 361.836 0.042 0.111 0.047 0.111 0.231 0.275 0.155 534 Piura CANCHAQUE 157.790 0.023 0.254 0.059 0.254 0.059 0.148 0.155 535 Cajamarca MIGUEL IGLESIAS 140.094 0.011 0.286 0.032 0.286 0.099 0.070 0.155 536 Arequipa CHICHAS 467.663 0.046 0.086 0.039 0.086 0.263 0.299 0.155 537 Huánuco QUEROPALCA 305.853 0.039 0.131 0.051 0.131 0.201 0.252 0.153 538 Amazonas QUINJALCA 319.738 0.040 0.125 0.050 0.125 0.206 0.256 0.153 539 Ayacucho LUIS CARRANZA 142.029 0.010 0.282 0.030 0.282 0.094 0.067 0.151 540 Cajamarca CHUMUCH 144.952 0.011 0.276 0.030 0.276 0.098 0.069 0.150 541 Lima SAN BUENAVENTURA 419.828 0.043 0.095 0.041 0.095 0.238 0.280 0.150 542 Huancavelica MOYA 424.786 0.043 0.094 0.040 0.094 0.236 0.279 0.149 543 Arequipa CAYARANI 319.546 0.038 0.125 0.048 0.125 0.196 0.249 0.149 544 Ica SAN PEDRO DE HUACARPANA 304.207 0.037 0.132 0.049 0.132 0.185 0.240 0.148 545 Apurimac TUMAY HUARACA 178.870 0.025 0.224 0.056 0.224 0.073 0.159 0.147 546 Puno CUPI 248.333 0.033 0.161 0.053 0.161 0.146 0.211 0.146 547 Huánuco SAN FRANCISCO 110.367 0.000 0.363 0.000 0.363 0.000 0.000 0.145 548 Apurimac HUAYLLATI 207.544 0.027 0.193 0.053 0.193 0.096 0.175 0.142 549 Loreto MANSERICHE 184.305 0.016 0.217 0.034 0.217 0.141 0.100 0.142 550 Huánuco CAHUAC 126.526 0.003 0.317 0.011 0.317 0.031 0.022 0.139 551 Cajamarca HUABAL 228.743 0.029 0.175 0.051 0.175 0.110 0.185 0.139 552 Amazonas CHETO 484.456 0.041 0.083 0.034 0.083 0.222 0.269 0.138 553 Huancavelica ANCHONGA 184.961 0.015 0.217 0.031 0.217 0.130 0.093 0.138 554 Amazonas CHIRIMOTO 122.976 0.001 0.326 0.005 0.326 0.013 0.010 0.136 555 Amazonas SAN JUAN DE LOPECANCHA 561.279 0.041 0.071 0.030 0.071 0.225 0.273 0.134 556 Cajamarca SAN SILVESTRE DE COCHAN 165.595 0.010 0.242 0.025 0.242 0.094 0.067 0.134 557 Ancash SAN JUAN 127.525 0.001 0.314 0.005 0.314 0.013 0.010 0.131 558 Cusco KUNTURKANKI 143.985 0.005 0.278 0.014 0.278 0.044 0.031 0.129 559 Puno TINICACHI 1190.539 0.044 0.034 0.015 0.034 0.257 0.300 0.128 560 Cajamarca SAN JUAN DE CUTERVO 250.106 0.027 0.160 0.044 0.160 0.097 0.177 0.128 561 Cajamarca LAS PIRIAS 228.963 0.024 0.175 0.043 0.175 0.070 0.157 0.124 562 La Libertad PIAS 245.008 0.026 0.163 0.042 0.163 0.083 0.167 0.124 563 Cajamarca LA RAMADA 140.141 0.002 0.286 0.006 0.286 0.020 0.014 0.122 564 Ancash CASCA 249.651 0.025 0.160 0.040 0.160 0.073 0.160 0.119 565 Puno TILALI 235.186 0.014 0.170 0.024 0.170 0.125 0.090 0.116 566 Arequipa ATIQUIPA 664.495 0.037 0.060 0.022 0.060 0.187 0.246 0.115 567 Huancavelica NUEVO OCCORO 168.995 0.005 0.237 0.013 0.237 0.049 0.035 0.114 568 Piura YAMANGO 200.533 0.009 0.200 0.019 0.200 0.084 0.060 0.112 569 Cajamarca ANDABAMBA 931.762 0.037 0.043 0.016 0.043 0.189 0.248 0.108 570 Ancash SHUPLUY 151.401 0.000 0.265 0.000 0.265 0.000 0.000 0.106 571 Apurimac COCHARCAS 178.904 0.004 0.224 0.009 0.224 0.037 0.026 0.104 572 Huancavelica HUANDO 157.593 0.000 0.254 