Impacto de los escenarios futuros sobre las variables de desarrollo nacional by CEPLAN

2019

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Impacto de los escenarios futuros sobre las variables de desarrollo nacional

Impacto de los escenarios futuros sobre las variables de desarrollo nacional Javier Abugattás Presidente del Consejo Directivo Centro Nacional de Planeamiento Estratégico Bruno Barletti Director Ejecutivo Centro Nacional de Planeamiento Estratégico Jordy Vilchez Astucuri Director Nacional de Prospectiva y Estudios Estratégicos Equipo técnico: José Luis Nolazco Cama, Roxana Ramos Paz, Hans Stehli Torrecilla, Yiem Aurora Ataucusi Ataucusi, Jose Luis Vasquez Pérez. Agradecimientos: Eduardo W. Calvo Buendía, Alvaro Sánchez Mercado, Alfredo Medina Calderón, Josué Misac Luna Nole, Alberto Enrique Angel del Aguila Alfaro, Marco Antonio Francisco Torres, Erika del Pilar Celiz Ignacio. Editado por: Centro Nacional de Planeamiento Estratégico Av. Canaval y Moreyra 480, piso 11 San Isidro, Lima, Perú (51-1) 211-7800 webmaster@ceplan.gob.pe www.ceplan.gob.pe © Derechos reservados Primera edición, enero 2019

Índice Lista de figuras

Lista de tablas

Siglas y acrónimos

1. Resumen ejecutivo

2. Introducción

3. Marco teórico de la dinámica de sistemas

4. Antecedentes

5. Elaboración del modelo sistémico 5.1 Definición del problema del modelo propuesto 5.2 Formulación de las hipótesis dinámicas y la conceptualización del modelo 5.3 Definición de principales relaciones causales

15 15 16 19

6. Análisis de resultados del escenario base

7. Análisis de escenarios contextuales 7.1 Escenario contextual 1: Crecientes expectativas de la clase media 7.2 Escenario contextual 2: Aumento de la tecnología y la mecanización 7.3 Escenario contextual 3: Nuevo superciclo de materias primas 7.4 Escenario disruptivo: Ocurrencia de un desastre mayor

28 28 31 33 35

8. Discusión de resultados

9. Conclusiones

10. Referencias

Anexos Anexo 1: Metodología Anexo 2: Validación del modelo sistémico Anexo 3: Relaciones causales y formas funcionales

48 48 52 54

Lista de figuras Figura 1. Ejemplo de dinámica de sistemas Figura 2. Diagrama de Subsistemas del modelo sistémico propuesto Figura 3. Diagrama de relaciones causales del subsistema social Figura 4. Diagrama de relaciones causales del subsistema económico Figura 5. Diagrama de relaciones causales del subsistema ambiental Figura 6. Proyección base del PBI (eje izquierdo) y la tasa de crecimiento económico (eje derecho) Figura 7. Proyección base de la población ocupada (eje izquierdo) y su porcentaje respecto a la población total estimada (eje derecho) Figura 8. Proyección base de la población pobre (eje izquierdo) y su porcentaje respecto a la población total estimada (eje derecho) Figura 9. Proyección base del acceso a agua y saneamiento por red pública (% de la población) Figura 10. Proyección base del acceso a Internet dentro del hogar (% de la población) Figura 11. Proyección base de niños con desnutrición crónica (eje izquierdo) y su porcentaje respecto a la población menor a cinco años (eje derecho) Figura 12. Proyección base de las emisiones de Gases de Efecto Invernadero (GEI) Figura 13. Simulación de los impactos del Escenario Contextual 1 sobre las variables estratégicas, según ejercicio propuesto. Figura 14. Simulación de los impactos del Escenario Contextual 2 sobre las variables estratégicas, según ejercicio propuesto. Figura 15. Simulación de los impactos del Escenario Contextual 3 sobre las variables estratégicas, según ejercicio propuesto. Figura 16. Simulación de los impactos del Escenario Disruptivo sobre las variables estratégicas, según ejercicio propuesto. Figura 17. Diagrama de Subsistemas modelación de largo plazo de las interacciones entre la economía y el sector energético. Lista de tablas Tabla 1. Delimitaciones del modelo sistémico propuesto Tabla 2. Comparación de los resultados de la modelización dinámica con las metas al 2030 Tabla 3. Cuadro de Delimitaciones de la modelación de largo plazo de las interacciones entre la economía y el sector energético. Tabla 4. Relaciones causales y formas funcionales de las variables dependientes del subsistema social Tabla 5. Relaciones causales y formas funcionales de las variables dependientes del subsistema económico Tabla 6. Relaciones causales y formas funcionales de las variables dependientes del subsistema ambiental

11 18 20 21 22 24 24 25 26 26 27 27 29 32 34 36 50

16 38 49 55 58 64

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Siglas y acrónimos BCRP

Banco Central de Reserva del Perú

CEPLAN

Centro Nacional de Planeamiento Estratégico

GEI

Gases de Efecto Invernadero

MEF

Ministerio de Economía y Finanzas

MMM

Marco Macroeconómico Multianual

Magnitud de Momento

I+D

Investigación y Desarrollo

IFs

International Futures

iNDC

La Contribución Prevista y Determinada a Nivel Nacional

OCDE

Organización para la Cooperación y el Desarrollo Económicos

PBI

Producto Bruto Interno

PLANAGERD Plan Nacional de Gestión del Riesgo de Desastres PTF

Productividad Total de Factores

SINAPLAN

Sistema Nacional de Planeamiento Estratégico

T21

Threshold 21

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

1. Resumen ejecutivo Andina de Noticias Andina Foto: Agencia Peruana

Con el propósito de evaluar los impactos cuantitativos de los escenarios contextuales propuestos por el Centro Nacional de Planeamiento Estratégico (CEPLAN), se ha elaborado un modelo sistémico que permite calcular el comportamiento tendencial de diversas variables estratégicas tales como: la pobreza monetaria, la desnutrición crónica infantil, el acceso a servicios básicos y las emisiones de gases de efecto invernadero (GEI), bajo diversos supuestos al año 2030. Se espera que los resultados sirvan para fortalecer el planeamiento estratégico de tal manera que los tomadores de decisiones del Sistema Nacional de Planeamiento Estratégico (SINAPLAN) consigan anticipar los impactos de escenarios de futuro que el Perú podría enfrentar en los próximos diez años.

La materialización de los escenarios contextuales no será suficientes para alcanzar las metas de reducción de la desnutrición crónica y acceso universal de servicios básicos. Los resultados del modelo sistémico indican que: (i) el incremento de las expectativas de la clase media; (ii) el aumento de la tecnología y mecanización, o (iii) la ocurrencia de un nuevo superciclo de materias primas, no será suficiente para garantizar el cumplimiento del fin de la desnutrición crónica infantil y el acceso universal a servicios básicos de agua y saneamiento al año 2030. Asimismo, por el lado de la pobreza monetaria, el cumplimiento de la meta de reducción a 10,9% dependerá de la magnitud del desplazamiento de la población ocupada por los cambios tecnológicos. Finalmente, respecto a la meta de reducción de emisiones de GEI de 30%, esta no se logra alcanzar ni siquiera bajo los supuestos del escenario contextual de aumentos tecnológicos que permitirán reducir el consumo de energía.

Se necesita fortalecer los programas sociales actuales o implementar nuevos que permitan alcanzar a las poblaciones más alejadas. En este contexto, se requiere de intervenciones adicionales que complementen los impactos positivos de los escenarios contextuales. Por ejemplo, se sugiere fortalecer programas sociales como Juntos, Cuna Más o considerar nuevas propuestas, de tal manera que se atiendan las necesidades de la población más alejada. Asimismo, se aconseja definir los planes de acción de acuerdo a las indicaciones de la Contribución Prevista y Determinada a Nivel Nacional (iNDC) del Perú con el propósito de encaminar la reducción de las emisiones de GEI al año 2030.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

La posibilidad de la ocurrencia de un desastre mayor requiere aumentar la resiliencia de la infraestructura actual y fortalecer los procesos de reconstrucción del país. Finalmente, los resultados de la simulación de la ocurrencia de un terremoto de 8,8 Mw1 en la ciudad de Lima indican consecuencias de largo plazo sobre la pobreza monetaria, la desnutrición crónica infantil y el acceso a servicios, cuyos indicadores difieren en por lo menos dos puntos porcentuales respecto a los valores de la proyección base. Esto se debe principalmente por la pérdida de la infraestructura y, en consecuencia, por la menor productividad de los factores de producción. Con el propósito de evitar esta situación, se pueden aplicar las acciones estratégicas del Plan de Nacional de Gestión del Riesgos de Desastres (PLANAGERD) 2014-2021, en donde se sugiere la gestión de servicios seguros de abastecimiento de agua y saneamiento, energía, transporte, comunicaciones y seguridad ciudadana, así como el desarrollo de instrumentos para el fortalecimiento de los procesos de rehabilitación y reconstrucción.

Foto: Agencia Peruana de Noticias Andina

Escala de Magnitud de Momento (Mw) propuesta por Hanks y Kanamori en 1979 usada para medir y comparar terremotos.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

2. Introducción Foto: Agencia Peruana Andina de Noticias Andina

El análisis de futuro de las variables sociales, económicas y ambientales de un país, es una herramienta clave para generación de políticas y planes estratégicos eficientes, ya que permite construir una idea preliminar del comportamiento futuro de las mismas. Tomando esto en consideración, el Centro Nacional de Planeamiento Estratégico (CEPLAN) ha incluido este tipo de estudios en su Ciclo de Planeamiento Estratégico dentro de la Fase 2: El futuro deseado, con el propósito de ilustrar las tendencias, oportunidades, riesgos, y escenarios que podrían afectar de manera positiva o negativa al bienestar de las personas. En este contexto, el Centro Nacional de Planeamiento Estratégico ([CEPLAN], 2016) ha identificado cuatro escenarios contextuales que dictan el entorno en el que podría vivir la población peruana en un futuro próximo. El primero, asume el fortalecimiento y empoderamiento de la clase media, cuyas expectativas crecientes tendrían efectos positivos sobre la participación ciudadana, la gobernanza pública y la formalización de la economía. El segundo escenario contextual evoca una revolución tecnológica caracterizada por un aumento importante de la tecnología y la mecanización. En particular, estos avances ofrecerían la mejora del sistema educativo y la inversión, pero podría significar un aumento de la desigualdad de los ingresos. El tercer escenario denota un nuevo superciclo de materias primas a nivel mundial, lo cual se traduciría en una oportunidad para expandir el volumen de las exportaciones peruanas basadas en recursos naturales y como consecuencia, los ingresos del gobierno. Finalmente, el CEPLAN ha considerado un escenario disruptivo caracterizado por un sismo de alta magnitud y eventos meteorológicos extremos, los cuales tendrían un efecto directo negativo sobre la calidad de vida de la población. Además, CEPLAN (2017) ha elaborado una propuesta de imagen de futuro, enmarcada en el modelo de bienestar de la OCDE y el concepto de desarrollo sostenible de las Naciones Unidas (OECD, 2013). Esta propuesta se encuentra actualmente en un proceso de concertación. Paralelamente, se han identificado distintas variables estratégicas e indicadores asociadas a las esferas de la propuesta, como la pobreza, la desnutrición crónica infantil y otros, cuyo seguimiento permitiría evaluar la realización de la imagen. Tomando estos dos documentos en consideración, resulta interesante evaluar y cuantificar el alcance y magnitud del impacto de los escenarios contextuales sobre algunas variables estratégicas asociadas a la imagen de futuro. En particular, este análisis permitirá determinar si los choques que caracterizan a cada escenario tendrán un efecto importante sobre la senda de crecimiento de cada indicador, lo cual podría acelerar o desacelerar el logro de la imagen de futuro al año 2030.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

De igual manera, ese análisis debería entender a la imagen de futuro como un sistema integrado, dado que las variables que la componen no son independientes entre sí. Más bien, existe una dinámica entre ellas, que connotan relaciones de causalidad y efecto, las cuales deben ser consideradas para cuantificar correctamente el impacto de los escenarios. De esta manera, en el presente documento se desarrolla la modelización sistémica de las variables estratégicas de la propuesta de imagen considerando los escenarios contextuales planteados por el CEPLAN. Ello permitirá anticipar estratégicamente los efectos de los escenarios contextuales sobre el bienestar de la población, y así contribuir a la Fase 2 del Ciclo de Planeamiento Estratégico del CEPLAN. Previamente, se ilustra el estado del arte de la modelación sistémica, mediante la descripción de su marco teórico, así como los antecedentes de la misma.

Foto: Agencia Peruana de Noticias Andina

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

3. Marco teórico de la dinámica de sistemas Ilustración: cs.us.es

La dinámica de sistemas fue desarrollada por Forrester a inicios de los años 60, cuyo trabajo denotó una forma innovadora de estudiar y modelar las dinámicas sociales. Se entiende el concepto de sistema como “un objeto dotado de alguna complejidad, formado por partes coordinadas, de modo que el conjunto posea una cierta unidad”. A modo de ejemplo, se considera al sistema económico el cual está conformado por agentes que interactúan a través del intercambio de bienes y servicios; o una máquina cuyas partes trabajan en conjunto para alcanzar algún fin (Aracil, 1995). En términos sencillos, un sistema se entendería como una unidad, cuyas partes trabajan juntas e interactúan entre sí para alcanzar un objetivo. Por consiguiente, la trayectoria del mismo se determina por el comportamiento y las relaciones de las variables que conforman el sistema. Adicionalmente, los componentes de los sistemas también podrían ser adaptativos, por lo que su comportamiento podría evolucionar con el tiempo debido a un proceso de aprendizaje a escala individual y/o población (Izquierdo, Galán, y Del Olmo, 2008). Tomando esto en consideración, la dinámica de sistemas puede entenderse como variables de flujos y stocks2, complementadas por información auxiliar y asociadas a través de relaciones causales dinámicas y bucles de retroalimentación (Forrester, 1961). Específicamente, el uso de bucles de retroalimentación sería una de las ventajas de los modelos sistémicos, ya que permite considerar y analizar las relaciones complejas de causalidad circular que caracterizan a los sistemas complejos. En particular, estas “suelen presentar causas y efectos que no se encuentran próximos en el espacio ni en el tiempo”, por ejemplo cuando se presentan variables independientes pero con alta correlación temporal debido a la dinámica del sistema (Izquierdo et al., 2008). El estudio de las relaciones causales y la construcción del sistema permiten analizar el comportamiento de las variables comprendidas en el mismo, con el propósito de mejorar su rendimiento. En particular, una intervención exógena sobre los stocks, dará marcha a la dinámica del sistema, generando así nuevas trayectorias y equilibrios a través del tiempo de manera endógena. Como ejemplo, se considera a la población, cuyo stock depende positivamente del flujo de nacimientos y negativamente del flujo de defunciones. En particular, los flujos de nacimientos y defunciones dependerán de la tasa de natalidad y la esperanzada de vida, respectivamente, ambas variables auxiliares 2

De acuerdo a García (2018), los niveles o stocks son las variables que denotan la situación actual del modelo, los cuales se acumulan dentro del sistema, mientras que los flujos son aquellas variables que se desprenden de la interacción de los niveles (Ver ejemplo de la figura 1).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

determinadas fuera de este sistema (ver figura 1). Dentro de este sencillo sistema, si la esperanza de vida incrementara exógenamente debido a alguna intervención del gobierno, el flujo de defunciones se vería afectado impactando positivamente a la trayectoria futura del stock de la población. Esta intervención ilustra la dinámica de este sistema. No obstante, el sistema descrito líneas arriba se podría encontrar dentro de otro sistema más grande, cuyas variables también pueden depender de la población y viceversa. Por lo tanto, la dinámica de sistemas permite analizar el comportamiento de este tipo de estructuras complejas, mediante la constante iteración de sus relaciones causales, a través de los bucles de retroalimentación. La dinámica de sistemas puede ser aplicada en diversos ámbitos como en el análisis de modelos biológicos y médicos, así como la simulación de políticas públicas. En particular, el uso de este tipo de estudios permite estimar predicciones futuras del comportamiento de las variables de interés, sin ser sesgadas por los shocks que puedan afectar al sistema; a diferencia de los modelos estadísticos (Suryani, Chou, y Chen, 2010). Esto permite explorar distintos escenarios futuros para así realizar ejercicios de sensibilidad. Adicionalmente, el análisis sistémico no requiere una gran cantidad de datos históricos, ya que los supuestos y parámetros que componen al sistema se pueden derivar de una revisión bibliográfica o una opinión de expertos.

esperanza de vida

tasa de natalidad

nacimientos

Población

defunciones

Figura 1. Ejemplo de dinámica de sistemas. Nota. Adaptado de “Teoría y ejercicios prácticos de Dinámica de Sistemas”, de García, J., 2018, p.28.