0.000 0.254 0.000 0.000 0.102 573 Arequipa CHILCAYMARCA 388.840 0.027 0.103 0.028 0.103 0.095 0.177 0.101 574 Arequipa SAYLA 423.575 0.027 0.095 0.026 0.095 0.094 0.177 0.097 575 Puno CAMINACA 169.080 0.001 0.237 0.002 0.237 0.006 0.004 0.097 576 Amazonas CHILIQUIN 398.695 0.025 0.100 0.025 0.100 0.075 0.162 0.092 577 Lima VIÑAC 290.955 0.019 0.138 0.026 0.138 0.022 0.124 0.090 578 Cajamarca CHANCAY 199.531 0.002 0.201 0.005 0.201 0.021 0.015 0.088 579 Ancash COCHABAMBA 183.837 0.000 0.218 0.000 0.218 0.000 0.000 0.087 580 Arequipa TISCO 206.249 0.002 0.194 0.005 0.194 0.023 0.016 0.086 581 Puno AMANTANI 196.771 0.001 0.204 0.003 0.204 0.012 0.009 0.086 582 Huancavelica AURAHUA 192.563 0.000 0.208 0.000 0.208 0.000 0.000 0.083 583 Cajamarca TORIBIO CASANOVA 279.735 0.007 0.143 0.010 0.143 0.065 0.047 0.082 584 Cajamarca EL PRADO 314.670 0.018 0.127 0.023 0.127 0.012 0.116 0.081 585 Tacna PALCA 677.923 0.027 0.059 0.016 0.059 0.094 0.178 0.081 586 Loreto MAQUIA 206.749 0.000 0.194 0.000 0.194 0.000 0.000 0.078 587 Ancash CAJAY 248.514 0.003 0.161 0.005 0.161 0.028 0.020 0.075 588 Huancavelica CUENCA 217.131 0.000 0.184 0.000 0.184 0.000 0.000 0.074 589 Cajamarca UTICYACU 360.557 0.017 0.111 0.019 0.111 0.007 0.113 0.072 590 Ica SAN JUAN DE YANAC 312.620 0.006 0.128 0.008 0.128 0.055 0.040 0.072 591 Loreto SOPLIN 1445.418 0.026 0.028 0.007 0.028 0.095 0.181 0.068 592 Arequipa CHACHAS 239.797 0.000 0.167 0.000 0.167 0.000 0.000 0.067 593 Ancash ATAQUERO 324.407 0.004 0.123 0.005 0.123 0.035 0.025 0.062 594 Puno VILAVILA 543.275 0.018 0.074 0.013 0.074 0.015 0.120 0.059 595 Amazonas LONGUITA 285.477 0.000 0.140 0.001 0.140 0.004 0.003 0.058 596 Amazonas VALERA 396.451 0.004 0.101 0.004 0.101 0.034 0.025 0.053 597 Loreto TROMPETEROS 359.439 0.002 0.111 0.002 0.111 0.018 0.013 0.051 598 Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio Continuación 94 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Ancash SAN JUAN DE RONTOY 330.540 0.000 0.121 0.000 0.121 0.000 0.000 0.048 599 Amazonas COCHAMAL 405.828 0.002 0.099 0.002 0.099 0.019 0.014 0.046 600 La Libertad PARANDAY 374.781 0.000 0.107 0.000 0.107 0.000 0.000 0.043 601 Ancash BAMBAS 417.787 0.001 0.096 0.000 0.096 0.005 0.003 0.040 602 Amazonas MILPUC 416.274 0.000 0.096 0.000 0.096 0.004 0.003 0.040 603 Arequipa CAHUACHO 586.888 0.002 0.068 0.001 0.068 0.019 0.014 0.034 604 Amazonas TOTORA 646.560 0.000 0.062 0.000 0.062 0.000 0.000 0.025 605 Amazonas SAN FRANCISCO DE DAGUAS 860.056 0.001 0.047 0.000 0.047 0.009 0.007 0.022 606 Amazonas SANTA ROSA 867.481 0.000 0.046 0.000 0.046 0.003 0.002 0.019 607 Arequipa QUECHUALLA 1379.779 0.001 0.029 0.000 0.029 0.009 0.007 0.015 608 184.304 0.062 0.359 0.192 0.337 0.347 0.373 0.322 186.177 0.039 0.189 0.155 0.172 0.199 0.209 0.154 40.052 0.000 0.022 0.000 0.018 0.000 0.000 0.015 2919.444 0.257 1.000 1.000 1.000 1.000 0.915 0.907 Mean Std. Dev. Min Max Indicadores MunicipalidadDepartamento Ranking (Promedio) Puntajes de eficiencia Promedio 95 Categoría 6: Rural pobre extremo Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Cusco POMACANCHI 112.278 0.313 1.000 1.000 1.000 1.000 0.895 0.979 1 Ancash LA MERCED 109.009 0.239 1.000 0.788 0.853 0.751 0.846 0.848 2 Cusco PAMPAMARCA 141.372 0.241 0.794 0.612 0.661 0.758 0.864 0.738 3 Pasco TICLACAYAN 121.369 0.190 0.898 0.563 0.660 0.721 0.789 0.726 4 Ayacucho SARHUA 86.072 0.140 1.000 0.584 0.777 0.630 0.605 0.719 5 Huancavelica SECCLLA 100.149 0.143 1.000 0.514 0.676 0.646 0.639 0.695 6 Apurimac LAMBRAMA 138.966 0.191 0.784 0.493 0.577 0.725 0.802 0.676 7 Lima LEONCIO PRADO 141.485 0.182 0.770 0.463 0.551 0.718 0.789 0.658 8 Ancash CORIS 146.785 0.188 0.743 0.460 0.542 0.725 0.803 0.654 9 Ancash PAROBAMBA 80.510 0.108 1.000 0.483 0.727 0.526 0.468 0.641 10 Ayacucho SANTIAGO DE PAUCARAY 192.356 0.225 0.567 0.421 0.464 0.757 0.867 0.615 11 Ayacucho AUCARA 101.545 0.115 0.848 0.407 0.594 0.571 0.529 0.590 12 Junín PUCARA 104.349 0.116 0.825 0.399 0.581 0.576 0.536 0.583 13 Apurimac COTABAMBAS 162.413 0.155 0.671 0.342 0.436 0.691 0.741 0.576 14 Ancash HUANTAR 166.975 0.157 0.653 0.337 0.427 0.695 0.749 0.572 15 Lima AMBAR 114.982 0.122 0.749 0.382 0.541 0.603 0.577 0.570 16 Ancash SHILLA 117.910 0.120 0.730 0.364 0.522 0.597 0.569 0.556 17 Cusco OMACHA 127.044 0.128 0.678 0.361 0.501 0.625 0.614 0.556 18 Junín MARISCAL CASTILLA 138.157 0.136 0.623 0.352 0.476 0.649 0.657 0.551 19 La Libertad SINSICAP 42.459 0.047 1.000 0.399 1.000 0.143 0.173 0.543 20 Huánuco ARANCAY 126.792 0.119 0.679 0.337 0.484 0.600 0.576 0.535 21 San Martín SAN PABLO 96.179 0.089 0.837 0.332 0.556 0.451 0.405 0.516 22 Ayacucho PUYUSCA 98.160 0.090 0.820 0.331 0.548 0.460 0.414 0.515 23 Cusco CUSIPATA 156.035 0.128 0.552 0.295 0.409 0.639 0.646 0.508 24 Cusco PACCARITAMBO 255.188 0.175 0.427 0.247 0.299 0.731 0.828 0.506 25 Ancash PONTO 108.553 0.097 0.742 0.320 0.511 0.502 0.455 0.506 26 Junín POMACANCHA 170.575 0.134 0.505 0.283 0.383 0.658 0.682 0.502 27 Ayacucho SAN JUAN 325.536 0.201 0.335 0.222 0.255 0.755 0.873 0.488 28 Ancash SICSIBAMBA 158.607 0.119 0.543 0.269 0.386 0.615 0.608 0.484 29 Huánuco JACAS CHICO 108.813 0.089 0.740 0.294 0.492 0.464 0.421 0.482 30 Pasco HUAYLLAY 155.333 0.115 0.554 0.267 0.389 0.603 0.591 0.481 31 Cusco OCORURO 169.976 0.120 0.506 0.254 0.363 0.624 0.626 0.475 32 Cusco PALLPATA 71.364 0.054 1.000 0.271 0.620 0.214 0.228 0.466 33 Junín PACCHA 170.485 0.116 0.505 0.245 0.356 0.612 0.608 0.465 34 Cusco ZURITE 135.508 0.100 0.594 0.265 0.416 0.535 0.499 0.462 35 San Martín PAPAPLAYA 109.017 0.082 0.739 0.271 0.474 0.426 0.389 0.460 36 Cusco TUPAC AMARU 158.164 0.107 0.509 0.243 0.368 0.575 0.553 0.450 37 Cajamarca MIRACOSTA 146.862 0.101 0.548 0.247 0.385 0.546 0.515 0.448 38 Ancash HUACACHI 156.925 0.106 0.513 0.242 0.369 0.570 