No obstante, la dinámica de sistemas no se encuentra libre de limitaciones. Por ejemplo, la construcción de la estructura del sistema implica elaborar un marco conceptual robusto de las relaciones de causalidad de las variables de interés. En consecuencia, la validación del modelo requiere una revisión bibliográfica rigurosa que las apoye, aparte de la opinión de expertos y otros criterios cuantitativos y cualitativos derivados de los resultados (Collste, Pedercini, y Cornell, 2017). De igual manera, la dinámica de sistemas ha sido criticada anteriormente por su simplificación de la realidad y por su incapacidad de replicar de manera estricta los datos históricos, los cuales tendrían un impacto negativo sobre la confianza de sus resultados (Featherston y Doolan, 2012). De hecho, esta sería una de las principales limitaciones, ya que a diferencia de los modelos estadísticos, la robustez de sus resultados se basa en la aplicación de diversas pruebas no paramétricas (discutidas luego), en vez de en la significancia estadística. Sin embargo, se debe recalcar que el propósito del análisis de sistemas no es realizar predicciones puntuales, sino el estudio de las dinámicas internas de las estructuras de interés que determinan un comportamiento (Featherston y Doolan, 2012). Asimismo, este tipo de modelos sirve para analizar

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

tendencias de largo plazo, las cuales se derivan del comportamiento que se pretende modelar (Pardee Center for International Futures, 2013). Tomando todo lo dicho en consideración, la dinámica de sistemas es una metodología para realizar pronósticos de comportamiento tendencial de largo plazo, de tal forma que complementa las estimaciones puntuales que se derivan de modelos estadísticos de corto o mediano plazo. En ese sentido, el aporte de la dinámica de sistemas al planeamiento estratégico puede dividirse en dos premisas: (i) permite establecer metas de largo plazo de las variables analizadas, de las cuales se derivan los hitos o acciones correspondientes para alcanzarlas y realizar su seguimiento; y (ii) permite cuantificar los efectos de largo plazo de políticas o escenarios de futuro sobre las variables incluidas en el sistemas, de tal manera que facilita la priorización de intervenciones para enfrentar las implicancias de los mismos.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

4. Antecedentes Foto: Agencia Peruana de Noticias Andina

La dinámica de sistemas ha sido utilizada múltiples veces para el modelamiento de dinámicas complejas que comprenden numerosas variables de interés. Por ejemplo, el análisis sistémico ha sido aplicado para realizar proyecciones sobre la creación de residuos sólidos en una zona urbana de rápido crecimiento poblacional en Texas, Estados Unidos. El análisis permitió estimar cinco escenarios futuros alternativos de manejo de residuos sólidos, cada uno asociada a un modelo distinto de generación de basura. Los resultados permitirían mejorar la capacidad de planeamiento de corto y largo plazo de las oficinas municipales correspondientes, ya que hace posible el mapeo de diferentes perspectivas y riesgos, en un contexto donde los modelos de regresión no pueden ser aplicados debido a la reducida cantidad de datos históricos (Dyson y Chang, 2005). Por otro lado, Suryani, Chou, y Chen (2010) aplican la dinámica de sistemas para predecir la demanda de pasajeros de viajes aéreos y para explorar ciertos escenarios, con el propósito de analizar la capacidad de las terminales y la posibilidad de expandirlas. En particular, se encuentra que la tarifa del viaje, el nivel de servicio, el PBI de la región, la población y el número de viajes por día juegan un rol importante en el volumen de pasajeros proyectados y en la utilización de la pista de aterrizaje. Asimismo, Alasad, Motawa, y Ougunlana (2013) recurren a un modelo de dinámica de sistemas para proyectar la demanda de proyectos de infraestructura de alianzas público – privadas. En este caso, la predicción es compleja dado que depende de diversos factores sociales, económicos y técnicos que se encuentran interrelacionados entre sí y con el tiempo. Por lo tanto, el uso de modelos sistémicos resulta prometedor para la estimación de la demanda futura de los proyectos, lo cual permite evaluar el éxito de los mismos. De igual manera, los modelos sistémicos también han sido aplicados para la identificación y evaluación de las potencialidades económicas regionales. Por ejemplo, Márquez, Rodríguez, y Meza (2015) recurren a la dinámica de sistemas para hallar el impacto de la mejora de distintos factores (entre ellos carencia de cultura de los pobladores, pocas vías de acceso y falta de desarrollo de información) sobre las riquezas naturales que posee la provincia de Castrovirreyna en Huancavelica, departamento de Perú. Específicamente, se cuantifican los efectos sobre la minería, ganadería, pesquería y turismo de la provincia. Adicionalmente, entre los antecedentes más notables, se encuentra el modelo Threshold 21 (T21), elaborado por el Millennium Institute y diseñado para apoyar en la planificación del desarrollo de los países en el mediano y largo plazo. En particular, este modelo sistémico permite generar escenarios que exploran las consecuencias de diferentes políticas asociadas al cumplimiento de los objetivos estratégicos de cada país involucrado.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

La estructura del modelo se conforma por tres grandes sistemas: (i) el económico, que contiene la producción sectorial, la tecnología, el gobierno y el resto del mundo; (ii) el social, que detalla a la población por sexo y edad, el empleo, el nivel de pobreza, y los sectores de salud y educación; y (iii) el ambiental, en donde se estima el consumo de los recursos naturales, así como el impacto de la polución sobre los mismos (Millennium Institute, 2015). Al año 2015, el Modelo T21 ha sido adaptado a las dinámicas de sistemas de casi veinte países a nivel mundial, donde destacan, China, Italia, Uruguay y Perú. En el caso peruano, el Modelo T21 fue utilizado para evaluar el impacto de diferentes políticas “verdes” sobre la realidad. Específicamente, se simularon los efectos de una expansión del área de riego, la ampliación del área de concesiones forestales, el incremento de la reforestación, la disminución del parque automotor de Lima Metropolitana y el aumento de la participación del transporte público masivo. Entre los diversos resultados, la Alianza para la Acción hacia una Economía Verde (PAGE, 2017) halla que si bien la implementación de políticas verdes no tendría un efecto importante sobre el crecimiento económico, su implementación es necesaria debido al alto grado de vulnerabilidad de la sociedad peruana frente a eventos climáticos. De igual manera, el Millenium Institute ha elaborado el iSDG (o Integrated Model for Sustainable Development Goals Strategies) con el propósito de que los responsables de planeamiento puedan analizar los impactos de distintas políticas diseñadas para el cumplimiento de los Objetivos de Desarrollo Sostenible (ODS). El modelo sistémico permite responder preguntas como ¿Cuántos recursos necesita el gobierno para cumplir los ODS? ó ¿Cómo se deberían distribuir esos recursos para maximizar su impacto sobre el desarrollo social? (Millenium Institute, 2017). En particular, el iSDG se basó en la estructura del modelo T21 por lo que también considera sus tres grandes sistemas y las variables contenidas dentro de ellos. No obstante, el iSDG ha sido construido de tal manera que comprenda mejor las interrelaciones de las metas correspondientes al 2030 para así poder construir estrategias sinérgicas para cumplirlas. Con este propósito, el modelo permite simular escenarios alternativos para estudiar las diferentes trayectorias de los ODS hasta el año 2050 (Millennium Institute, 2017). Por otro lado, el Pardee Center ha elaborado un modelo sistémico similar al T21, denominado el Internacional Futures (IFs). Al igual que el modelo T21, el modelo IFs puede realizar pronósticos de largo plazo de diversas variables contenidas en diez módulos temáticos: (i) Energía, (ii) Agricultura, (iii) Democracia, (iv) Economía, (v) Educación, (vi) Medio ambiente, (vii) Salud, (viii) Infraestructura, (ix) Gobernanza y (x) Política Internacional. Asimismo, también es posible simular rutas potenciales de desarrollo, a través de la construcción de escenarios mediante la modificación de parámetros en la plataforma del modelo (CEPLAN, 2015). No obstante, la principal diferencia entre el modelo IFs y T21 sería su alcance. El modelo IFs tiene datos históricos de más de 186 países por lo que el usuario puede realizar proyecciones de estos territorios y comparar tendencias. En contraste, el modelo T21 solo puede mostrar los resultados correspondientes al país para el cual ha sido adecuado. De hecho, el modelo IFs ha sido adquirido por el CEPLAN y ajustado a la realidad peruana para su uso como herramienta en el planeamiento estratégico. Por ejemplo, ha sido utilizado para analizar las perspectivas de la informalidad peruana (Pérez y Muñoz, 2015) y para realizar pronósticos de la educación al año 2030 (Ramos, Muñoz, Gonzales, y Castro, 2015). No obstante, el alcance del modelo IFs no es suficiente para analizar el impacto de los escenarios contextuales sobre las variables estratégicas, dado que no todas las variables asociadas a la imagen de futuro se encuentran en el sistema del IFs. De igual manera, el sistema de este modelo no contiene parámetros que permiten caracterizar la dinámica de los escenarios contextuales. Por consiguiente, se requiere el planteamiento de un modelo sistémico similar al IFs o T21 que sí comprenda los dos puntos descritos líneas arriba.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

5. Elaboración del modelo sistémico Ilustración: Freepik Company, S.L.

Considerando la necesidad de evaluar los impactos de los escenarios futuros sobre las variables de la propuesta de imagen, se ha elaborado un modelo sistémico aplicando el proceso teórico de Sterman (2000) y García (2018) descrito en el anexo 1 del documento. Esta metodología no sólo considera las interrelaciones de las variables estratégicas, sino también, posibilita el análisis de largo plazo de las tendencias de las mismas y del cambio de sus comportamientos luego de ser impactadas por los escenarios propuestos en este estudio. Este análisis descrito no es posible si se utilizan modelos estadísticos debido a su incapacidad de ilustrar las tendencias de largo plazo.

5.1 Definición del problema del modelo propuesto En el caso del modelo sistémico, para el análisis de los impactos de los escenarios contextuales sobre las variables estratégicas, el problema es multidimensional. Así, lo que se desea evaluar es si la magnitud del impacto de los escenarios contextuales es lo suficientemente relevante como para impedir el cumplimiento de las metas sectoriales de las variables estratégicas (es decir, económicas, sociales y ambientales) al año 2030. Esto se traduciría en el incumplimiento de la imagen de futuro, y un menor nivel de bienestar de la población respecto al que se había previsto en la actualidad. Tomando esto en consideración, se ha visto conveniente utilizar diversas variables sociales como la pobreza, la desnutrición crónica, el acceso a servicios básicos y las emisiones de GEI como principales salidas del modelo, con el propósito de medir en qué medida se podría cumplir o incumplir la propuesta de imagen al año 2030. El uso de estas variables también es conveniente dado que es fácil deducir si el problema correspondiente al sistema está mejorando o empeorando, mediante el análisis de la tendencia de sus indicadores como el porcentaje de la población en situación de pobreza monetaria, la tasa de desnutrición infantil en niños menores a cinco años, el porcentaje de la población con acceso a servicios básicos y las emisiones de GEI medidas en millones de toneladas de dióxido de carbono equivalente.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

No obstante, la propuesta de imagen comprende numerosas variables, como la pérdida de bosques, que no se relacionan directamente con la pobreza o el acceso a servicios. Lo mismo se puede decir de algunas variables asociadas a los escenarios contextuales como la clase media, el stock de capital y el precio de las materias primas. Por consiguiente, será necesario incluir estas variables dentro del modelo considerando el objetivo del análisis sistémico planteado. Además, dado que el modelo se centra en el cumplimiento de la propuesta de imagen de futuro, el horizonte temporal del modelo sistémico será el año 2030.

5.2 Formulación de las hipótesis dinámicas y la conceptualización del modelo Luego de haber definido el problema, se procede a la formulación de la(s) hipótesis dinámica(s), así como la definición de la estructura conceptual del modelo sistémico. Con este propósito, se clasificaron las variables del modelo propuesto en variables endógenas, y exógenas. En particular, considerando el alcance del problema identificado, las principales variables endógenas serían el número de personas pobres, la población con acceso a servicios básicos, la cantidad de niños que sufren de desnutrición crónica, y las emisiones de GEI. Para ello, se han considerado 25 variables e indicadores asociados a la versión preliminar de la imagen del Perú al 2030 (Ver tabla 1).

Tabla 1 Delimitaciones del modelo sistémico propuesto Variables Endógenas

Variables Exógenas

Variables Excluidas

Pobreza

Producto bruto interno

Precio de materias primas

Empleo sectorial

Nivel educativo

Inversión total

Avances tecnológicos

Empleo adecuado

Población ocupada

Consumo privado

Clase media

Analfabetismo

Vivienda inadecuada

Consumo público

Desastre mayor

Conflictos sociales

Acceso a servicios básicos

Importaciones

Cantidad de establecimientos de salud

Acceso a Internet en el hogar

Exportaciones

Salud materna

Desnutrición crónica infantil

Remuneraciones

Narcotráfico y sector informal

Anemia infantil

Ingresos tributarios

Pensiones

Población

Déficit fiscal

Articulación sectorial

Población en edad de trabajar

Inversión pública

Inflación

Emisiones de GEI

Apertura comercial

Inventarios

Pérdida de bosques

Stock de capital

Uso de la tierra

Productividad

Gobernabilidad

Nota. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Asimismo, las variables exógenas del modelo serían aquellas asociadas a los escenarios contextuales, cuyos impactos se desean cuantificar. Entre ellas están los precios de las materias primas, los avances tecnológicos, la clase media, y la incidencia de desastres naturales de gran impacto (CEPLAN, 2016). Considerando el alcance del modelo propuesto, la cantidad de variables excluidas sería numerosa. Por ejemplo, en el modelo no se analizarían el analfabetismo u otras enfermedades diferentes a la desnutrición crónica y la anemia, ya que esto implicaría la adicción de variables distintas a las estratégicas. De igual manera, se excluiría el análisis de variables económicas como la inflación, los inventarios, y la articulación sectorial, así como otras variables sociales como los conflictos sociales, y el narcotráfico. Tomando todo lo anterior en consideración, se propone como objetivo principal del estudio la comprobación de las siguientes premisas: 1. E l impacto individual de cada uno de los tres primeros escenarios contextuales3 no imposibilitará el cumplimiento de la meta4 de reducción de la pobreza y la desnutrición crónica al año 2030. 2. Los tres primeros escenarios de futuro favorecerán al cumplimiento del acceso universal de los servicios básicos. 3. L a meta de reducción de emisiones de GEI al año 20305 solo se cumplirá bajo el escenario contextual de avances tecnológicos. 4. El efecto del escenario disruptivo6 tendrá un resultado importante sobre la infraestructura de los hogares, impactando negativamente al cumplimiento de las metas de reducción de la pobreza, desnutrición crónica y acceso universal de servicios al año 2030. De igual manera, se propone a continuación una estructura básica para modelo sistémico, en donde se ilustran tres subsistemas: (i) el social; (ii) económico; y (iii) ambiental, así como sus relaciones con los escenarios contextuales (ver figura 2). La elección de estos componentes se basa en el marco del desarrollo sostenible de las Naciones Unidas, en donde se indica que no basta el estudio de las variables económicas para asegurar el desarrollo sostenible, sino que hay que considerar otros aspectos como el medio ambiente (United Nations, 2014). Asimismo, cada uno de estos subsistemas representa un aspecto del bienestar de la población, de tal forma que el subsistema social se denomina “potencial de las personas”; el subsistema económico, “entorno macroeconómico”; y el subsistema ambiental, “conservación y gestión sostenible de recursos”.

3 4

5 6

Los tres primeros escenarios corresponden a las crecientes expectativas crecientes de la clase, el aumento de la tecnología y la mecanización, y el nuevo superciclo de materias primas. Las metas son que al año 2030 se reduzca en al menos a la mitad la proporción de la población que vive en la pobreza, es decir a 10,9% (Redacción Gestión, 2016); la erradicación del hambre, es decir que la desnutrición crónica infantil sea 0% (Naciones Unidas, 2017a); y que la población tenga acceso universal al alcantarillado y agua (Naciones Unidas, 2017b). Para el caso de la meta de reducción de gases de efecto invernadero, se ha tomado la meta de la Contribución Prevista y Determinada a Nivel Nacional del Ministerio del Ambiente (MINAM) de 30%, respecto al valor del año 2030 del escenario base (MINAM, 2016) De acuerdo a La Contribución Nacional del Perú, la meta de reducción de emisiones de GEI es de 30% al año 2030, respecto al valor de un escenario de business as usual (MINAM, 2016). El cuarto escenario denota la ocurrencia de un terremoto de 8.8 Mw en la ciudad de Lima.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Sup

s nte cie cre edia s a v m ati se ect a cla Exp de l

Sistema del bienestar de la población

erc icl pri o de ma ma s ter

me n y m to de eca la niz tecn aci olo ón gí a

POTENCIAL DE LAS PERSONAS Empleo Pobreza Acceso a servicios básicos Desnutrición crónica

un de or cia may n e urr tre Oc esas d

Módulo Social

ENTORNO MACROECONÓMICO

CONSERVACIÓN Y GESTIÓN SOSTENIBLE DE RECURSOS

PBI Consumo privado y público Exportaciones Inversión total

Emisiones de GEI Consumo de energía Pérdida de bosques Ahorro de energía

Módulo Económico

Módulo Ambiental

Subsistema

Escenario

Figura 2. Diagrama de Subsistemas del modelo sistémico propuesto. Nota. Elaboración CEPLAN.

El Diagrama de Subsistemas expuesto permite visualizar aquellas esferas que serían afectadas por los escenarios contextuales. En primer lugar, las expectativas crecientes de la clase media, podrían aumentar el consumo de los hogares debido a un mayor incremento de la población perteneciente a una clase media con ingresos altos, impactando directamente al crecimiento económico. No obstante, se deben considerar las limitaciones de la modelización de este escenario. Específicamente, no se han incorporado los posibles impactos del aumento de la participación política y empoderamiento de la población, los cuales se traducen en fuertes inversiones destinadas a una mejor calidad de servicios públicos (CEPLAN, 2016). Luego, el segundo escenario – aumento de la tecnología y mecanización, tendría un efecto sobre el subsistema social, a través del empleo ya que podría reducir la población ocupada debido a que las tareas repetitivas simples serían cubiertas a través de la robótica y avances digitales. No obstante, el World Economic Forum ([WEF], 2017) indica que el impacto podría ser positivo debido a que la adopción de las nuevas tecnologías permitirá introducir nuevos productos al mercado, generando mayor demanda de nuevo empleos. Asimismo, de acuerdo a Guellec y van Pottelsberghe (2001), si se incrementa en 1% el gasto público y privado en investigación y desarrollo (I+D), ello genera en el largo plazo un crecimiento promedio de 0,15% en la Productividad Total de Factores (PTF), lo cual implica una expansión de la capacidad productiva. El aumento de la tecnología también impactará la esfera ambiental, ya que gracias a estos avances se reducirá el consumo de energía proveniente de combustibles tradicionales (WEF, 2017), reduciendo así la cantidad de gases de efecto invernadero expulsados al medio ambiente. En tercer lugar, el escenario tres – nuevo superciclo de materias primas, afectaría al subsistema económico a través del incremento en los términos de intercambio, los cuales tendrían un impacto sobre el volumen de las exportaciones y la actividad económica (Rabanal, 2009). Finalmente, el escenario disruptivo – ocurrencia de un desastre mayor afectaría al subsistema económico mediante la destrucción del stock de capital (CEPAL, 2014), la reducción del consumo privado debido la caída del bienestar de la población (Gignoux y Menéndez, 2016) y el incremento eventual de la inversión pública por conceptos de reparación (BID, 2015) . De igual manera, tendría

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

un efecto sobre la esfera social, debido a un incremento de la cantidad de muertes, afectando al nivel de la población (INDECI, 2017), y por la destrucción de las redes de agua y saneamiento, reduciendo así el acceso a estos servicios básicos (Fernandez, 2014).