0.546 0.448 39 Cusco CHECCA 112.017 0.079 0.719 0.253 0.454 0.409 0.376 0.442 40 Cusco HUANOQUITE 135.465 0.092 0.594 0.245 0.401 0.499 0.461 0.440 41 San Martín BUENOS AIRES 130.079 0.089 0.619 0.245 0.410 0.477 0.439 0.438 42 Lima AYAUCA 218.250 0.120 0.394 0.197 0.282 0.638 0.659 0.434 43 Lima GORGOR 123.400 0.082 0.652 0.240 0.419 0.437 0.402 0.430 44 Cusco MARAS 109.933 0.074 0.732 0.241 0.450 0.375 0.349 0.429 45 Cusco HUAROCONDO 128.259 0.083 0.628 0.232 0.405 0.445 0.410 0.424 46 Huancavelica CONGALLA 128.515 0.083 0.626 0.232 0.404 0.445 0.410 0.424 47 Huancavelica AHUAYCHA 163.976 0.098 0.491 0.215 0.341 0.544 0.517 0.422 48 Huancavelica EL CARMEN 168.182 0.100 0.479 0.213 0.335 0.553 0.528 0.422 49 La Libertad ONGON 95.678 0.059 0.841 0.221 0.476 0.266 0.269 0.415 50 Huancavelica HUACHOCOLPA 113.901 0.072 0.707 0.226 0.430 0.366 0.344 0.415 51 San Martín BAJO BIAVO 50.890 0.031 0.834 0.221 0.834 0.059 0.122 0.414 52 Cusco CHINCHAYPUJIO 124.792 0.076 0.645 0.220 0.402 0.402 0.375 0.409 53 Ancash PAMPAS CHICO 189.376 0.102 0.425 0.193 0.300 0.569 0.554 0.408 54 Lima MANAS 292.813 0.124 0.294 0.151 0.214 0.663 0.713 0.407 55 Cusco ACCHA 168.442 0.092 0.478 0.197 0.323 0.519 0.491 0.402 56 Ayacucho COLCA 165.629 0.091 0.486 0.197 0.326 0.509 0.480 0.400 57 Ayacucho CARHUANCA 219.947 0.104 0.366 0.170 0.261 0.589 0.587 0.395 58 Cajamarca SAN JUAN DE LICUPIS 236.235 0.107 0.341 0.163 0.247 0.607 0.614 0.394 59 Huánuco JIVIA 146.594 0.079 0.549 0.194 0.347 0.434 0.405 0.386 60 Ancash CHACCHO 245.379 0.105 0.328 0.154 0.235 0.602 0.610 0.386 61 Junín HUARICOLCA 146.285 0.077 0.550 0.189 0.344 0.421 0.395 0.380 62 Ancash HUASTA 94.145 0.052 0.758 0.200 0.466 0.222 0.239 0.377 63 Puno TIQUILLACA 187.456 0.089 0.429 0.171 0.285 0.511 0.487 0.377 64 Ancash ALFONSO UGARTE 405.450 0.118 0.212 0.104 0.150 0.667 0.732 0.373 65 Huancavelica SAN ANTONIO DE CUSICANCHA 161.582 0.079 0.498 0.176 0.315 0.444 0.417 0.370 66 Huancavelica CORDOVA 243.766 0.096 0.330 0.142 0.227 0.568 0.563 0.366 67 Huancavelica LOCROJA 256.864 0.097 0.313 0.136 0.216 0.574 0.574 0.363 68 Huánuco SAN BUENAVENTURA 134.279 0.066 0.600 0.178 0.354 0.345 0.334 0.362 69 Huancavelica CAJA 204.325 0.087 0.394 0.154 0.260 0.511 0.490 0.362 70 Huancavelica TICRAPO 138.251 0.067 0.582 0.175 0.346 0.354 0.341 0.360 71 Lima MADEAN 491.502 0.107 0.164 0.078 0.118 0.650 0.713 0.345 72 Huancavelica SAN ISIDRO 348.710 0.099 0.231 0.101 0.160 0.602 0.626 0.344 73 Apurimac CAPAYA 337.505 0.093 0.239 0.099 0.162 0.578 0.591 0.334 74 Junín ULCUMAYO 108.945 0.050 0.655 0.164 0.396 0.215 0.237 0.333 75 Ancash COCHAPETI 173.122 0.070 0.465 0.145 0.280 0.391 0.376 0.332 76 Huancavelica QUITO ARMA 358.432 0.093 0.225 0.093 0.152 0.581 0.597 0.330 77 Ancash MIRGAS 77.815 0.001 0.546 0.003 0.546 0.546 0.003 0.329 78 Cusco CCAPI 150.772 0.062 0.534 0.148 0.308 0.326 0.323 0.328 79 Huánuco PUÑOS 117.695 0.053 0.606 0.161 0.373 0.240 0.256 0.327 80 Lima SANGALLAYA 462.946 0.095 0.174 0.073 0.119 0.607 0.645 0.324 81 Cusco LANGUI 111.614 0.048 0.639 0.154 0.382 0.204 0.230 0.322 82 Huancavelica CHINCHIHUASI 149.810 0.059 0.537 0.142 0.304 0.303 0.306 0.319 83 Apurimac PATAYPAMPA 161.554 0.061 0.498 0.137 0.286 0.326 0.325 0.314 84 Huancavelica SAN ANTONIO DE ANTAPARCO 248.247 0.077 0.324 0.112 0.203 0.471 0.458 0.314 85 La Libertad LUCMA 77.043 0.038 0.551 0.176 0.551 0.115 0.164 0.311 86 Cusco CHINCHERO 129.982 0.053 0.549 0.146 0.339 0.249 0.264 0.310 87 Lima CACRA 913.449 0.091 0.088 0.036 0.059 0.639 0.721 0.309 88 Ayacucho INDEPENDENCIA 175.781 0.063 0.458 0.129 0.265 0.345 0.341 0.308 89 Cusco YAURISQUE 176.389 0.062 0.456 0.127 0.264 0.341 0.338 0.305 90 Huancavelica MOLLEPAMPA 176.456 0.062 0.456 0.126 0.263 0.338 0.336 0.304 91 Ayacucho SAN SALVADOR DE QUIJE 178.482 0.062 0.451 0.124 0.260 0.337 0.336 0.302 92 Huancavelica SANTO TOMAS DE PATA 156.670 0.055 0.514 0.126 0.284 0.278 0.289 0.298 93 Huancavelica ACOSTAMBAO 215.141 0.066 0.374 0.110 0.220 0.383 0.377 0.293 94 Junín TAPO 93.546 0.001 0.454 0.006 0.454 0.454 0.007 0.275 95 Arequipa YARABAMBA 357.795 0.071 0.225 0.071 0.136 0.465 0.467 0.273 96 Cusco COYA 161.820 0.052 0.441 0.115 0.270 0.257 0.275 0.271 97 La Libertad MOLLEBAMBA 270.248 0.065 0.298 0.086 0.174 0.395 0.394 0.269 98 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Continuación 96 Input IDEM FDH DEA-CRS DEA-VRS Determinística Estocástica Cusco ALTO PICHIGUA 90.541 0.035 0.469 0.139 0.469 0.104 0.159 0.268 99 Ica CHAVIN 328.680 0.067 0.245 0.073 0.145 0.430 0.430 0.265 100 Lima CUENCA 346.919 0.067 0.232 0.070 0.138 0.437 0.439 0.263 101 Puno CALAPUJA 179.163 0.050 0.398 0.100 0.241 0.250 0.272 0.252 102 Puno COJATA 92.374 0.031 0.460 0.120 0.460 0.077 0.141 0.252 103 Ancash LLUMPA 105.469 0.037 0.403 0.126 0.403 0.126 0.175 0.246 104 Apurimac CURASCO 176.765 0.048 0.404 0.097 0.241 0.231 0.258 0.246 105 Ancash LUCMA 85.779 0.024 0.495 0.101 0.495 0.030 0.108 0.246 106 Ayacucho SAN JOSE DE TICLLAS 117.091 0.041 0.363 0.126 0.363 0.160 0.200 0.242 107 Ancash QUINUABAMBA 131.220 0.046 0.324 0.127 0.324 0.202 0.232 0.242 108 Ancash MALVAS 455.614 0.062 0.177 0.049 0.102 0.423 0.437 0.238 109 Ayacucho SAN FRANCISCO DE RAVACAYCO 219.458 0.052 0.325 0.085 0.199 0.279 0.299 0.237 110 Ancash HUAYLLABAMBA 100.722 0.031 0.422 0.111 0.422 0.083 0.146 0.237 111 Ayacucho CHILCAYOC 494.666 0.062 0.163 0.045 0.094 0.429 0.446 0.235 112 Huancavelica OCOYO 336.111 0.058 0.240 0.062 0.135 0.363 0.375 0.235 113 La Libertad SANTIAGO DE CHALLAS 125.326 0.042 0.339 0.120 0.339 0.167 0.207 0.234 114 Huancavelica AYAVI 200.709 0.048 0.356 0.086 0.213 0.243 0.270 0.234 115 Puno PEDRO VILCA APAZA 87.912 0.021 0.483 0.087 0.483 0.013 0.097 0.233 116 Huancavelica SAN JUAN 558.156 0.062 0.144 0.040 0.083 0.437 0.457 0.232 117 Ancash