5.3 Definición de principales relaciones causales Tomando como base el Diagrama de Subsistemas expuesto líneas arriba, se procede al planteamiento de las relaciones causales que permitirán enlazar las variables escogidas de la propuesta de imagen, así como las variables asociadas a los escenarios contextuales. La determinación de las influencias de primer, segundo y tercer orden ha sido formalizada, mediante la revisión bibliográfica de las variables y sus relaciones causales. Los diagramas de relaciones causales de los tres subsistemas propuestos se pueden visualizar en las figuras 3-5. Para ello, se han considerado las siguientes relaciones causales de interés: Relación del sistema económico y la pobreza La expansión económica permite aumentar las capacidades productivas, aumentando el capital y generando mayores plazas de empleo formal con mayores niveles de productividad. Por consiguiente, la población desempleada y/o subempleada puede ser progresivamente integrada a la economía, lo cual les permite incrementar sus salarios o migrar hacia ocupaciones que demanden más habilidades. Con un mayor ingreso, los trabajadores tendrán la posibilidad de invertir en la formación de sus hijos, incrementando la capacidad productiva del futuro y así cerrando el círculo virtuoso entre el crecimiento económico y la reducción de la pobreza (Islam, 2004). Relación de la pobreza y los servicios básicos Uno de los motivos de que la población pobre no pueda acceder a los servicios básicos es el costo de la infraestructura. En particular, los servicios pueden estar disponibles, pero si su uso implica un alto costo, la población pobre no podrá disfrutar de sus beneficios debido a sus bajos ingresos. De igual manera, otro factor que incide en la exclusión del acceso a los servicios básicos es la falta de infraestructura en zonas remotas, donde viven muchas personas pobres (World Bank, 2000). Lo mismo se puede decir respecto al acceso a las tecnologías de la información, como el Internet, las cuales no son accesibles a la población pobre debido a sus menores capacidades de gasto (Kenny, 2002). Relación del desarrollo y los servicios básicos El desarrollo de un país se asocia al acceso de servicios básicos ya que ello es una de las prioridades del desarrollo social (Naciones Unidas, 2012). En ese sentido, el PBI per cápita es uno de los indicadores universales del desarrollo de los países (UNDP, 2018), por lo que tiene una estrecha relación con el acceso a servicios. De hecho, el PBI per cápita es utilizado para proyectar diversas variables sociales en el Modelo IFs, entre ellas, el acceso a servicios básicos mejorados (Rothman y Irfan, 2013). Relación de la pobreza y desnutrición Las familias pobres no tendrían los recursos suficientes para poder brindarles a sus hijos una alimentación balanceada o una atención sanitaria adecuada (Wisbaum, 2011). De hecho, la falta de acceso a agua potable y a un sistema mejorado de saneamiento puede causar enfermedades infecciosas que podría causar pérdida de peso (Jiménez-Benítez, Rodríguez-Martín, y JiménezRodríguez, 2010). Además, no tendrían los suficientes recursos para obtener alimentos ricos en hierro (como carne, pescado o pollo), aumentado las probabilidades de padecer de anemia (Semba, 2003).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Relación del crecimiento económico y las emisiones de GEI Un mayor crecimiento económico implica la expansión de diversas actividades económicas como el sector de transporte, almacenamiento, correo y mensajería, que ha mantenido una participación casi constante en la estructura del PBI nacional (5,5% al año 2016) (INEI, 2017a). Considerando que este sector es el responsable de más de la mitad del consumo de combustibles tradicionales (INEI, 2017b), una expansión de su actividad se traduce en un aumento de las emisiones de GEI.

EC 2: Aumento de la tecnología y mecanización +

Nivel educativo

+ <Remuneraciones>

<PBI>

Población ocupada

+ -

Anemia

PBI per cápita -

Pobreza +

Vivienda inadecuada

Población

+ Acceso a Internet en el hogar

Acceso a energía eléctrica por red pública

ED: Ocurrencia de un desastre mayor

Acceso a agua por red pública +

Acceso a alcantarillado por red pública -

+ <PBI per cápita> -

Desnutrición crónica infantil

Figura 3. Diagrama de relaciones causales del subsistema social. Nota. Las variables subrayadas corresponden a las variables estratégicas, mientras que las variables escritas de color rojo corresponden a las variables exógenas del modelo, asociadas a los escenarios contextuales. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Remuneraciones <Nivel educativo>

Clase Media y Alta

Consumo privado

<ED: Ocurrencia de un desastre mayor>

Stock de capital

PBI Productividad

Inversión pública

+ +

Consumo público

<ED: Ocurrencia de un desastre mayor>

Inversión extranjera directa + Ingresos tributarios

+ +

Déficit fiscal

Importaciones

Gasto en I+D

Tipo de cambio

+ -

Exportaciones

+ +

<ED: Ocurrencia de un desastre mayor>

Apertura comercial

Regla fiscal

EC 1: Superciclo de materias primas

PBI China +

<PBI>

+ +

EC 3: Crecientes expectativas de la clase media

+ +

Inversión total +

Excedente de Explotación +

<Población ocupada>

Precios de los commodities

Figura 4. Diagrama de relaciones causales del subsistema económico. Nota. Las variables subrayadas corresponden a las variables estratégicas, mientras que las variables escritas de color rojo corresponden a las variables exógenas del modelo, asociadas a los escenarios contextuales. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

+ <PBI>

Sector transporte

Consumo de combustibles tradicionales

+ <Población>

Emisiones GEI

Pérdida de bosques

Figura 5. Diagrama de relaciones causales del subsistema ambiental. Nota. Las variables subrayadas corresponden a las variables estratégicas, mientras que las variables escritas de color rojo corresponden a las variables exógenas del modelo, asociadas a los escenarios contextuales. Elaboración CEPLAN.

Por otro lado, nótese que debido al objetivo del modelo, se ha hecho el esfuerzo de vincular las variables estratégicas de la propuesta de imagen de futuro con el problema principal, asociado a las hipótesis dinámicas antes mencionadas, independientemente de su orden de influencia. Asimismo, se han incluido otras variables adicionales como la población, el consumo de combustibles tradicionales, los salarios, entre otras; que estarían asociadas a las variables estratégicas. De igual manera, la necesidad de evaluar los impactos de los escenarios contextuales demanda incluir en el modelo sistémico a variables como el stock de capital y el gasto en investigación y desarrollo, que servirán como vínculo entre las influencias del problema principal y los escenarios. Por otro lado, el Diagrama de Bucles Causales permite visualizar las variables que serán afectadas en mayor medida por los escenarios contextuales, y cómo ese impacto se esparcirá a través del sistema.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

6. Análisis de resultados del escenario base Ilustración: Freepik Company, S.L.

Luego de culminar la conceptualización del modelo sistémico y la determinación de las hipótesis dinámicas, se procede a la elaboración del modelo matemático que permita construir el diagrama de flujos correspondiente para estimar el comportamiento futuro tendencial de las variables estratégicas (escenario base). Las ecuaciones de las relaciones causales denotadas en las figuras 3-5, se han obtenido mediante un análisis estadístico, las cuales se pueden consultar en el anexo 3. Específicamente, se ha recurrido al uso de series de tiempo, desde el año 1995 hasta el 2017 (en algunos casos se contaron con menos datos), con las cuales se realizan diversas regresiones7 lineales y no lineales con el propósito de estimar los parámetros para proyectar el comportamiento de las variables al año 2030. En particular, para cada variable se ha elegido la ecuación con mayor ajuste a los datos históricos y en donde todos los coeficientes correspondientes hayan sido estadísticamente significativos al menos a un 10% de confianza8. De igual manera, la ecuación debe asegurar que la proyección correspondiente se comporte de manera similar a la tendencia histórica. Asimismo, se ha utilizado el programa Ithink, cuya interface facilita la construcción del diagrama de flujos del modelo, así como la simulación de los resultados y el análisis de la consistencia del mismo. Dado que el escenario base debe reflejar el comportamiento tendencial de las variables estratégicas, sin considerar los sucesos que caracterizan los escenarios contextuales del CEPLAN (2016), se han tomado algunos supuestos. En primer lugar, se asume que el precio de las materias primas (5750 US$ por tonelada métrica) y el tipo de cambio (3,26) promedio del año 2017, se mantendrán constantes hasta el año 2030. En segundo lugar, se considera que los gastos privados y públicos anuales destinados a la investigación y el desarrollo se mantienen constantes (600 mil millones de soles reales, es decir 0,12% del PBI del año 2017) hasta el año 2030. Finalmente, se asume una convergencia del resultado económico a -1% del PBI para el año 2021 de acuerdo a las últimas proyecciones del Ministerio de Economía y Finanzas (MEF, 2018b). A continuación se denotan los resultados principales de las estimaciones del escenario base. De igual manera, se muestra el ajuste de las ecuaciones utilizadas mediante la comparación de los datos históricos con la proyección “hacia atrás” de las variables estratégicas. 7 8

Se entiende una regresión como la expresión de una variable dependientes como una función matemática lineal o no lineal de otras variables independientes, cada una asociada a un coeficiente que denota el efecto cuantitativo de la variable independiente sobre la dependiente. Se escogió trabajar con una significancia de 10% debido a que la poca cantidad de datos históricos de las variables sociales aumenta la varianza de los coeficientes.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

900000

12 10

700000

600000 500000

400000

M illone s de S/ . de l 20 07

800000

300000

200000

100000 0

PBI

2029

2025

2023

2021

2019

2017

2015

2013

2011

2009

2007

2005

2003

2001

1999

1997

1995

-2

Tasa de crecimiento económico

Figura 6. Proyección base del PBI (eje izquierdo) y la tasa de crecimiento económico (eje derecho). Nota. Resultados del modelo de dinámica de sistemas, software Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. Elaboración CEPLAN a partir de los datos del Banco Central de Reserva del Perú (2018).

En primer lugar, el comportamiento de la tendencia del PBI y su tasa de crecimiento económico, son consistentes con las últimas estimaciones del Ministerio de Economía y Finanzas. De acuerdo al Marco Macroeconómico Multianual (MMM) 2019-2022, se espera que la tasa de crecimiento económico del año 2018 sea de 4% y que converja a 5% al año 2022. En este sentido, las proyecciones del modelo sistémico reflejarían una situación más conservadora, ya que se estima una tendencia de 4% al año 2030. Asimismo, la proyección base respeta la tendencia histórica del PBI en niveles.

20000

19000

17000

16000

15000

Miles personas

18000

14000

13000

12000

11000

48 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

10000

Población ocupada

% Población total

Figura 7. Proyección base de la población ocupada (eje izquierdo) y su porcentaje respecto a la población total estimada (eje derecho). Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. El ajuste de la proyección hacia atrás respecto a los datos históricos connota la validez de los parámetros utilizados para la estimación. Elaboración CEPLAN a partir de los datos del INEI (2018).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

La proyección del nivel de personas ocupadas se ilustra en la figura 7. De acuerdo a los datos, bajo los supuestos del escenario base al año 2030 habrán casi 19,4 millones de personas empleadas, los cuales representarán el 54% de la población proyectada por el INEI (hoy 52%). Además, como lo muestra la figura, el comportamiento de la estimación es similar al de la tendencia histórica, lo cual connota el buen ajuste de la ecuación utilizada. 18000

16000

70 60

12000 10000

8000

6000

Miles personas

14000

4000

2000 0 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

Población pobre

Incidencia de la pobreza monetaria

Figura 8. Proyección base de la población pobre (eje izquierdo) y su porcentaje respecto a la población total estimada (eje derecho). Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. El ajuste de la proyección hacia atrás respecto a los datos históricos connota la validez de los parámetros utilizados para la estimación. Elaboración CEPLAN a partir de los datos del INEI (2018).

Por otro lado, la estimación de la cantidad de personas en situación de pobreza monetaria al año 2030, se presenta en la figura 8. Bajo los supuestos del escenario base, que supone una tasa de crecimiento económico de casi 4% en el largo plazo, la incidencia de la pobreza monetaria se reduciría hasta 10,5%. Esto significa que al año 2030 solo 3,8 millones de personas vivirán con un gasto per cápita mensual menor a una canasta de alimentos, bienes y servicios que requiere una persona para satisfacer sus demandas básicas (S/. 338 soles per cápita en el año 2017) (INEI, 2018). La Figura 9 revela que la proyección respeta la tendencia de tanto el nivel como la incidencia de la pobreza, más no los valores históricos puntuales, debido al quiebre de la tendencia de la serie histórica en el año 2017. Asimismo, la figura 9 muestra las proyecciones de los porcentajes de la población total con acceso a agua y saneamiento por red pública. En particular, los cálculos revelan que bajo el escenario base, casi el 92,7% de la población se abastecerá de agua por red pública en el año 2030. Por el lado del saneamiento, las proyecciones revelan que casi 79,3% de la población peruana tendrá acceso a este servicio básico por red pública al finalizar el año 2030. Respecto al porcentaje de la población con acceso a Internet dentro del hogar, la figura 10 ilustra que al año 2030, casi 5 de cada 10 peruanos tendrán la posibilidad de conectarse a una red de Internet dentro de sus hogares. Ello implica un aumento de casi 10 millones de peruanos, respecto al valor del año 2017. Las proyecciones de las figuras 9 y 10 no solo revelan un buen ajuste a la tendencia histórica de las series de tiempo, sino que aseguran una convergencia al acceso universal de los servicios. Esto significa que mientras más se acerque la estimación al 100%, más difícil será alcanzar el acceso universal al servicio. Ello se debe a que las implementaciones tradicionales suelen ser no rentables en zonas rurales escasamente pobladas y los servicios de mantenimiento son complicados de proveer en zonas de difícil acceso (BID, 2015).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

100 95 90 85

80 75 70 65 60 55

Acceso a agua

2029

2030

2028

2027

2026

2025

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

Acceso a saneamiento

Figura 9. Proyección base del acceso a agua y saneamiento por red pública (% de la población). Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. El ajuste de la proyección hacia atrás respecto a los datos históricos connota la validez de los parámetros utilizados para la estimación. Elaboración CEPLAN a partir de los datos del INEI (2018).

60 50

40 30 20 10

2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

Acceso a Internet

Figura 10. Proyección base del acceso a Internet dentro del hogar (% de la población). Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. El ajuste de la proyección hacia atrás respecto a los datos históricos connota la validez de los parámetros utilizados para la estimación. Elaboración CEPLAN a partir de los datos del INEI (2018).

Los resultados de la proyección base de la desnutrición crónica infantil se ilustra en la figura 11, donde se denota que bajo los supuestos del escenario base, al año 2030 la incidencia de la desnutrición crónica infantil será de 7,4%. En otras palabras, al finalizar el año 2030, solo 7 de 100 niños menores a cinco años tendrán una talla diferente a la esperada de acuerdo a su edad y sexo, lo cual indica una inadecuada alimentación y episodios repetitivos de enfermedades como la diarrea e infecciones respiratorias (INEI, 2016).

900

800

700

600 500

400

300

200

100

Niños desnutridos

2030

2028 2029

2027

2026

2024 2025

2023

2021 2022

2020

2018 2019

2017

2016

2014 2015

2013

2011 2012

2010

5 2008 2009

% de niños menores a 5 años

Miles de niños menores a 5 años

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Incidencia desnutrición crónica

Figura 11. Proyección base de niños con desnutrición crónica (eje izquierdo) y su porcentaje respecto a la población menor a cinco años (eje derecho). Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. El ajuste de la proyección hacia atrás respecto a los datos históricos connota la validez de los parámetros utilizados para la estimación. Elaboración CEPLAN a partir de los datos del INEI (2018).

Finalmente, respecto a los resultados ambientales, bajo los supuestos del escenario base en el año 2030 se emitirán casi 292 millones de toneladas de CO2 equivalente de gases de efecto invernadero a la atmósfera. Ello implica que en el año 2030, se emitirán menos GEI que lo que España, por ejemplo, emitió el año 2016, equivalente a 324 millones de toneladas (OECD, 2018). La trayectoria de esta variable se ilustra en la figura 12. Estos resultados iniciales servirán como punto de comparación para evaluar el impacto de los escenarios contextuales sobre estas variables estratégicas.

Millones de toneladas de CO2 equivalente

350 300 250 200 150 100 50

2030

2029

2028

2027

2026

2025

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

Figura 12. Proyección base de las emisiones de gases de efecto invernadero (GEI). Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. La línea puntuada corresponde a los datos proyectados, tanto hacia atrás y hacia delante del año 2017. El ajuste de la proyección hacia atrás respecto a los datos históricos connota la validez de los parámetros utilizados para la estimación. Elaboración CEPLAN a partir de los datos del MINAM (2018).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

7. Análisis de escenarios contextuales Foto: Agencia Peruana de Noticias Andina

Luego de asegurar la consistencia de los resultados del escenario base del modelo sistémico, se procede al análisis de intervenciones y políticas, que en el caso del presente estudio equivaldrían a la ocurrencia de los escenarios contextuales propuestos por CEPLAN (2016). Para ello, se presentarán en las siguientes secciones los supuestos que se han utilizado para evaluar los impactos de cada escenario contextual sobre las variables estratégicas. Ello permitirá comprender los efectos de los posibles futuros sobre el bienestar de las personas y el desarrollo del país en el largo plazo. De igual manera, con el propósito de comprender el comportamiento de los impactos sobre la población, se han realizado dos simulaciones por escenario correspondientes a distintos supuestos de una variable en particular.