HUAYLLACAYAN 233.809 0.051 0.305 0.079 0.186 0.281 0.301 0.231 118 Huancavelica SALCAHUASI 259.503 0.053 0.275 0.073 0.169 0.300 0.318 0.227 119 Ayacucho HUAMBALPA 125.089 0.013 0.339 0.038 0.339 0.339 0.067 0.225 120 Apurimac POCOHUANCA 218.913 0.048 0.326 0.078 0.195 0.248 0.275 0.224 121 Ayacucho SAN PEDRO DE PALCO 160.502 0.047 0.265 0.105 0.265 0.220 0.248 0.221 122 Ica HUMAY 94.728 0.022 0.448 0.084 0.448 0.020 0.102 0.220 123 Ancash HUAYLLAN 115.806 0.000 0.367 0.000 0.367 0.367 0.000 0.220 124 Madre de Dios HUEPETUHE 97.111 0.022 0.437 0.082 0.437 0.022 0.104 0.216 125 Ancash HUACHIS 129.551 0.036 0.328 0.100 0.328 0.128 0.180 0.213 126 Huancavelica POMACOCHA 134.195 0.037 0.316 0.100 0.316 0.139 0.188 0.212 127 Huancavelica MANTA 327.495 0.052 0.218 0.057 0.133 0.312 0.334 0.211 128 Ancash ANRA 133.819 0.035 0.317 0.093 0.317 0.120 0.175 0.205 129 Ayacucho SANTIAGO DE PISCHA 194.095 0.047 0.219 0.087 0.219 0.232 0.261 0.204 130 Huancavelica SANTIAGO DE CHOCORVOS 107.768 0.023 0.394 0.077 0.394 0.031 0.111 0.202 131 Apurimac SAÑAYCA 144.914 0.037 0.293 0.091 0.293 0.138 0.189 0.201 132 Huancavelica QUERCO 421.211 0.051 0.169 0.043 0.103 0.323 0.350 0.198 133 Huancavelica PALCA 197.624 0.045 0.215 0.081 0.215 0.216 0.250 0.196 134 Apurimac SANTA ROSA 360.148 0.048 0.198 0.048 0.118 0.286 0.317 0.193 135 Ancash FIDEL OLIVAS ESCUDERO 149.464 0.035 0.284 0.084 0.284 0.128 0.182 0.192 136 Huancavelica CAPILLAS 162.609 0.037 0.261 0.081 0.261 0.144 0.195 0.188 137 Huancavelica PACHAMARCA 149.233 0.011 0.285 0.026 0.285 0.285 0.056 0.187 138 Ancash AMASHCA 142.230 0.031 0.299 0.078 0.299 0.097 0.160 0.186 139 Huancavelica SANTIAGO DE QUIRAHUARA 625.792 0.049 0.114 0.028 0.069 0.339 0.375 0.185 140 Huancavelica PAUCARBAMBA 146.977 0.006 0.289 0.016 0.289 0.289 0.034 0.183 141 Ancash ANTONIO RAYMONDI 189.034 0.039 0.225 0.073 0.225 0.167 0.214 0.181 142 Puno UNICACHI 635.898 0.047 0.112 0.027 0.067 0.328 0.367 0.180 143 Lima LINCHA 1330.228 0.043 0.032 0.012 0.032 0.353 0.412 0.168 144 Apurimac SORAYA 195.405 0.035 0.217 0.064 0.217 0.142 0.197 0.167 145 Ancash SAN PEDRO 264.930 0.041 0.160 0.056 0.160 0.208 0.251 0.167 146 Lima ANTIOQUIA 367.648 0.042 0.115 0.041 0.115 0.241 0.283 0.159 147 Huancavelica TAMBO 193.878 0.013 0.219 0.024 0.219 0.219 0.073 0.151 148 Ancash RAPAYAN 208.884 0.029 0.203 0.050 0.203 0.100 0.167 0.145 149 Junín CULLHUAS 152.596 0.019 0.278 0.044 0.278 0.011 0.100 0.142 150 Junín JANJAILLO 217.255 0.013 0.195 0.022 0.195 0.195 0.079 0.137 151 Ancash LLAMA 296.058 0.033 0.143 0.040 0.143 0.148 0.208 0.136 152 Ancash MASIN 172.403 0.019 0.246 0.041 0.246 0.018 0.106 0.132 153 Lima AZANGARO 433.578 0.035 0.098 0.029 0.098 0.184 0.242 0.130 154 Huancavelica SANTO DOMINGO DE CAPILLAS 334.070 0.031 0.127 0.034 0.127 0.141 0.205 0.127 155 Apurimac MICAELA BASTIDAS 249.700 0.026 0.170 0.038 0.170 0.086 0.160 0.125 156 