7.1 Escenario contextual 1: Crecientes expectativas de la clase media La simulación del primer escenario contextual se realiza a través del aumento de la población perteneciente a la clase media. De acuerdo a CEPLAN (2016), el incremento de la clase media implica el aumento de la población con ingresos dignos de tal manera que aumente el consumo de la economía y finalmente la producción nacional. No obstante, como se ha mencionado anteriormente, la modelización de este escenario es limitada ya que no considera los efectos de los movimientos sociales que demandan una mejor oferta de servicios públicos e infraestructura (CEPLAN, 2016). Tomando ello en consideración, para la simulación de este escenario se ha tomado como principal supuesto el aumento progresivo de la población con un ingreso per cápita mayor a US$ 13 por día, de tal manera que al año 2030, represente el 65% de la población total9. Ello implicaría un aumento de la clase media mayor al del escenario base, en donde se expande hasta solo 58%. Alternativamente, se ha realizado un segundo ejercicio para evaluar los impactos de una mayor expansión de la clase media, de tal manera que al año 2030 represente a 70% de la población del Perú. Los resultados de esta simulación se presentan a continuación.

En el año 2016, el 36% de la población de Perú tenía un ingreso mayor a US$ 13 por día (World Bank, 2018).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Población ocupada

Tasa de crecimiento económico 5,0

21 000 4,5

4,5

Miles de personas

4,2 3,8

3,5 3,0 2,5

Escenario Base EC 1 (65%) EC 1 (70%)

19 000

17 000

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

15 000

Incidencia de la pobreza total

Incidencia de la desnutrición crónica infantil % de niños menores a 5 años

Escenario Base EC 1 (65%) EC 1 (70%)

17,0 15,0

11,0

10,5

9,0

9,2

% de la población total

92,7

91,0 89,0

85,0 83,0

Escenario Base EC 1 (65%) EC 1 (70%)

Millones de toneladas de CO2 equivalente

Acceso a Internet en el hogar % de la población total

70,0 65,0 60,0

56,9

55,0 52,7

50,0 45,0 40,0 35,0 30,0

81,5 79,3

Escenario Base EC 1 (65%) EC 1 (70%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

87,0

6,4

85,0 83,0 81,0 79,0 77,0 75,0 73,0 71,0 69,0 67,0 65,0

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

% de la población total

94,3

93,0

7,4

Acceso a alcantarillado por red pública

Acceso a agua por red pública 95,0

Escenario Base EC 1 (65%) EC 1 (70%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

13,0

15,0 14,0 13,0 12,0 11,0 10,0 9,0 8,0 7,0 6,0 5,0

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

% de la población total

19,0

Escenario Base EC 1 (65%) EC 1 (70%)

16 000

2,0

21,0

19 398

18 000

Escenario Base EC 1 (65%) EC 1 (70%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

25,0

Emisiones GEI 330

312

310 290

292

270 250 230 210 190 170

Escenario Base EC 1 (65%) EC 1 (70%)

150 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

4,0

19 960

20 000

Figura 13. Simulación de los impactos del Escenario Contextual 1 sobre las variables estratégicas, según ejercicio propuesto. Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Las ilustraciones indican que la participación de la población con mayores ingresos en la economía, juega un rol relevante en el sistema del bienestar de las personas. Así, el incremento de la clase media permite un aumento del consumo privado que se traduce en un crecimiento económico de largo plazo de hasta 4,5%. Esta expansión económica permitirá la creación de hasta 562 mil puestos de trabajo adicionales, respecto a la cifra de la proyección base. La expansión de la población ocupada tendrá un impacto directo en la reducción de la incidencia de la pobreza monetaria, la cual se podría reducir hasta 9,2% al año 2030. Ello se traduce en casi 470 mil personas adicionales que podrían salir de la pobreza, respecto a los datos del escenario base. Por el lado de la desnutrición crónica infantil, su incidencia en la población más joven se reduciría como máximo a 6,4% al igual que bajo el escenario contextual de nuevo superciclo de materias primas. De igual manera, el mayor crecimiento económico permitirá alcanzar un mayor nivel de ingresos per cápita, lo cual junto con los menores niveles de pobreza se traducen en un mayor acceso a servicios básicos. En ese sentido, el acceso a agua potable por red pública alcanzará como máximo al 94,3% de la población, mientras que la cobertura del alcantarillado por red pública subirá a casi 81,5% de la población. Los mayores niveles de ingreso per cápita, permitirían incrementar la cantidad de personas con acceso a Internet en su hogar, la cual podría representar el 56,9% de la población al año 2030, bajo los supuestos de este escenario. Por otro lado, la mayor expansión de la clase media implicaría una mayor emisión de GEI al año 2030 (312 millones de toneladas de CO2 equivalente), debido a la expansión económica que requerirá un mayor consumo de energía. En ese sentido, se espera que los niveles de emisión del año 2030 de este escenario sea mayor al de la proyección base en poco más de 6%.

Foto: Agencia Peruana de Noticias Andina

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

7.2 Escenario contextual 2: Aumento de la tecnología y la mecanización Para la modelización de este escenario contextual se han considerado tres aspectos. En primer lugar, se asume que el aumento de la tecnología y la mecanización implicarán un aumento del gasto público y privado en la innovación e investigación. Por consiguiente, esto impactará en la productividad de la economía y la población ocupada ya que de acuerdo a Guellec y van Pottelsberghe (2001), aumentar en un punto porcentual el gasto público y privado en investigación y desarrollo, permite incrementar la Productividad Total de Factores (PTF) en casi 0,15 puntos porcentuales, en promedio en el largo plazo. El aumento de la PTF implica una mayor producción nacional, generando así más trabajo y una reducción de la pobreza y la desnutrición infantil. No obstante, también se asume que el aumento de la mecanización tendrá eventualmente un efecto negativo sobre la población ocupada ya que el incremento de la participación de la tecnología en las fábricas permitirá sustituir a los trabajadores empleados en tareas repetitivas (WEF, 2017). Finalmente, el impacto del aumento de la tecnología y mecanización también se reflejará en la esfera ambiental, ya que permitirá reducir el consumo de energía reduciendo así el uso de combustibles tradicionales y finalmente las emisiones de GEI (WEF, 2017). Tomando estos aspectos en consideración, para la simulación de este escenario se han hecho los siguientes supuestos. Respecto al aumento del gasto público y privado en investigación y desarrollo, se ha asumido que este aumentará progresivamente hasta el año 2030, en donde representará 0,24% del PBI (0,12% al año 2015). En ese sentido, el supuesto es más conservador que la meta que CONCYTEC (2006) estableció para el año 2021, la cual asciende a 0,7% del PBI. Asimismo, se asume que los efectos del aumento del gasto en investigación y desarrollo tomarán cinco años en manifestarse, de acuerdo al trabajo de Apokin y Ipatova (2016). Para evaluar el efecto de la sustitución de la población ocupada se han realizado dos ejercicios. Uno en donde la cantidad de personas desplazadas por la tecnología al año 2030 equivale a 0,5% de la población ocupada del año base y otro en donde el porcentaje equivale a 5%. Finalmente, respecto a la reducción del consumo de energía, se asume que este será de 20% (respecto al valor del escenario base), de acuerdo a WEF (2017). Los resultados de estas simulaciones se presentan a continuación.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Población ocupada

Tasa de crecimiento económico 6,0

21 000

5,7

5,0

4,0 3,8

3,5

Escenario Base EC 2 (0,5%) EC 2 (5%)

3,0 2,5

19 000 18 867

18 000 17 000

15 000 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 Incidencia de la pobreza total

% de la población total

20,0 18,0 16,0 14,0 Escenario Base EC 2 (0,5%) EC 2 (5%)

11,1

% de niños menores a 5 años

Incidencia de la desnutrición crónica infantil

22,0

10,0

9,4

89,0

83,0

Escenario Base EC 2 (0,5%) EC 2 (5%)

Acceso a Internet en el hogar 65,0 % de la población total

60,0

56,9

55,0 52,7

50,0 45,0 40,0 35,0 30,0

Escenario Base EC 2 (0,5%) EC 2 (5%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

25,0

Millones de toneladas de CO2 equivalente

85,0

81,7

79,3

Escenario Base EC 2 (0,5%) EC 2 (5%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

91,0

% de la población total

92,7

85,0 83,0 81,0 79,0 77,0 75,0 73,0 71,0 69,0 67,0 65,0

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

% de la población total

94,4

93,0

6,5

Acceso a alcantarillado por red pública

Acceso a agua por red pública 95,0

7,4

Escenario Base EC 2 (0,5%) EC 2 (5%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

15,0 14,0 13,0 12,0 11,0 10,0 9,0 8,0 7,0 6,0 5,0

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

8,0

87,0

Escenario Base EC 2 (0,5%) EC 2 (5%)

16 000

2,0

12,0

19 935

20 000

Emisiones GEI 310

292

290 270 250

248

230 210 190 170 150

Escenario Base EC 2 (0,5%) EC 2 (5%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

4,5

Miles de personas

5,5

Figura 14. Simulación de los impactos del Escenario Contextual 2 sobre las variables estratégicas, según ejercicio propuesto. Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Los resultados del análisis sistémico indican que el impacto de este escenario al año 2030 dependerá de la magnitud de la sustitución de la población ocupada. En el caso que el grado de sustitución sea muy bajo, se prevén niveles más favorables de las variables estratégicas respecto a su trayectoria base. Por ejemplo, se generarían más empleos de los que se perderían, lo cual se traduciría en un menor nivel de pobreza monetaria (9,4%) y desnutrición crónica infantil (6,3%). Los mayores ingresos de las familias también se traducirían en una mayor cobertura de suministros de agua (94,4%) y alcantarillado (81,7%) por red pública, así como en un mayor acceso al servicio de Internet en el hogar (56,9%). Sin embargo, la situación se revierte si el efecto de la sustitución del empleo es mayor, de tal manera que se desplacen más trabajos de los que se generan. A una tasa de sustitución de 5% al año 2030, se tendrán casi 500 mil menos empleos que en el escenario base, lo cual se traduce en una mayor incidencia de la pobreza monetaria (11,1%). Respecto al resto de indicadores sociales, sus trayectorias de crecimiento se revierten de tal manera que sus valores al 2030 son similares a los del escenario base. El impacto del aumento de la tecnología y mecanización sobre la esfera ambiental se evidencia en una clara reducción de las emisiones de GEI al año 2030. Específicamente, bajo los supuestos de este escenario contextual, las emisiones de GEI se reducen en 15%, respecto a la proyección base del mismo año. Ello se traduce en una emisión de 250 millones de toneladas de CO2 equivalente, independientemente del grado de sustitución de la fuerza laboral.

7.3 Escenario contextual 3: Nuevo superciclo de materias primas La característica principal de este escenario es un incremento de los precios de las materias primas de tal manera que simule una situación similar al anterior ciclo observado entre el inicio del siglo XXI y antes de la crisis financiera internacional. Para ello, se ha escogido el precio del cobre como indicador principal del superciclo, considerando su importancia en las exportaciones tradicionales nacionales (37% en el 2017 según los datos de la SUNAT) y las tendencias globales que predicen un aumento en la demanda de este mineral por los avances tecnológicos (McKinsey Global Institute, 2017). Para la simulación del superciclo, se ha asumido que el precio del cobre aumentará a una tasa anual constante de 10% desde el año 2023 hasta el 2030. Se ha considerado este año ya que se espera que en el corto plazo la creciente tensión entre China y los Estados Unidos afecte negativamente el panorama económico internacional (MEF, 2018b). Ello implica un crecimiento más conservador al observado entre los años 2000 y 2008 (22%), periodo de mayor crecimiento del precio de las materias primas del anterior superciclo (CaixaBank Research, 2015). No obstante, con el propósito de estudiar el efecto de este escenario futuro, se plantea un ejercicio adicional en donde se simulan los impactos de un crecimiento anual del precio del cobre de 20%. De esta manera, los resultados de este escenario alternativo se pueden entender como una cota superior de los efectos del superciclo de las materias primas. De acuerdo a las relaciones causales ilustradas en las figuras 4-6, se espera que un incremento del precio de las materias primas impacte positivamente al PBI, a través del aumento de los términos de intercambio y las exportaciones (Rabanal, 2009). Ello resulta en una mayor generación de empleos y salarios, lo cual se traduce en la reducción de la pobreza monetaria (Islam, 2004), mayor acceso a servicios básicos (World Bank, 2000), menor incidencia de la desnutrición crónica

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

(Jiménez-Benítez et al., 2010) y mayores emisiones de GEI por la expansión del sector de transporte (INEI, 2017b). Los impactos cuantitativos de las simulaciones del comportamiento del escenario contextual 1, se presentan a continuación.

Población ocupada

Tasa de crecimiento económico 7,0

21 000 5,7

5,0

4,4

4,0 %

3,8

3,0

Escenario Base EC 3 (10%) EC 3 (20%)

2,0 1 ,0

19 000

17 000

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 % de niños menores a 5 años

19,0 17,0 15,0 13,0 11,0

10,5

2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

2017 2018 2019

Acceso a agua por red pública 95,0

91,0 89,0 Escenario Base EC 3 (10%) EC 3 (20%)

85,0

% de la población total

92,7

87,0

56,2 52,7

45,0 40,0

Escenario Base EC 3 (10%) EC 3 (20%)

35,0 30,0

2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

2017 2018 2019

25,0

Millones de toneladas de CO2 equivalente

65,0

50,0

81,4 79,3

Escenario Base EC 3 (10%) EC 3 (20%)

Emisiones GEI

Acceso a Internet en el hogar 70,0

55,0

6,4

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

85,0 83,0 81,0 79,0 77,0 75,0 73,0 71,0 69,0 67,0 65,0

2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

2017 2018 2019

83,0

60,0

7,4

Acceso a alcantarillado por red pública 94,2

93,0

Escenario Base EC 3 (10%) EC 3 (20%)

2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

9,6

9,0

15,0 14,0 13,0 12,0 11,0 10,0 9,0 8,0 7,0 6,0 5,0

330

312

310 290

292

270 250 230 210 190 170

Escenario Base EC 3 (10%) EC 3 (20%)

150 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

2017 2018 2019

2029 2030

Incidencia de la desnutrición crónica infantil

Escenario Base EC 3 (10%) EC 3 (20%)

21,0 % de la población total

Escenario Base EC 3 (10%) EC 3 (20%)

15 000

Incidencia de la pobreza total

% de la población total

19,398

18 000

16 000

0,0

% de la población total

19,952

20 000 Miles de personas

6,0

Figura 15. Simulación de los impactos del Escenario Contextual 3 sobre las variables estratégicas, según ejercicio propuesto. Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

De acuerdo a las ilustraciones de la Figura 13, si el precio del cobre se empieza a expandir a una tasa de hasta 20% anual desde el año 2023 hasta el 2030, la tasa de crecimiento económico se puede expandir hasta 5,7% al final del periodo analizado. Ello tiene como consecuencia la generación de hasta casi 500 mil empleos adicionales para el año 2030, respecto a la proyección base. Ello permitirá reducir la incidencia de la pobreza monetaria hasta 9,6% de la población total, lo cual se traduce en más 300 mil personas adicionales que podrían dejar de ser pobres al 2030, en caso se materialice este escenario. Por el lado de la incidencia de la desnutrición crónica infantil, esta se reducirá hasta 6,4%, casi un punto porcentual menos que la proyección base. En otras palabras, el superciclo de las materias primas tiene la posibilidad de generar los recursos requeridos para más de 22 mil niños menores de 5 años dejen de sufrir las consecuencias de la desnutrición crónica. Ello se relaciona con los efectos que el aumento de las materias primas tiene sobre el acceso a agua y alcantarillado por red pública, cuya cobertura podría incrementar hasta casi 94,2% y 81,4% respectivamente. El aumento en el acceso a estos servicios asegurará una menor incidencia de enfermedades infeccionas que resulta en pérdida de peso (Jiménez-Benítez et al., 2010). Como resultado, de la expansión económica, también aumentará el acceso al servicio de Internet en el hogar hasta en casi cuatro puntos porcentuales respecto al escenario base. Ello se traduce en más de 1,2 millones de personas que gracias al superciclo, podrán tener acceso a esta tecnología de la información lo cual permitirá aumentar la productividad de los negocios y el manejo de la información (Grace, Kenny, y Zhen-Wei Qiang, 2004). Finalmente, el impacto ambiental del superciclo de las materias primas se evidencia en el aumento de la trayectoria de las emisiones de GEI, de tal manera que bajo los supuestos de este escenario contextual, las emisiones de estos gases podrían alcanzar el valor de 312 millones de toneladas de CO2 equivalente en el año 2030. Por lo tanto, bajo un escenario de crecimiento económico de 5,7%, las emisiones de GEI al año 2030 serán mayores en casi 7% al valor de la proyección base.

7.4 Escenario disruptivo: Ocurrencia de un desastre mayor Para la simulación de la ocurrencia de un terremoto de grado 8,8 Mw se realizaron diversos supuestos. En primer lugar, se ha asumido que el desastre sucederá el año 2019, ocasionando la muerte de 110 000 personas (INDECI, 2017), una pérdida monetaria del capital de 17,7 mil millones de dólares (Andina, 2017) y el colapso del 26% de las redes de agua de la ciudad (Correo, 2014). Adicionalmente, se asume una caída de las exportaciones en 2,2% y un aumento de las importaciones de 11,9% (The Guardian, 2011); así como una caída en la productividad total de factores ya que la destrucción de la infraestructura pública tendría un efecto negativo sobre la productividad de la economía (Loayza y otros, 2009). Respecto al último supuesto, se han realizado dos simulaciones. Primero, asumiendo una caída de la productividad total de factores de 4% y luego de 10% para el año de la ocurrencia del desastre mayor. Estos impactos generan dos impactos negativos en el bienestar de la población. En el corto plazo, el terremoto impacta directamente la infraestructura reduciendo, por un lado, el capital y la productividad de la economía, y por otro lado, el acceso a servicios de la población. En el mediano plazo, se estima un segundo efecto negativo generado por el pago de la deuda por la reparación de los daños causados. Los resultados de esta simulación se presentan en las ilustraciones a continuación.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Población ocupada

Tasa de crecimiento económico

2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

Acceso a alcantarillado por red pública

Acceso a agua por red pública Escenario Base ED (4%) ED (10%)

93,0

83,0 92,7

91,0 89,5

89,0 87,0 85,0

79,0

75,3

75,0 73,0 71,0 69,0

2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

2017 2018 2019

25,0

2029 2030

2027 2028

230 210 Escenario Base ED (4%) ED (10%)

190 170 150

2029 2030

30,0

260

250

2027 2028

Escenario Base ED (4%) ED (10%)

35,0

270

2026

40,0

292

290

2023 2024 2025

46,1

45,0

310

2017 2018 2019

52,7

Millones de toneladas de CO2 equivalente

60,0 50,0

2026

Emisiones GEI

Acceso a Internet en el hogar

55,0

2023 2024 2025

2017 2018 2019

2029 2030

2027 2028

2026

2023 2024 2025

2020 2021 2022

65,0

% de la población total

79,3

77,0

67,0 2017 2018 2019

83,0

Escenario Base ED (4%) ED (10%)

81,0 % de la población total

% de la población total

95,0

7,4

2020 2021 2022

9,0

2017 2018 2019

10,5

2029 2030

11,0

9,5

2027 2028

12,5

2026

13,0

2023 2024 2025

15,0

2020 2021 2022

% de la población total

17,0

Escenario Base ED (4%) ED (10%)

2020 2021 2022

Escenario Base ED (4%) ED (10%)

19,0

2029 2030

Incidencia de la desnutrición crónica infantil

Incidencia de la pobreza total 21,0

2027 2028

-4,0

Escenario Base ED (4%) ED (10%)

2026

2029 2030

2027 2028

15,0 14,0 13,0 12,0 11,0 10,0 9,0 8,0 7,0 6,0 5,0

Escenario Base ED (4%) ED (10%)

-3,0

18 327

2017 2018 2019

-2,0

2026

2023 2024 2025

2020 2021 2022

0,0 -1,0

2017 2018 2019

1,0

2023 2024 2025

3,5

2,0

2020 2021 2022

3,0

19 398

2017 2018 2019

3,8 Miles de personas

4,0

20 000 19 500 19 000 18 500 18 000 17 500 17 000 16 500 16 000 15 500 15 000

% de niños menores a 5 años

5,0

Figura 16. Simulación de los impactos del Escenario Disruptivo sobre las variables estratégicas, según ejercicio propuesto. Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. Elaboración CEPLAN.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Respecto al impacto económico, el terremoto podría generar una caída del PBI de hasta -3% en el año 2019, debido principalmente a la pérdida del capital y productividad. Luego se estima una recuperación económica momentánea por la reconstrucción de los daños, de tal forma que se alcanzan tasas de crecimiento de hasta 4,3% en los siguientes años. No obstante, el segundo efecto vuelve a generar una desaceleración económica de hasta casi 1%, generado por la contracción del déficit fiscal. Estos efectos se traducen directamente al comportamiento de la población ocupada. De acuerdo a los resultados, para el año 2030 se tendrán como mínimo 18,3 millones de personas empleadas en la economía, lo cual implica una reducción de casi 1 millón de empleos, respecto a la proyección base. Por consiguiente, las consecuencias sobre la pobreza son graves. La ocurrencia del terremoto podría incrementar la incidencia de la pobreza a 20,7% en el año 2019 lo cual implica un nivel de pobreza mayor a un punto porcentual al escenario base. En términos absolutos, la ocurrencia del terremoto se traduce en el ingreso de casi 114 mil personas a la pobreza monetaria, en el corto plazo. El impacto en el largo plazo es más preocupante, ya que implica una incidencia de la pobreza mayor en dos puntos porcentuales a la de la proyección base (10,5%). Por el lado de la desnutrición crónica infantil, la ocurrencia del terremoto generaría un incremento de su incidencia entre los niños menores a cinco años, de tal manera que en el año 2030 esta sea mayor a 2 puntos porcentuales que la proyección base (7,4%). Esto implica que bajo los supuestos de este escenario habría casi 53 mil niños con desnutrición crónica adicionales que en el escenario base. Ello se debe principalmente a los impactos desfavorables que el terremoto tiene sobre el acceso a servicios básicos. El acceso a agua por red pública solo aumenta al año 2030 hasta 89,5% (92,7% en el escenario base), mientras que el acceso a alcantarillado por red pública crece sólo hasta 75,3% (79,3% en el escenario base). Esto significa que debido al terremoto, al año 2030 casi 1 millón de personas seguirán abasteciéndose de agua por pilones, pozos, ríos, acequias u otros medios no necesariamente sanitarios. Lo mismo se puede decir respecto a las casi 1,4 millones de personas cuyos servicios higiénicos seguirán conectados a pozos ciegos, letrinas, ríos, entre otros, o que continuarán sin tener servicios higiénicos en su hogar. Respecto al Internet en el hogar, se observa una reducción del porcentaje de la población con acceso a este beneficio. En particular, bajo el supuesto de la ocurrencia del terremoto solo el 46,1% de la población tendría Internet en sus hogares al año 2030, lo cual implica una reducción de casi seis puntos porcentuales (o 2,4 millones de personas) respecto al porcentaje de la proyección base (52,7%). Finalmente, el menor crecimiento económico se traduce en menores emisiones de GEI, que alcanzan hasta las 260 millones de toneladas de CO2 equivalente en el último año analizado. Este nivel implica una reducción de casi 11% respecto a la proyección base.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

8. Discusión de resultados Foto: Agencia Peruana de Noticias Andina

A continuación se resumen las principales implicancias de los resultados de las simulaciones sistémicas de los escenarios contextuales respecto al cumplimiento de algunas metas asociadas a las variables estratégicas. Ello permitirá evaluar la validez de las hipótesis dinámicas planteadas anteriormente. De igual manera, se realizarán recomendaciones de acuerdo al análisis de los resultados. Un resumen comparativo de los resultados se presenta en la siguiente tabla.

Tabla 2 Comparación de los resultados de la modelización dinámica con las metas al 2030 Variables

Metas al 2030

Rangos en el 2030 Escenario Base

Escenario contextual 1

Escenario contextual 2

Escenario contextual 3

Escenario disruptivo

Pobreza monetaria (%)

10,9

10,5

9,2-9,7

9,4-11,1

9,6-10,2

11,1-12,5

Desnutrición crónica infantil (%)

0,0

7,4

6,4-6,8

6,3-6,5

6,4-7

8,2-9,5

Acceso a agua por red pública (%)

100,0

92,7

93,7-94,3

94,1-94,4

93,3-94,2

89,5-91,5

Acceso a alcantarillado por red pública (%)

100,0

79,3

80,6-81,5

81,1-81,7

80-81,4

75,3-77,7

Emisiones de GEI (Millones TN de CO2 eq)

205

292

304,3-311,9

247,8-250,5

298,9-311,6

259,9-277,6

Nota. Resultados del modelo de dinámica de sistemas, programa Ithink, algoritmo de simulación método Euler. Elaboración CEPLAN.

En primer lugar, una expansión de la clase media caracterizada por el incremento de la población con un ingreso per cápita mayor a US$ 13 (hasta 70% al 2030), permitiría reducir la pobreza monetaria hasta 9,2% y la desnutrición crónica infantil hasta 6,4%. Así, bajo este escenario se cumple la meta de reducción de la pobreza monetaria, pero no la de 0% en desnutrición crónica infantil. El crecimiento económico generado por la expansión de la clase media, tampoco asegura un acceso universal de los servicios de agua y alcantarillado, los cuales alcanzan como máximo a 94,3% y 81,5% de la población al 2030, respectivamente. De igual manera, la expansión económica demanda un mayor consumo de energía y combustibles tradicionales, resultando en emisiones de GEI superiores a la meta de la Contribución Prevista y Determinada a Nivel Nacional de 30%.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

En segundo lugar, si se considera un escenario de aumento de la tecnología y mecanización, caracterizado por un mayor gasto en investigación y desarrollo (0,24% del PBI al 2030) y una reducción de 20% en el consumo de energía respecto al escenario base, no se puede garantizar el cumplimiento de la meta de reducción de pobreza monetaria. Este dependerá de la magnitud de la sustitución de la población ocupada por la automatización de los procesos productivos, por lo que el efecto de la generación de nuevos empleos por la tecnología, deberá ser mayor que el desplazamiento que esta genera. Asimismo, los avances tecnológicos no asegurarán un acceso universal al agua y alcantarillado por red pública, los cuales alcanzan como máximo a 94,4% y 81,7% de la población respectivamente. De igual manera, los resultados denotan que reducir en 20% el consumo de energía no alcanza para llegar a la meta de 30% al 2030. No obstante, se alcanza una reducción de GEI de hasta casi 15%. En tercer lugar, bajo los supuestos de un nuevo superciclo de las materias primas, caracterizados por un aumento anual de entre 10% a 20% del precio del cobre, la incidencia de la pobreza monetaria total se reduce hasta por lo menos 9,6% de la población, cumpliéndose así la meta de reducción de la pobreza monetaria al año 2030 de 10,9%. No obstante, la expansión de los precios de los metales no permitirá reducir a 0% la incidencia de la desnutrición crónica infantil, la cual solo se reduce hasta un máximo de 6,4%. De igual manera, no se alcanza el acceso universal al agua y alcantarillado por red pública (94,2% y 81,4% respectivamente) ni la meta de reducción de GEI al año 2030. En cuarto lugar, la ocurrencia de un terremoto de grado 8,8 Mw en la ciudad de Lima implica una incidencia de la pobreza monetaria de hasta más de 12% al año 2030, incumpliéndose así la meta de reducción de la pobreza de 10,9%. Los estragos causados por el terremoto también se reflejan en la desnutrición crónica infantil, cuya incidencia puede alcanzar la magnitud de 9,5%; así como en el acceso a servicios de agua (89,5%) y alcantarillado (75,3%) por red pública. Asimismo, si bien las consecuencias económicas del terremoto se reflejan en un menor uso de la energía, las emisiones de GEI resultantes siguen superando la meta de 30% al año 2030. En resumen, los resultados de la simulación dinámica revelan que la simple materialización de los tres primeros escenarios de futuro, no asegura el cumplimiento de las metas de las variables estratégicas, especialmente las relacionadas a la desnutrición crónica infantil, el acceso universal a agua y alcantarillado, y la reducción de emisiones de GEI. Ello se cumple aún bajo los supuestos de los tres escenarios, es decir si los tres primeros escenarios de futuro se materializan al mismo tiempo antes del año 203010. En este caso, la economía podría expandirse hasta 7% anual al 2030, generándose como máximo 700 mil empleos adicionales respecto a la proyección base. No obstante, la incidencia de la desnutrición crónica solo se reduciría hasta 5,5%, mientras que el acceso a agua y saneamiento por red pública beneficiaría a 95,8% y 83,9% de la población respectivamente. Por el lado de las emisiones de GEI, el mayor crecimiento económico por el nuevo superciclo de las materias primas y la expansión de la clase media entraría en conflicto con el ahorro de la energía, por lo que las emisiones de GEI del año 2030 de este escenario alternativo solo son menores en 9% a las de la proyección base. Esto se debe a la dificultad que existe para atender a las últimas personas que requieren de la cobertura de servicios que ofrece el estado. Por ejemplo, de acuerdo al BID (2015) la implementación de una infraestructura de servicios es difícil en las zonas rural escasamente pobladas ya que suelen no ser rentables. De igual manera, debido al difícil acceso de estas zonas, los servicios de mantenimiento no son sencillos de proveer. Por lo tanto, la materialización de los tres primeros escenarios contextuales y los beneficios económicos que puedan ofrecer no serán suficientes para garantizar el “Hambre Cero” o el acceso universal de los servicios básicos. Para ello, se requieren de intervenciones o programas sociales focalizados como el Programa Juntos o Cuna Más. En particular, el primer programa logró reducir la pobreza monetaria extrema en dos puntos 10

Para este ejercicio, se tomaron los supuestos más extremos, es decir los considerados para las segundas simulaciones, en cada uno de los escenarios.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

porcentuales entre los años 2006 y 2007 (Perova y Vakis, 2009). Ello se realiza mediante transferencias monetarias mensuales de S/. 100 a familias que cumplan diversos requisitos, como vivir en distritos con alta incidencia de pobreza y violencia, y que en el hogar residan niños menores a 14 años o alguna mujer embarazada11. Por otro lado, el Programa de Cuna Más permitió incrementar el desarrollo infantil temprano en 0,22 desviaciones estándar a niños y niñas de 6 a 36 meses de edad, entre los años 2015 y 2016, mediante la atención integral en salud, nutrición, protección, afecto, descanso, juego, aprendizaje y desarrollo de habilidades (MIDIS, 2017). De acuerdo a este estudio, si bien el efecto del programa puede considerarse pequeño ya que es menor a 0,50 desviaciones estándar, este sería similar a los impactos estimados de programas similares como los Hogares Comunitarios de Bienestar en Colombia. Lo mismo se puede decir de la meta de reducción de emisiones de GEI, la cual no se materializa ni siquiera bajo los supuestos del escenario contextual de aumento de la tecnología y mecanización. Más bien, la tendencia indica que mayor crecimiento económico requerirá mayores emisiones de GEI, por lo que el cumplimiento de la meta requerirá de fuertes incentivos que asegure un mayor ahorro de energía (economía verde) y una menor pérdida de bosques. De acuerdo a MINAM (2016), el camino hacia el cumplimiento de la meta de reducción de emisiones de GEI aún debe aterrizarse en planes de acción previa al año 2020. No obstante, ya se han recomendado diversos lineamientos como la inclusión del enfoque del cambio climático en las políticas, planes, programas nacionales y regionales de desarrollo, así como el diseño de una estrategia de financiamiento público privado que promueva el desarrollo sostenible del país considerando los impactos del cambio climático y las soluciones a adoptarse. Respecto a los resultados del escenario disruptivo, estos indican que su impacto definitivamente afectará negativamente el cumplimiento de la meta de reducción de pobreza al 2030, al igual que el resto de metas. De igual manera, las simulaciones indican que los impactos negativos dependerán de la magnitud de la pérdida de la productividad de la economía, producto de la destrucción del capital y la infraestructura. A ello, se le suma la relevancia de la pérdida económica la cual podría alcanzar casi 17,7 mil millones de dólares. Por ello, se requieren de intervenciones o políticas de manejo de riesgos que permitan incrementar la resiliencia de la infraestructura de la ciudad de Lima, así como la capacidad del gobierno para reconstruir las zonas dañadas por el terremoto. Para ello se sugiere la correcta implementación del Plan Nacional de Gestión del Riesgo de Desastres (PLANAGERD) 2014-2021, en donde se establecen acciones para desarrollar condiciones de seguridad de los servicios básicos y medios de vida esenciales (Objetivo Estratégico 2.2), así como para capacidades para la gestión de la rehabilitación y reconstrucción (Objetivo Estratégico 4.1). En ese sentido, para el primer objetivo se sugiere la acción 2.2.3 “Gestionar servicios seguros de abastecimiento de agua y saneamiento, energía, transporte, comunicaciones, seguridad ciudadana, bomberos y equipamientos públicos específicos”. Luego, para el segundo objetivo se sugiere la acción 4.1.1 “Desarrollar instrumentos técnicos normativos para la Rehabilitación y Reconstrucción” (SINAGERD, 2014).