Huancavelica ARMA 230.088 0.025 0.185 0.039 0.185 0.069 0.146 0.125 157 Huancavelica HUACHOS 255.533 0.014 0.166 0.019 0.166 0.166 0.083 0.120 158 Huancavelica SAN FRANCISCO DE SANGAYAICO 475.876 0.032 0.089 0.024 0.089 0.162 0.228 0.118 159 Ayacucho SAN JAVIER DE ALPABAMBA 258.014 0.007 0.165 0.009 0.165 0.165 0.042 0.109 160 Huancavelica COCAS 317.233 0.013 0.134 0.015 0.134 0.134 0.085 0.100 161 Ancash MUSGA 332.309 0.023 0.128 0.025 0.128 0.069 0.151 0.100 162 Huancavelica HUAMATAMBO 411.903 0.021 0.103 0.019 0.103 0.061 0.148 0.087 163 Apurimac JUSTO APU SAHUARAURA 307.847 0.000 0.138 0.000 0.138 0.138 0.001 0.083 164 Ancash ELEAZAR GUZMAN BARRON 429.389 0.000 0.099 0.000 0.099 0.099 0.000 0.059 165 Apurimac HUAYLLO 471.581 0.000 0.090 0.000 0.090 0.090 0.000 0.054 166 210.497 0.074 0.441 0.171 0.329 0.377 0.377 0.339 153.966 0.052 0.237 0.153 0.179 0.213 0.221 0.166 42.459 0.000 0.032 0.000 0.032 0.011 0.000 0.054 1330.228 0.313 1.000 1.000 1.000 1.000 0.895 0.979 Departamento Ranking (Promedio) Municipalidad Indicadores Puntajes de eficiencia Promedio Mean Std. Dev. Min Max 97 Anexo 5-A. Distribuciones de los puntajes de eficiencia promedio según categorías de municipalidades provinciales 0 1 2 3 .2 .4 .6 .8 1 Categoría 1: Ciudades intermedias Density 0 .5 1 1.5 2 Density .2 .4 .6 .8 1 Categoría 2: Metrópolis 0 1 2 3 Density .2 .4 .6 .8 1 Categoría 3: Rural 0 1 2 3 Density .2 .4 .6 .8 1 Categoría 4: Semi-rural 98 Anexo 5-B. Distribuciones de los puntajes de eficiencia promedio según categorías de municipalidades distritales 0 1 2 3 Density 0 .2 .4 .6 .8 1 Categoría 1: Semi-urbano 0 .5 1 1.5 2 2.5 Density 0 .2 .4 .6 .8 1 Categoría 2: Urbano pobre 0 .5 1 1.5 2 2.5 Density 0 .2 .4 .6 .8 1 Categoría 3: Urbano 0 .5 1 1.5 2 2.5 Density .2 .4 .6 .8 1 Categoría 4: Ciudades metropolitanas 0 1 2 3 4 Density 0 .2 .4 .6 .8 1 Categoría 5: Rural pobre 0 .5 1 1.5 2 2.5 Density 0 .2 .4 .6 .8 1 Categoría 6: Rural pobre extremo 99 Anexo 6. Modelo de regresión censurado de tipo Tobit Sea y la distribución de la variable censurada, y c un único punto de censura inferior, se define la variable *y , como una variable aleatoria subyacente que permitirá definir la variable censurada y según los siguientes valores: • ycy = , si cy ≤* • *yy = , si cy >* De esta manera, el punto de censura c determina si *y está censurada, y yc es el valor que se le asigna a la variable y si *y está censurada. Bajo es supuesto que la distribución de la variable subyacente ( *y ) es ),( 2σµN , la probabilidad de que una variable sea censurada o no será: [ ] ⎟⎠ ⎞⎜⎝ ⎛ −Φ= ⎥⎦ ⎤⎢⎣ ⎡ ⎟⎠ ⎞⎜⎝ ⎛ −≤= ≤= ≤= σ µ σ µ σµ c cNprob cNprob cyprobcensuraprob )1,0( ),( )()( 2 * ⎟⎠ ⎞⎜⎝ ⎛ −Φ= ⎟⎠ ⎞⎜⎝ ⎛ −Φ−= ≤−= >= σ µ σ µ c c cyprob cyprobcensuranoprob 1 )(1 )()( * * Donde: (.)