Para mayores detalles visitar: http://www.juntos.gob.pe./.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

9. Conclusiones

Foto: Agencia Andina Foto: Agencia Peruana de Noticias Andina

Como conclusión general, la materialización de los tres primeros escenarios futuros sí encaminará el cumplimiento de las metas al año 2030. Se espera alcanzar la meta de reducción de la pobreza monetaria de 10,9% en los escenarios contextuales 1 y 3, y bajo el escenario contextual 2, dependerá del grado de automatización de los procesos. Además, si bien no se contempla cumplir las metas de 0% en desnutrición crónica infantil y acceso universal de agua y saneamiento por red pública, las trayectorias bajo estos escenarios son más favorables que las del escenario base. Lo mismo se puede decir de la meta de reducción de GEI, ya que bajo los supuestos del segundo escenario contextual, se puede alcanzar una disminución de hasta 15%. En contraste, la ocurrencia del terremoto de 8,8 Mw en la ciudad de Lima implicaría una mayor incidencia de la pobreza monetaria (12,5%) y desnutrición crónica infantil (9,5%) al año 2030, así como un menor acceso de agua (89,5%) y alcantarillado (75,3%) por red pública para la población, respecto a los estimados del escenario base. Tomando esta información, se concluye lo siguiente respecto a las premisas planteadas en la sección 5,2 del documento: 1. El impacto individual de cada uno de los tres primeros escenarios contextuales no imposibilitará el cumplimiento de la meta de reducción de la pobreza y la desnutrición crónica al año 2030. Falso. Se comprueba que bajo los supuestos del segundo escenario contextual, Incremento de la tecnología y mecanización, la meta de reducción de la pobreza monetaria al 2030 puede no alcanzarse, debido al impacto del desplazamiento del empleo humano por la automatización de procesos. Ello implica que el aumento de la tecnología deberá estar acompañado de una demanda de nuevos empleos que permita reducir el efecto del desplazamiento. Respecto a la desnutrición crónica, su comportamiento tendencial es favorable en cada uno de los tres primeros escenarios contextuales, pero en ninguno se alcanza la meta de cero desnutrición crónica infantil. 2. Los tres primeros escenarios de futuro favorecerán al cumplimiento del acceso universal de los servicios básicos. Verdadero. El análisis sistémico de las variables comprueba que si bien no se alcanza el acceso universal a los servicios básicos al año 2030, los escenarios contextuales proveen una situación futura que favorece el cumplimento de la meta. Ello se debería al aumento del desarrollo de la población, denotado por el incremento del ingreso per cápita. Foto: Inforegion

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

3. La meta de reducción de emisiones de GEI al año 2030 solo se cumplirá bajo el escenario contextual de avances tecnológicos. Falso. La meta de reducción de 30% de las emisiones del escenario base no se cumple bajo el escenario contextual 2, Incremento de la tecnología y automatización. De hecho, bajo un supuesto de una reducción de 20% del consumo de energía, solo se alcanza una reducción de 15% de las emisiones de GEI al año 2030. 4. El efecto del escenario disruptivo tendrá un efecto importante sobre la infraestructura de los hogares, impactando negativamente al cumplimiento de las metas de reducción de la pobreza, desnutrición crónica y acceso universal de servicios al año 2030. Verdadero. Si sucediera un terremoto de 8,8 Mw en la ciudad de Lima en el año 2019, la incidencia de la pobreza monetaria al año 2030 podría aumentar a 12,5%, casi dos puntos arriba de la proyección base. Diferencias similares se obtienen para las estimaciones de largo plazo de la desnutrición crónica y el acceso a agua y alcantarillado por red pública. Dados estos resultados, se concluye que se requieren diversos programas o intervenciones adicionales a la materialización de los escenarios contextuales. Por ejemplo, para la meta de reducción de la pobreza y desnutrición crónica se podrían fortalecer los programas Juntos o Cuna Más, o implementar nuevos programas, ya que la expansión económica generada por los tres primeros escenarios de futuro, no es sufriente para garantizar el bienestar de la población más alejada. Por el lado de la meta de reducción de las emisiones de GEI, se sugiere implementar las recomendaciones de la Contribución Nacional del Perú, entre ellas, la inclusión del enfoque del cambio climático en los planes, políticas y programas de desarrollo. No obstante, el plan de acción específico para alcanzar la meta de decarbonización de 30% al 2030 aún debe definirse para antes del año 2020. Respecto a los resultados del escenario disruptivo, su impacto negativo de corto plazo sobre la pobreza, la desnutrición crónica y el acceso a servicios básicos demanda la implementación de las acciones estratégicas denotadas en el PLANAGERD, que permitirán aumentar la resiliencia de la infraestructura, y la capacidad de rehabilitación y reconstrucción del gobierno, para así evitar una caída abrupta de la productividad y el capital de la economía. Los próximos pasos para el análisis sistémico de las variables estratégicas engloba diversos estudios temáticos. Por ejemplo, considerando los impactos de los escenarios contextuales, se pueden analizar los efectos de diversos programas o políticas dirigidas al cierre de las brechas que persisten en cada uno de los escenarios futuros. En este caso, se pueden estudiar los impactos de políticas de decarbonización profunda para cumplir la meta de reducción de emisiones de GEI al año 2030, o los efectos de un nuevo programa social para disminuir en mayor medida la desnutrición crónica infantil. Por otro lado, se puede elaborar un modelo menos macroeconómico que permita determinar los impactos de la ocurrencia de un desastre mayor sobre la ciudad de Lima. Al ser más específicos, estos estudios temáticos requieren de una nueva revisión de variables y relaciones causales, así como la calibración de un nuevo modelo sistémico.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Foto: Agencia Andina

10. Referencias

Foto: Agencia Peruana de Noticias Andina

Alarco, G. (2016. Distribución factorial del ingreso y regímenes de crecimiento en América Latina, 1950-2012. Revista Internacional del Trabajo. 135, 79-103. Alasad, R., Motawa, I., y Ougunlana, S. (2013). A system dynamics - based model for demand forecasting in PPP infrastructure projects - a case of toll roads. Organization, Technology & Management in Construction, 791-798. Andina. (2017). Pérdidas económicas por eventual sismo y tsunami ascenderían a US$ 17,730 millones. Obtenido de https://andina.pe/agencia/noticia.aspx?id=655359 Apokin, A., y Ipatova, I. (2016). How R&D expenditures influence total factor productivity and technical efficiency? Aracil, J. (1995). Dinámica de sistemas. Madrid: Microprint S.A. BCRP (2011). Glosario de términos económicos. BCRP. (2017). XI. Demanda y oferta global. Obtenido de guía metodológica de la nota semanal: http://www. bcrp.gob.pe/docs/Publicaciones/Guia-Metodologica/Guia-Metodologica-11.pdf BCRP. (2018). BCRPData. Obtenido de https://estadisticas.bcrp.gob.pe/estadisticas/series/ Berlemann, y Wesselhöft. (2014). Estimating aggregate capital stocks using perpetual inventory method. Review of Economics 65, 1-34. BID. (29 de Abril de 2015). Con ayuda de sus socios, el BID lleva agua y saneamiento a comunidades rurales de Perú. Obtenido de https://www.iadb.org/es/noticias/comunicados-de-prensa/2015-04-29/aguay-saneamiento-a-comunidades-rurales-peru%2C11150.html BID. (2015). Indicadores de riesgo de desastre y de gestión de riesgos: Programa para América Latina y el Caribe: Perú. CaixaBank Research. (2015). ¿Ha llegado el fin del superciclo de las materias primas? Obtenido de http:// www.caixabankresearch.com/ha-llegado-el-fin-del-superciclo-de-las-materias-primas CEPAL. (2014). Manual para la evalución de desastres. Santiago de Chile.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

CEPLAN. (2015). Modelo International Futures. Fundamentos, adaptación y uso para el planeamiento estratégico del Perú. Lima. CEPLAN. (2016). Escenarios contextuales. Lima. CEPLAN. (2017). Imágen del Perú al 2030 (versión preliminar). Lima. Cobb, C., y Douglas, P. (1928). A theory of production. The American Economic Review, Vol. 18, 139-165. Collste, D., Pedercini, M., y Cornell, S. (2017). Policy coherence to achieve the SDGs: using integrated simulaton models to assess effective policies. Sustain Sci, 921-931. CONCYTEC. (2006). Plan Nacional Estratégico de Ciencia, Tecnología e Innovación para la Competitividad y el Desarrollo Humano. Correo. (2014). El 26% de tuberías y desagüe colapsarían con terremoto en Lima. Obtenido de https:// diariocorreo.pe/peru/el-26-de-tuberias-y-desague-colapsarian-con-terremoto-en-lima-526085/ Dietz, T., y Rosa, E. (1997). Effects of population and affuence on CO2 emissions. Proceedings of the National Academy of Sciences 94 (1), 175-179. Dyson, B., y Chang, N. -B. (2005). Forecasting municipal solid waste generation in a fast-growing urban region with system dynamics modeling. Waste Management, 669-679. Easterly, W., y Levine, R. (2001). It’s not factor accumulation: stylized facts and growth models. Obtenido de https://williameasterly.files.wordpress.com/2010/08/33_easterly_levine_itsnotfactoraccumulation_ prp.pdf Ehrlich, y Holdren. (1971). Impact of population growth. Science, 171, 1212-1217. Fairlie, A. (2010). Relaciones económicas Perú-China. Revista del Centro Andino de Estudios Internacionales. 9, 11-35. Featherston, C., y Doolan, M. (2012). A critical review of the criticisms of system dynamics. Australia. Fernandez. (2014 de Octubre de 2014). El 26% de tuberías y desagüe colapsarían con terremoto en Lima. Correo. Forrester, J. W. (1961). Industrial dynamics. Cambridge: MIT Press. García, J. M. (2003). Teoría y ejercicios prácticos de dinámica de sistemas. Zaragoza. Garro, H. (2016). Efectividad del programa educativo “prevención de anemia ferropenica y desnutrición crónica en niños de 6 a 36 meses” en el nivel cognitivo y prácticas de las madres que asisten a un centro de salud de Lima-Metropolitana 2015. Lima. Gignoux, y Menéndez. (2016). Benefit in the wake of disaster: Long-run effects of earthquakes on welfare in rural Indonesia. Journal of Development Economics, 26-44. Grace, J., Kenny, C., y Zhen-Wei Qiang, C. (2004). Information and communication technologies and broadbased development: partial review of the evidence. Washinton D.C.: World Bank. Guellec, D., y van Pottelsberghe, B. (2001). R&G and productivity growth: panel data analysis of 16 OECD countries. OECD Economic Studies No. 33, 103-126. Gujarati, D. (2003). Basic econometrics. Nueva York: McGraw-Hill. INDECI. (2017). Escenario sismico para Lima Metropolitana y Callao: sismo 8.8 Mw. Lima.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

INEI. (2013). Anuario de estadísticas ambientales. Lima. INEI. (2016). Perú: Encuesta Demográfica y de Salud Familiar. Lima. INEI. (2017a). Peru. Cuentas nacionales 1950-2016. Cuentas de bienes y servicios y cuentas por sectores institucionales. Lima. INEI. (2017b). Perú. Anuario de estadísticas ambientales. Lima. INEI. (2018). Evolución de la pobreza monetaria 2007 - 2017. Lima. INEI. (2018). Sistema Regional para la Toma de Decisiones. Obtenido de http://webinei.inei.gob.pe:8080/ SIRTOD1/inicio.html# Instituto de Economía y Desarrollo Empresarial. (2016). 13,6 millones de peruanos pertenecerían a la clase media al 2018. Obtenido de Cámara de Comercio de Lima: https://camaralima.org.pe/principal/ noticias/noticia/13-6-millones-de-peruanos-pertenecerian-a-la-clase-media-al-2018/674 IPCC. (2000). Emissions scenarios. Cambridge University Press. Islam, R. (2004). The nexus of economic growth, employment and poverty reduction: an empirical analysis. Ginebra: OIT. Izquierdo, L., Galán, J., y Del Olmo, R. (2008). Modelado de sistemas complejos mediante simulacion basada en agentes y mediante dinámica de sistemas. Revista de Metodología de Ciencias Sociales, 85-112. Jiménez, F. (2010). Elementos de teoría y política macroeconómica para una economía abierta. Lima: PUCP. Jiménez-Benítez, Rodríguez-Martín, y Jiménez-Rodríguez. (2010). Análisis de determinantes sociales de la desnutrición en Latinoamérica. Nutrición hospitalaria, 18-25. Kenny, C. (2002). Information and communication technologies for direct poverty alleviation: costs and benefits. Development Policy Review 20, 141-157. Lastra, J. (2017). Perú: determinantes de la inversión pública en los gobiernos locales, periodo 2008-2014. Loayza y otros. (2009). Natural disasters and growth. Going beyond the averages. The World Bank. Márquez, J., Rodríguez, V., y Meza, R. (2015). Aplicación de la dinámica de sistemas en la identificación y evalación de las potencialidades económicas para mejorar el desarrollo de la provincia de Castrovirreyna, Huancavelica. Apuntes de ciencia y sociedad, 173-178. Martín-Mayoral, F., y Uribe, C. (2010). Determinantes económicos e institucionales del esfuerzo fiscal en América Latina. Investigación económica 273, 85-113. McKinsey Global Institute. (2017). Beyond the supercycle: how technology is reshaping resources. MEF. (2016). Resolución ministerial N°024-2016-EF/15. Obtenido de El Peruano: https://busquedas.elperuano. pe/download/url/aprueban-metodologia-para-el-calculo-de-las-cuentas-estructu-resolucionministerial-n-024-2016-ef15-1340272-1 MEF. (2018a). Acerca de la inversión privada. Obtenido de https://www.mef.gob.pe/es/acerca-de-lasasociaciones-publico-privadas-apps MEF. (2018b). Marco Macroeconómico Multianual 2019-2022. Lima. MIDIS. (2017). Evaluación de Impacto del servicio de cuidado diurno del programa nacional Cuna Más Resultados finales. Lima. Millennium Institute. (2015). T21. Integrated development model. Obtenido de http://ledsgp.org/wpcontent/uploads/2015/10/T21Overview1.pdf

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Millenium Institute. (2017). iSDG Model Documentation. Obtenido de https://www.millennium-institute. org/documentation MINAM. (2016). La Contribución Nacional del Perú - iNDC: Agenda para un desarrollo climáticamente responsable. MINAM. (2018). Indicadores nacionales de atmósfera y clima. Obtenido de Sistema Nacional de Información Ambiental: http://sinia.minam.gob.pe/indicadores/listado/5 Mogrovejo, J. (2005). Factores determinantes de la inversión extranjera directa en algunos países de Latinoamérica. Naciones Unidas. (2012). El futuro que queremos para todos. Informe para el Secretario General. Naciones Unidas. (2017a). Objetivos del Desarrollo Sostenible. Obtenido de https://www.un.org/ sustainabledevelopment/es/hunger/ Naciones Unidas. (2017b). Objetivos del Desarrollo Sostenible. Objetivo 6: Agua y saneamiento. Obtenido de https://www.un.org/sustainabledevelopment/es/water-and-sanitation/ OECD. (2013). How’s life? 2013. Measuring well - being. OECD Publishing. OECD. (2018). Air and GHG emissions. Obtenido de OECD Data: https://data.oecd.org/air/air-and-ghgemissions.htm PAGE. (2017). Documento resumen - Perú: crecimiento verde. Análisis cuantitativo de políticas verdes en sectores seleccionados de la economía. Papke, y Woolridge. (2008). Panel data methods for fractional response variables with aplication to test pass rates. Journal of Econometrics, 121-133. Pardee Center for International Futures. (2013). International tecnical assistance for the implementation of the actions defined in the planning model IFs initial phase process for the National Design. Contract-017-2013. Paz, B. (2018). Bosques en el Perú: importancia, gestión y perspectivas en el contexto del cambio climático. Investigaciones Sociales, 41-51. Pérez, J., y Muñoz, R. (2015). Economía informal en Perú: Situación actual y perspectivas. Lima: CEPLAN. Perova, E., y Vakis, R. (2009). Welfare impacts of the “Juntos” program in Peru: evidence from a non-experimental evaluation. World Bank. Perrotti, D. (2015). La República Popular de China y América Latina: impacto del crecimiento económico china en las exportaciones latinoamericanas. Revista CEPAL 116, 47-60. Rabanal. (2009). Impacto de una recesión estadounidense en la economía peruana: ¿somos más o menos vulnerables? Lima: Universidad del Pacífico. Ramos, R., Muñoz, R., Gonzales, Á., y Castro, R. (2015). Pronósticos y escenarios: educación en el Perú al 2030. La aplicación del Modelo International Futures. Lima: CEPLAN. Redacción Gestión. (2016). Ceplan e INEI fijan meta de reducción de pobreza al 10.9% para 2030. Obtenido de Gestión: https://gestion.pe/economia/ceplan-e-inei-fijan-meta-reduccionpobreza-10-9-2030-149579 Rothman, y Irfan. (2013). IFs Infrastructure model documentation. Denver. Semba, R. D. (2003). Iron-deficiency anemia and the cycle of poverty among Human Immunodeficiency Virus—infected women in the inner city. Clinical infectious diseases, 37, S105-S111. SINAGERD. (2014). Plan Nacional de Gestión del Riesgo de Desastres. PLANAGERD 2014-2021. Lima.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Sterman, J. (1983). Economic vulnerability and the energy transition. Energy Systems and Policy, 259-301. Sterman, J. (2000). Business dynamics. Systems thinking and modeling for a complex world. McGraw Hill. Suryani, E., Chou, S., y Chen, C. (2010). Air passenger demanda forecasting and passenger terminal capacity expansión: a system dynamics framework. Expert Systems with Applications , 2324-2339. The Guardian. (2011). Japanese earthquake and tsunami causes fall in exports. Obtenido de https://www. theguardian.com/business/2011/apr/20/japanese-disasters-cause-fall-in-exports UNDP. (2018). Human Development Index (HDI). Obtenido de Human Development Reports: http://hdr. undp.org/en/content/human-development-index-hdi United Nations. (2014). An action agenda for sustainable development. WEF. (2017). Technology and innovation for the future of production: accelerating value creation. Obtenido de http://www3.weforum.org/docs/WEF_White_Paper_Technology_Innovation_Future_of_ Production_2017.pdf White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, Vol. 48, No. 4, 817-838. Wisbaum, W. (2011). La desnutrición infantil. Causas, consecuencias y estrategias para su prevención y tratamiento. UNICEF España. World Bank. (2000). Infrastructure and poverty. Washington, DC: World Bank. Obtenido de http://documents. worldbank.org/curated/en/358331468780319045/Infrastructure-and-poverty World Bank. (2018). LAC Equity Lab: Poverty - Poverty Rate. Obtenido de http://www.worldbank.org/en/ topic/poverty/lac-equity-lab1/poverty/head-count Yoshikawa, H., Aber, L., y Beardslee, W. (2012). The effects of poverty on the mental, emotional, and behavioral health of children and youth implications for prevention. The American Psychologist. 67., 272-84.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Foto: Agencia Andina

Anexos

Foto: Agencia Peruana de Noticias Andina

Anexo 1: Metodología En la siguiente sección se denota el proceso teórico que se siguió para la elaboración del modelo sistémico que permitió cuantificar el impacto de los escenarios contextuales sobre la imagen de futuro del país. Esta propuesta se basa en los documentos de García (2018) y Sterman (2000) en donde se menciona que si bien no existe una receta única para el modelamiento efectivo, se han determinado cinco etapas que todos los modelos sistémicos exitosos han seguido: 1. Definir el problema a analizar y su alcance 2. Formular la hipótesis dinámica y la conceptualización del modelo 3. Elaborar el modelo sistémico 4. Probar el modelo para asegurar su consistencia 5. Diseñar y evaluar políticas de intervención Tomando esto en consideración, se revisarán cada uno de estos puntos a continuación con el propósito de denotar la metodología utilizada para la modelación dinámica de sistemas.

1. Definición del problema y su alcance En este primer paso, se debe definir el problema específico que el modelo sistémico busca analizar. Esto sería muy importante, dado que permite acotar el alcance y profundidad del análisis. Además, mientras más contextualizada sea la problemática, más simple y viable será el modelo. También resulta conveniente definir el problema de tal manera que se pueda apreciar la mejora o empeoramiento del mismo a través del tiempo. En este paso inicial también resulta útil realizar un marco teórico de la dinámica de sistemas, de tal manera que sirva como base para el planteamiento del problema. Asimismo, en esta etapa se deben mapear las variables o conceptos clave asociadas al problema para así tener una delimitación clara de las variables, suprasistema y subsistemas que contendrá el modelo. Finalmente, es necesario definir el horizonte temporal y analizar las tendencias históricas de las variables escogidas, con el propósito que sirvan como punto de referencia en todas las etapas restantes.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

2. Formulación de la hipótesis dinámica y la conceptualización del modelo Luego de haber planteado el problema que se desea modelar, se debe formular la hipótesis dinámica, es decir una premisa hipotética sobre el posible comportamiento del problema o variable que se desea modelar en el horizonte temporal anteriormente seleccionado. Al igual que la definición del problema, la hipótesis dinámica ayuda a definir la estructura del modelo sistémico, así como las variables que este contendrá. Después, la dinámica de sistemas permitirá analizar si la hipótesis dinámica se cumple o bajo qué condiciones. La formulación de la hipótesis dinámica debe considerar el alcance del modelo, los componentes endógenos y exógenos del sistema, y las relaciones causales de las variables contenidas. Para ello, Sterman (2000) recomienda primero clasificar los variables clave definidas anteriormente en tres grupos: Variables endógenas, exógenas y excluidas; dentro de un Cuadro de Delimitaciones del Modelo. Esto permite ilustrar las limitaciones del modelo y la validez de sus resultados en diferentes esferas (ver ejemplo en la tabla 3).

Tabla 3 Cuadro de Delimitaciones de la modelación de largo plazo de las interacciones entre la economía y el sector energético Variables Endógenas

Variables Exógenas

Variables Excluidas

Producto bruto interno

Población

Inventarios

Consumo

Cambio tecnológico

Comercio internacional (a excepción de las transacciones realizadas con los países OPEC12)

Inversiones

Tasas impositivas

Restricciones ambientales

Ahorros

Políticas asociadas a la energía

Recursos no enérgicos

Precios

Sustitución de combustibles

Salarios

Distribución de los bienes

Inflación Participación de la fuerza laboral Empleo Desempleo Tasas de interés Oferta de dinero Deuda Producción de energía Demanda de energía Importaciones de energía Nota. Adaptado de “Economic vulnerability and the energy transition”, de Sterman, J., 1983, p. 7.

Por otro lado, con el propósito de ilustrar de manera general las relaciones entre las variables clave identificadas, se pueden utilizar Diagramas de Subsistemas (ver ejemplo en la figura 17). En este tipo de diagrama, se denota la arquitectura básica del sistema, es decir, las relaciones entre 12

Organización de Países Exportadores de Petróleo (por sus siglas en inglés).

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

los subsistemas y las variables contenidas, mapeadas anteriormente. De igual manera, también pueden ilustrar cierta información sobre las variables endógenas y exógenas. Una vez que se tiene una idea conceptual de las relaciones más generales de las variables del sistema, es posible definir las direcciones de las relaciones causales, así como los bucles de retroalimentación. Según Garcia (2003), se deben definir las influencias de primer, segundo y tercer orden que comparten las variables comprendidas en el sistema, respecto al problema definido. En particular, las influencias de primer orden serían aquellos factores que influyen directamente sobre el problema identificado. Luego, las influencias de segundo orden serían los variables que afectan a los factores previamente identificados, mientras que las influencias de tercer orden son las que tiene un efecto sobre las anteriores. Estas relaciones se determinan mediante revisión bibliográfica o a través de la opinión de expertos. Luego, dependiendo del comportamiento de la dinámica de las variables y la teoría detrás del mismo se pueden establecer bucles de retroalimentación, con el propósito de incrementar o atenuar efectos para así alcanzar la estabilidad del sistema. Finalmente, todo lo descrito anteriormente puede ser ilustrado en un Diagrama de Bucles Causales, lo cual culmina el proceso de conceptualización del modelo sistémico.

Sector OPEC Exportaciones y precio del petróleo Bienes de consumo Capital Beneficios de inversión

Sectores productivos

Sector de los hogares

Producción de bienes Capital energético Factores de producción Precios y salarios Préstamos

Consumo de bienes Oferta laboral Ahorros y préstamos

Gobierno Tasas impositivas Políticas monetarias y fiscales Políticas asociadas a la energía

Sector financiero Tasas de interés Crédito disponible

Figura 17. Diagrama de Subsistemas modelación de largo plazo de las interacciones entre la economía y el sector energético. Nota. Adaptado de “Economic vulnerability and the energy transition”, de Sterman, J., 1983, p. 9.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

3. Elaborar el modelo sistémico Una vez que se ha determinado la hipótesis dinámica, las relaciones causales, y los bucles de retroalimentación, se puede seguir a la siguiente etapa de la modelación: la elaboración práctica del modelo sistémico. De acuerdo a Sterman (2000), esto implica pasar de los conceptos a un modelo formal, cuyas variables se relacionen a través de ecuaciones, parámetros y condiciones iniciales. Por lo tanto, en esta etapa no basta con probar la relación causal de las variables estratégicas, sino que se requiere formalizar las formas funcionales de cada una de ellas. No obstante, la elaboración del modelo implica la construcción de un Diagrama de Flujos, similar al expuesto en la figura 1. Este diagrama no solo ilustra las relaciones causales del sistema, sino que también denota si las variables corresponden a niveles, flujos o elementos auxiliares del sistema. De acuerdo a Garcia (2018), los niveles serían aquellas variables que muestran la situación del modelo, es decir los stocks que se acumulan dentro del sistema (por ejemplo, la población). Por otro lado, los flujos serían aquellas variables que resultan de las interacciones del sistema y que son determinadas por las variaciones de los niveles (por ejemplo, las defunciones). Finalmente, las variables auxiliares serían los elementos del sistema que condicionan el comportamiento de los flujos (por ejemplo, la tasa de mortalidad). Finalmente, en este diagrama también se pueden establecer retrasos de material, es decir los rezagos en la transmisión de información entre las variables. Considerando la complejidad de la dinámica de sistemas, es necesario recurrir a programas virtuales que permitan probar la hipótesis dinámica y materializar el modelo conceptual construido en el paso anterior. Para ello se han utilizado diversas plataformas como Vensim o Ithink cuya interface facilita la elaboración del modelo, así como el análisis del comportamiento del mismo, a través de diversas gráficas y tablas de resultados. El estudio de estos resultados permiten establecer conclusiones sobre el estado del sistema utilizando los datos estadísticos observado.

4. Probar el modelo para asegurar su consistencia Luego de establecer el modelo a través de la construcción del Diagrama de Flujos, y analizado su comportamiento, se debe evaluar la consistencia del modelo sistémico para asegurar la confiabilidad de los resultados obtenidos. Según Sterman (2000), los resultados del modelo no solo deben responder al comportamiento histórico de las variables, sino que deben ser resilientes a condiciones extremas. De igual manera, se debe estudiar la consistencia de las salidas ante cambios en los parámetros y condicionales iniciales, para así determinar las variables más sensibles del modelo. Para ello, Sterman propone realizar diversas pruebas, que si bien no aseguran una validación absoluta del modelo, permiten detectar y eliminar fallas. Entre ellas, se encuentran por ejemplo las siguientes:

Prueba de evaluación de parámetros, que consiste en el estudio de la consistencia de los valores de los parámetros.

Prueba de condiciones extremas, en donde se evalúa si los resultados de las ecuaciones, así como el comportamiento general del modelo son plausibles cuando se asumen valores o políticas extremas dentro del modelo.

Prueba de reproducción de comportamiento, que implica analizar si el modelo se ajusta correctamente a los datos históricos, y si se está logrando reproducir cuantitativamente y cualitativamente el comportamiento de interés en el sistema.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Prueba de análisis de sensibilidad. En esta prueba se estudia la sensibilidad de los valores numéricos de las variables, el comportamiento del modelo y los resultados de las políticas, cuando se modifican aleatoriamente los valores de los parámetros. Esta prueba, no solo permite identificar parámetros que podrían generar resultados incoherentes, sino que también permite determinar las variables más sensibles dentro del sistema.

5. Diseñar y evaluar políticas de intervención Una vez que se ha confirmado la consistencia del modelo construido a través de cada una de las pruebas, se puede pasar al diseño y evaluación de políticas de intervención con el propósito de analizar a fondo la problemática identificada bajo distintos escenarios. Con este propósito en mente, se deben elaborar condiciones o supuestos dentro del modelo que engloben los escenarios a simular y que estén relacionados con el mundo real. Esto implica realizar un ejercicio “what if…”, es decir, que pasaría con el sistema construido y sus variables bajo cada una de las condiciones determinadas. Una vez construidos los escenarios, se pueden realizar las corridas del modelo sistémico dentro de la plataforma del software elegido, de tal manera que se pueda realizar un análisis comparativo del comportamiento de las variables de interés para cada uno de los escenarios propuestos. El análisis de estas simulaciones provee conocimiento sobre las perspectivas de las variables, con lo cual se pueden elaborar recomendaciones sobre posibles cursos de acción para la resolución del problema modelado. Luego se realizan las conclusiones finales del modelo, con lo cual culmina la propuesta.

Anexo 2: Validación del modelo sistémico En esta sección se detallan los resultados y/o implicancias de cada una de las pruebas propuestas por Sterman (2000), que asegura un comportamiento adecuado del sistema modelizado. Como se ha mencionado anteriormente, aprobar satisfactoriamente estas pruebas no implica una validez absoluta del modelo, sino que permite identificar fallas en el sistema para incrementar la confiabilidad de los resultados.

1. Prueba de evaluación de parámetros En esta prueba se analiza si los valores de los parámetros utilizados en las formas funcionales del sistema son razonables y si la metodología para su estimación es apropiada. De acuerdo a Sterman (2000), el uso de la estimación de Mínimos Cuadrados Ordinarios (MCO) para la estimación de los parámetros, es inadecuada en la mayoría de casos de la modelización sistémica debido a la colinealidad de las variables independientes (es decir cuando las variables del lado derecho de la ecuación están correlacionadas), la autocorrelación (cuando la variables dependiente depende de su propio pasado) y la heterocedasticidad (cuando la varianza de las variables no es constante a través de la muestra). Asimismo, el uso de MCO no asegura resultados coherentes cuando las variables están acotadas, como los porcentajes o variables binarias. Tomando estos puntos en consideración se han realizado las siguientes acciones:

e acuerdo a Gujarati (2003), si la colinealidad entre las variables independientes no es D perfecta, entonces los coeficientes se pueden estimar consistentemente, pero con errores estándar altos que reducen la significancia de las variables independientes. Asimismo, la colinealidad no es un problema para realizar predicciones futuras, si el R2 de la ecuación es alto y bajo el supuesto que las variables independientes siguen su mismo comportamiento

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

observado. Por lo tanto, solo se han considerado las ecuaciones cuyos coeficientes son significativos en por lo menos 10% de significancia, a pesar de la presencia de colinealidad de sus variables independientes.

especto al problema de la autocorrelación, se ha realizado el test de Breusch-Godfrey para R cada ecuación, con el propósito de analizar si no existe evidencia suficiente para determinar la autocorrelación de las variables dependientes. Luego de realizar las pruebas, se identifica la presencia de autocorrelación en solo 2 (a 1% de significancia estadística) y 5 (a 5% de significancia estadística) ecuaciones de un total de 18 relaciones lineales. Debido a la poca cantidad de ecuaciones afectadas y ya que la presencia de autocorrelación no genera sesgos en los coeficientes (Gujarati, 2003), no se realizan acciones correctivas.

ara corregir la heterocedasticidad, se procede al uso de los errores estándar robustos de P White (1980).

Con el propósito de asegurar la coherencia de las predicciones de las variables trucadas (como los porcentajes), se aplican una estimación máximo verosímil de un modelo lineal generalizado que permite una estimación consistente de los porcentajes (Papke y Wooldridge, 2008).

2. Prueba de condiciones extremas. El propósito de esta prueba es asegurar un comportamiento robusto y coherente del sistema aún si las variables exógenas del modelo toman valores extremos. Ello permite identificar fallas en las ecuaciones o en la conceptualización del modelo. Para esta prueba, se han realizado tres simulaciones extremas, cuyos resultados se denotan a continuación:

recimiento extremo de los precios de las materias primas. Se realiza la simulación de C un incremento anual de 200% del precio del cobre desde el año 2023 hasta el 2030. Ello resulta en un crecimiento económico de casi 166% para el año 2030 y en una incidencia de la pobreza de casi 3% de la población total. Asimismo se detecta una convergencia en la incidencia de la desnutrición crónica infantil de casi 2,3%, así como al acceso universal a los servicios básicos.

esplazamiento masivo de la población ocupada por el aumento tecnológico. Se simula D el desplazamiento del 50% de la población ocupada del escenario base, por los procesos de automatización por la tecnología, al año 2030. Ello resulta en una incidencia de la pobreza total de casi 93,9% y desnutrición crónica infantil de 21,3%. Este escenario extremo también impacta el porcentaje de la población con acceso a servicios básicos, los cuales equivalen a 79,9% y 61,6% al 2030 para el acceso a agua y alcantarillado por red pública, respectivamente.

érdida veloz de la productividad. Se realiza la simulación de una caída del 100% en la P productividad total de factores en el año de ocurrencia del terremoto de 8,8 Mw. Como resultado se estima una tasa de crecimiento negativa para el año 2019 de -34,7%, así como una tasa de pobreza total de 60,9% e incidencia de la desnutrición crónica infantil de 50,7% al año 2030.

Cabe resaltar que en cada uno de estas situaciones extremas, la población ocupada nunca supera la magnitud de la población en edad de trabajar. Lo mismo se puede decir de la clase media, la cual nunca supera el valor de la población total.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

3. Prueba de reproducción de comportamiento. En esta prueba, se analiza la capacidad del modelo sistémico de replicar la tendencia histórica de las variables de interés. Este estudio se ha realizado previamente en la sección 6 de documento, en donde se denota que las predicciones “hacia atrás” del modelo respetan el comportamiento pasado de las variables de la propuesta de imagen, a pesar de la poca cantidad de datos históricos disponibles (ver figuras 6-12).

4. Prueba de análisis de sensibilidad Esta prueba permite evaluar la robustez del modelo sistémico mediante la simulación de diversos escenarios dentro de la gama de posibles futuros. Para ello, se han realizado los ejercicios denotados en la sección 7 del documento, en donde para cada escenario de futuro, se han simulado dos escenarios alternativos (ver figuras 13-16). En cada caso, los parámetros o variables que se variaron fueron los que presentaban mayor incertidumbre. De esta manera, los resultados del modelo que se resumen en el Tabla 2, son intervalos que contienen los valores puntuales futuros al año 2030. De acuerdo a estos resultados y a Sterman (2000), el modelo sistémico propuesto presenta sensibilidad numérica, de comportamiento y de política. En el caso de la simulación del nuevo superciclo de materias primas, la modificación de la tasa de crecimiento del precio del cobre implicaba un mayor crecimiento económico lo cual reforzaba la reducción de la pobreza y la desnutrición crónica infantil, es decir que no implicó un cambio en el comportamiento de la variable. Lo mismo se puede decir respecto a la simulación del aumento de las expectativas de la clase media. No obstante, en el caso del aumento de la automatización y mecanización, un desplazamiento de la población ocupada generó una menor disminución de la pobreza e incidencia de la desnutrición crónica infantil. Ello significa que si la magnitud del desplazamiento fuera mayor la pobreza monetaria y la desnutrición crónica infantil podrían incrementarse, generado así un cambio en el comportamiento y una reversión en el efecto deseado del escenario contextual. Algo similar se concluye en la simulación del escenario disruptivo, cuyo impacto sobre la productividad genera un cambio estructural en el crecimiento económico y por ende en el resto de variables sociales.

Anexo 3: Relaciones causales y formas funcionales En esta sección se detallan las relaciones causales del modelo sistémico, según cada uno de los tres subsistemas propuestos. Para cada una se detalla una descripción breve de la relación, la bibliografía consultada, y la forma funcional utilizada para cada variable dependiente.

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Tabla 4 Relaciones causales y formas funcionales de las variables dependientes del subsistema social Variable dependiente Acceso a electricidad (Porcentaje de la población que dispone de alumbrado eléctrico por red pública)

<-<--

Acceso a agua potable (Porcentaje de la población que se abastece de agua por red pública)

<--

Acceso a saneamiento (Porcentaje de la población que reside en viviendas particulares con red pública de alcantarillado)

<--

<-Acceso a tecnologías de información (Porcentaje de la población con acceso al servicio de Internet dentro del hogar) <--

Variable independiente

Descripción

Fuente

Tasa de pobreza monetaria (Porcentaje de la población total)

Una mayor incidencia de la pobreza puede implicar un menor acceso a los servicios básicos World Bank debido a que estas personas no pueden pagar (2000) por ellos.

Producto bruto interno per cápita

El PBI per cápita, al ser uno de los indicadores utilizados para medir el desarrollo de una región, por lo que está relacionado al acceso a los servicios básicos de la población. Ello se debe a que, de acuerdo a las Naciones Unidas, el acceso a servicios de energía, agua y saneamiento son prioridades del desarrollo social. De igual manera, el Modelo IFs utiliza esta variable para modelizar el acceso a los servicios básicos.