Φ : es la función de distribución del punto de censura c que se distribuye )1,0(N . Por tanto, la función de densidad de la variable censurada será: ⎟⎠ ⎞⎜⎝ ⎛ −Φ=≤== σ µccyprobcyprob )()( * , si cy ≤* 57 La cual es una mezcla entre la distribución de una variable continua y una discreta, en la cual se le asigna la probabilidad contenida en el área censurada al punto de censura c . La formulación del modelo establece que el valor medio de la variable subyacente *y , es una función lineal de las variables explicativas del modelo, es decir: [ ] β'* iii XxyE = . 57 Nótese que si cy >* , la función de densidad de la variable censurada será la misma función de densidad de *y . 100 Sin embargo, como la información de la variable *y es desconocida, se modelará la expresión [ ]ii xyE , en función de [ ]ii xyE * , de la siguiente manera: [ ] [ ] [ ] [ ]( )iiiiiiiii xcyprobcxcyprobcyxyExyE ≤+>>= **** ., Estimando la expresión anterior por máxima verosimilitud, se obtiene: ∑∑ ≤> ⎥⎥⎦ ⎤ ⎢⎢⎣ ⎡ ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ −Φ+⎥⎦ ⎤⎢⎣ ⎡ −++−== cy iii cy ii xcxy LI σ β σ βσπσβσβ ' 2 2' 222 ln )( )ln()2ln( 2 1),(ln),( En la cual se identifican las estimaciones de las variables explicativas sobre la variable subyacente )(* βy , empleando la variable censurada y . 101 Anexo 7. Consideraciones para el diseño de un Sistema de Medición de las Capacidades de la Gestión Municipal 1. Definir la metodología que se empleará para medir las capacidades de gestión y eficiencia. 2. Definir las variables de tipificación/categorización de municipalidades considerando criterios de calidad, peridiocidad, pertinencia y universalidad de las mismas. 3. Categorizar y/o tipificar las municipalidades, en función a las variables establecidas en el punto 2. 4. Definir y construir los indicadores resultados (indicadores output), así como los indicadores de gasto (indicadores input) que se emplearán en la evaluación de eficiencia. 5. Aplicación de las metodologías para la medición de la gestión municipal, considerando las categorías o grupos de municipalidades establecidas en el punto 3. 6. Establecer puntos de referencia de las buenas prácticas municipales (benchmark) según categorías de municipalidades, las cuales se emplearán posteriormente en la evaluación de los resultados de eficiencia. 7. Clasificación de municipalidades como eficientes o ineficientes acorde a los benchmark establecidos en el punto 6. 8. Diseño de un sistema de capacitación municipal en aquellas áreas o funciones que se identifiquen como los causantes de la ineficiencia, según la información proporcionada en el punto 7. 9. Evaluación de las causas de la eficiencia o ineficiencia, aplicar las medidas correctivas correspondientes, reportar los casos exitosos. 10. Establecer sistemas de premios y castigos a partir de herramientas ágiles y de fácil entendimiento. 11. Publicación oficial de resultados de eficiencia, con la finalidad de generar una política de incentivos al desarrollo de las buenas prácticas municipales.