Tasa de pobreza monetaria (Porcentaje de la población total

Producto bruto interno per cápita

Las personas pobres tienen una menor capacidad de gasto en productos de tecnología de información, debido a que la mayoría requiere tener acceso a electricidad o líneas telefónicas. El PBI per cápita, al ser uno de los indicadores utilizados para medir el desarrollo de una región, está relacionado al acceso a los servicios básicos de la población. Ello se debe a que, de acuerdo a las Naciones Unidas, el acceso a servicios de energía, agua y saneamiento son prioridades del desarrollo social. De igual manera, el Modelo IFs utiliza esta variable para modelizar el acceso a los servicios básicos.

Forma funcional 1

Eletricidadt=

1 + exp(-(-0,012 × Tasa de pobrezat + 0,00018 × PBI per Cápitat ))

UNDP (2018) Naciones Unidas (2012) Rothman y Irfan (2013)

Aguat=

1 1 + exp (-(-0,008 × Tasa de pobrezat + 0,00011 × PBI per Cápitat ))

Saneamientot=

1 1 + exp (-(-0,007 × Tasa de pobrezat + 0,00006 × PBI per Cápitat ))

Kenny (2002)

UNDP (2018) Naciones Unidas (2012) Rothman y Irfan (2013)

Internett=

1 1 + exp (-(-0,071 × Tasa de pobrezat + 0,00004 × PBI per Cápitat ))

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente

<--

<-Anemia infantil (Porcentaje de niños de 6 a 59 meses de edad con anemia total) <--

<--

Desnutrición crónica infantil (Porcentaje de los niños menores a cinco años con desnutrición crónica infantil - Patrón OMS) <--

Variable independiente Tasa de pobreza monetaria (Porcentaje de la población total) Educación (Número promedio de años de estudio de la población mayor a 15 años)

Descripción

Fuente

Las personas pobres no tienen los suficientes recursos para obtener los alimentos necesarios ricos en hierro (como carne, pescado o pollo), aumentado las probabilidades de padecer de anemia. La educación de las personas adultas es un proceso que les permite mejorar sus propias condiciones de vida incluyendo su estado de salud. En particular, la participación de las madres en programas educativos, les permite incrementar su nivel cognitivo y aplicar prácticas preventivas sobre la anemia y la desnutrición crónica.

Forma funcional

Semba (2003)

Anemiat=

1 1 + exp (-(-0,02 × Tasa de pobrezat + 0,11× Años de Escolaridadt ))

Garro (2016)

Acceso a agua potable (Porcentaje de la población que se abastece de agua por red pública) Acceso a saneamiento (Porcentaje de la población que reside en viviendas particulares con red pública de alcantarillado)

La falta de acceso a agua potable y a un Jiménezsistema mejorado de saneamiento puede Benitez et al. causar diarrea u otras enfermedades infecciosas (2010) que pueden originar pérdida de peso.

Desnutrición Infantilt=

1 1 + exp (-(3,85 - 0,05 × Saneamientot - 0,03 × Aguat ))

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente Educación (Número promedio de años de estudio de la población mayor a 15 años) Población ocupada (Población económicamente activa ocupada)

Pobreza monetaria (Número de personas cuyos hogares tienen un ingreso o gasto per cápita menor a una canasta básica)

<--

Descripción

Fuente

Forma funcional

<--

Remuneraciones Los recursos económicos del hogar determinan (en millones de la cantidad de dinero que pueden destinar los soles corrientes) padres a la educación de sus hijos.

Yoshikawa, Aber y Beardslee (2012)

ln(Años de Escolaridadt)= 1,82 + 0,01 × ln(t) + 0,04 × ln (Remuneracionest)

<--

El mayor crecimiento económico permite Producto bruto aumentar las capacidades productivas, interno (millones aumentado el capital y generando mayores de soles plazas de empleo con mayores niveles de constantes) productividad.

Islam (2004)

ln(Población Ocupadat) = 5,41 + 0,33 × ln(PBIt)

<--

Población ocupada (Población económicamente activa ocupada)

El aumento del empleo por una expansión económica permitiría absorber e integrar progresivamente a los desempleados y subempleados en actividades económicas con altos niveles de productividad, generando un Remuneraciones aumento de los ingresos y reduciendo así el (en millones de nivel de pobreza. soles corrientes)

Islam (2004)

ln(Pobreza monetariat) = 40,47 - 2,93 × ln(Población Ocupadat) -0,27 × ln(Remuneracionest)

<--

Tasa de pobreza monetaria (Porcentaje de la población total)

World Bank (2000)

<--

El PBI per cápita, al ser uno de los indicadores UNDP (2018) utilizados para medir el desarrollo de una región, está relacionado al acceso a los servicios Naciones básicos de la población. Ello se debe a que, Unidas Producto bruto de acuerdo a las Naciones Unidas, el acceso (2012) interno per cápita a servicios de energía, agua y saneamiento son prioridades del desarrollo social. De igual Rothman y manera, el Modelo IFs utiliza esta variable para Irfan (2013) modelizar el acceso a los servicios básicos.

<--

Vivienda inadecuada (Porcentaje de la población urbana que vive en barrios marginales asentamientos improvisados o viviendas inadecuadas)

Variable independiente

Una mayor incidencia de la pobreza puede implicar un menor acceso a los servicios básicos debido a que estas personas no pueden pagar por ellos.

Nota. Elaboración CEPLAN.

Vivienda inadect=

1 1 + exp(-(-0,003 × Tasa de pobrezat + 0,00001 × PBI per Cápitat ))

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Tabla 5 Relaciones causales y formas funcionales de las variables dependientes del subsistema económico Variable dependiente

Capital físico (millones de soles constantes)

Capital humano

Clase Media (Número de personas que viven con más de US$ 13 al día)

Consumo privado (millones de soles constantes)

<--

Variable independiente

Descripción

Fuente

Forma funcional

<--

De acuerdo al método de inventarios perpetuos, el stock de capital incrementa Inversión total cada año con la nueva formación de capital o Berleman y (millones de soles inversión del territorio. Una vez que la inversión Wesselhöft constantes) ha entrado a la economía, se mantiene en el (2014) inventario depreciándose cada año a una tasa geométrica fija.

Capitalt = (1 - 0,033) × Capital(t-1) + Inversiónt

<--

Educación (Número De acuerdo al MEF, el capital humano puede promedio de años ser expresado como una función de los años de de estudio de la escolaridad de la población mayor de 15 años. población mayor a 15 años)

Capital humanot = exp

<--

Producto bruto interno (millones de soles constantes)

<--

Remuneraciones

<--

MEF (2016)

Instituto de Un entorno favorable en el ámbito económico y Economía y de la actividad laboral permite que una mayor Desarrollo parte de la población se integre a la clase Empresarial media. (2016)

El aumento de la población perteneciente a la Excedente bruto clase media, implica una mayor cantidad de de explotación personas con ingresos dignos, lo cual expande (millones de soles el consumo de los hogares del país. corrientes)

(( 1 -0,32 ) × Años de escolaridad 0,58

)

1-0,58 t

Clase mediat = - 2599011 + 28,33 × PBIt

CEPLAN (2016) Alarco (2016)

Consumo Privadot = - 76404,82 + 0,26 × Excedente bruto explotaciónt + 0,73 x Remuneraciones t

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente

<-<--

Ingresos tributarios (millones de soles corrientes)

<--

Déficit fiscal (Resultado económico del sector público no financiero)

<--

Clase Media (Número de personas que viven con más de US$ 13 al día)

<--

Precio del cobre

<--

PBI China (millones de US$)

Consumo público (millones de soles constantes)

Excedente bruto de explotación (millones de soles corrientes)

Variable independiente

Exportaciones (millones de soles constantes)

<--

Tipo de cambio

Descripción

Fuente

El déficit fiscal es la diferencia entre los ingresos y gastos corrientes y de capital del estado. En primer lugar, los ingresos corrientes incluyen los ingresos tributarios y no tributarios, mientras que los gastos corrientes BCRP (2011) incluyen los gastos en remuneraciones, compra BCRP (2017) de bienes y servicios, pago de deuda, entre otros gastos. Considerando que el consumo público engloba el gasto en remuneraciones y compra de bienes y servicios, es posible expresar el consumo público como una función del déficit fiscal y los ingresos tributarios. El incremento de la clase media implica un mayor número de personas con ingresos dignos, expandiendo el consumo de los hogares Una caída en los precios internacionales generará la reducción de los términos de intercambio, lo cual tiene un impacto directo sobre las exportaciones peruanas. De acuerdo a la SUNAT, el 27% del valor de las exportaciones totales correspondió a la sub partida del cobre en el 2017. El crecimiento económico de China impacta en la demanda de productos básicos latinoamericanos. En particular, gran parte de las exportaciones peruanas de China son tradicionales. Si el tipo de cambio aumenta, los bienes domésticos se abaratan en el mercado extranjero, lo cual aumenta la demanda de los bienes nacionales en el exterior, aumentado las exportaciones.

CEPLAN (2016)

Forma funcional

Consumo Públicot = 12422,19 + 0,45 × Ingresos Tributariost - 0,36 × Déficitt

ln(Exdecente bruto explotación) = - 4,79 + 1,08 × ln(Clase media)t

Rabanal (2009) Fairlie (2010) Perrotti (2015)

Jiménez (2010)

Exportacionest = - 28696,23 + 4,90 × Precio cobret + 0,007 × PBI Chinat + 18517,21 × Tipo cambiot

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente Importaciones (millones de soles constantes)

<-<--

<-Ingresos tributarios (millones de soles corrientes) <--

Inversión total (millones de soles constantes)

Variable independiente Tipo de cambio

Descripción

Fuente

Si el tipo de cambio aumenta, cae el consumo de los bienes importados debido a un encarecimiento de los bienes extranjeros, lo cual reduce las importaciones.

El desarrollo de los países tiene un efecto positivo sobre la recaudación tributaria, debido al nivel de eficiencia fiscal de los países desarrollados. Un indicador del desarrollo utilizado a lo largo de la literatura es el ingreso Inversión total per cápita. (millones de soles La inversión en capital (especialmente la constantes) realizada por agentes nacionales) está asociada a un mayor crecimiento económico, generando así un mayor flujo de ingresos tributarios. PBI per cápita

De acuerdo al MEF, la inversión extranjera directa está incluida dentro de la inversión privada. Por otro lado, la inversión privada es un elemento de la inversión bruta fija, la cual junto con la variación de existencias, constituyen la inversión total de la economía.

<--

Inversión extranjera directa (millones de US$)

<--

La inversión privada es una función directa de Excedente bruto las ganancias de las empresas (o excedente de explotación bruto de explotación). Al mismo tiempo, la (millones de soles inversión privada está comprendida dentro de corrientes) la inversión total de la economía.

<--

La inversión pública es un elemento de la inversión bruta fija, la cual se estima a través Inversión pública de las cuentas fiscales. La suma de la inversión (millones de soles bruta fija y la variación de existencias da constantes) como resultado la inversión bruta interna (o inversión) de la economía.

Jiménez (2010)

Forma funcional

Importacionest = 98884,07 - 27308,6 × Tipo cambiot + 5036,063 × t

MartinMayoral y Uribe (2010)

Ingresos tributariost = - 31220,99 + 0,40 × Inversiónt + 5,02 × PBI per cápitat-1

MEF (2018a) BCRP (2011)

Alarco (2016) BCRP (2011)

BCRP (2011)

Inversiónt = 5054,28 + 1,82 × Inversión extranjera directat

+ 0,17 × Excedente bruto explotaciónt+1,77 × Inversión públicat

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente Inversión extranjera directa (millones de US$)

Inversión pública (millones de soles constantes)

Producto bruto interno por Demanda Agregada (millones de soles constantes)

<--

Variable independiente Apertura comercial (Exportaciones + Importaciones)

Descripción

Fuente

El incremento de la apertura comercial (suma de las exportaciones e importaciones) tiene un efecto positivo sobre la inversión extranjera. En particular, el comercio internacional complementa la inversión extranjera si la estructura industrial es vertical.

Molgrovejo (2005)

Inversión extranjera directat = - 5758,35 + 0,12 × Aperturat - 796,59 × t

Lastra (2017)

Inversión públicat = - 4389,831 + 0,06 × PBIt-1

<--

Un mayor crecimiento económico implica una mayor cantidad de recursos ordinarios futuros Producto lo cual influye notablemente en la ejecución bruto interno del gasto público en proyectos de inversión. En (millones de soles particular, la inversión pública es una variable constantes) pro cíclica que acompaña al crecimiento económico.

<--

Consumo privado El consumo privado es parte de las utilizaciones (millones de soles finales de la economía, por lo que está incluido constantes) en el Producto bruto interno.

<--

Consumo público El consumo público es parte de las utilizaciones (millones de soles finales de la economía, por lo que está incluido constantes) en el Producto bruto interno.

<--

Inversión total La inversión es parte de las utilizaciones finales (millones de soles de la economía, por lo que está incluido en el BCRP (2011) constantes) Producto bruto interno.

<--

Exportaciones El valor de las exportaciones es parte de las (millones de soles utilizaciones finales de la economía, por lo que constantes) está incluido en el Producto bruto interno.

<--

Las importaciones se excluyen de la suma de Importaciones los componentes de las utilizaciones finales, (millones de soles debido a que el PBI solo considera el valor de la constantes) producción final nacional.

Forma funcional

PBIt = Consumo privadot + Consumo públicot + Inersiónt + Exportacionest - Importacionest

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente

<--

<-Producto bruto interno por Oferta Agregada (millones de soles constantes)

<--

Producto bruto interno de China (millones de US$)

<--

Variable independiente

Descripción

Fuente

Capital físico De acuerdo a una función de producción (millones de soles Cobb Douglas, el stock de capital es uno de constantes) los factores productivos de la oferta que compondría la producción agregada.

Capital humano

Población ocupada (Población económicamente activa ocupada)

Productividad total de factores

Precio del cobre

De acuerdo a una función de producción Cobb Douglas, el capital humano es parte de los factores productivos de la oferta que compondría la producción agregada. De acuerdo a una función de producción Cobb Douglas, la fuera laboral es uno de los factores productivos de la oferta que compondría la producción agregada. La productividad aporta a la producción debido a que engloba a todos los factores diferentes a la acumulación de capital físico y humano, que explican las diferencias en las tasas de crecimiento económico entre los países. De igual manera es un indicador de aprovechamiento, rendimiento y eficiencia de uso de los factores productivos. Un aumento en los precio de las materias primas impacta al PBI de China ya que gran parte de las sus flujos comerciales corresponden a productos tradicionales.

Cobb y Douglas (1928) MEF (2016)

MEF (2016)

Cobb y Douglas (1928)

PBIt = Productividad total de factorest × (Población ocupadat × Capital humanot)0,35 × Capitalt0,65

MEF (2016) Easterly y Levine (2001) MEF (2016) BCRP (2011)

Perrotti (2015)

Forma funcional

PBI Chinat = 1490474 + 57,77 × Precio cobret + 16041,17 × t

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Variable dependiente Remuneraciones (millones de soles corrientes)

<--

Variable independiente Clase Media (Número de personas que viven con más de US$ 13 al día)

Descripción

Fuente

El incremento de la clase media implica un mayor número de personas con ingresos dignos, expandiendo el consumo de los hogares

Nota. Elaboración CEPLAN.

CEPLAN (2016)

Forma funcional

ln(Remuneracionest ) = -2,95 + 0,92 × ln(Clase mediat )

IMPACTO DE LOS ESCENARIOS FUTUROS SOBRE LAS VARIABLES DE DESARROLLO NACIONAL

Tabla 6 Relaciones causales y formas funcionales de las variables dependientes del subsistema ambiental Variable dependiente

Consumo de combustibles tradicionales (Terajoules)

<--

<-Emisiones de gases de efecto invernadero (millones de toneladas de CO2 equivalente)

Variable independiente Valor agregado del sector transporte (millones de soles constantes) Consumo de combustibles tradicionales (Terajoules)

<--

Pérdida de bosques (Hectáreas)

Población

Descripción

Fuente

De acuerdo al INEI, existe una creciente generación de energía eléctrica basada en energía térmica (centrales eléctricas, a carbón, petróleo y gas natural) para satisfacer la demanda de los sectores económicos. La actividad que consume la mayor cantidad de combustibles tradicionales es el sector de transporte. De acuerdo al marco IPAT (Impact = Population Affluence Technology), la participación del sector energético respecto al PBI es un determinante de las emisiones de GEI. Asimismo, el creciente uso de energía térmica de parte de las actividades económicas genera cantidades impresionantes de CO2. La deforestación y a raíz de ella, el posterior cambio de uso del suelo es la principal fuente de emisiones de gases de efecto invernadero en el Perú, equivalente al 41% del total emanado. La población es uno de los tres determinantes de las emisiones de gases de efecto invernadero, de acuerdo al marco IPAT (Impact = Population Affluence Technology). Esto se debe a su participación en procesos que desestabilizan los sistemas ecológicos (a través de la agricultura) y por el uso de recursos naturales que requiere para sus actividades.

Foto: Agencia Andina Nota. Elaboración CEPLAN.

Forma funcional

INEI (2013) INEI (2017b)

Consumo de combustiblest = 163022,6 + 21,22 × Transportet - 5245,36t × t

Diezt y Rosa (1997) IPCC (2000)

GEIt = 22,69 + 0,0002 × Consumo de combustiblest + 0,0003 × Pérdida de bosquest

INEI (2013) Paz (2018)

Ehrlich y Holden (1971) Dietz y Rosa (1997) IPCC (2000)

Pérdida de bosquest = -387551,9 + 0,02 × Poblaciónt

T. (511) 211 7800 webmaster@ceplan.gob.pe www.ceplan.gob.pe Av. Canaval y Moreyra 480 - Piso 11, San Isidro Lima - PerĂş

Ceplan PerĂş

Ceplan2050

Canal Ceplan

Ceplan