Influencia de la Educación en el Flujo Migratorio Peruano

Item Type info:eu-repo/semantics/bachelorThesis

Authors Merino Vega, Solmaria

Publisher Universidad Peruana de Ciencias Aplicadas (UPC)

Rights info:eu-repo/semantics/openAccess; Attribution-

NonCommercial-ShareAlike 4.0 International

Download date 21/04/2024 22:37:51

Item License http://creativecommons.org/licenses/by-nc-sa/4.0/

Link to Item http://hdl.handle.net/10757/658168

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE ECONOMÍA

PROGRAMA ACADÉMICO DE ECONOMÍA Y FINANZAS

Influencia de la Educación en el Flujo Migratorio Peruano

TRABAJO DE INVESTIGACIÓN

Para optar el grado de bachiller en Economía y Finanzas

AUTOR

Merino Vega, Solmaria (0000-0002-5309-2354)

ASESOR

Jopen Sánchez, Guillermo Héctor (0000-0003-2629-6017)

Lima, 5 de noviembre de 2021

 RESUMEN

La presente investigación tiene como objetivo analizar la influencia de la educación en la

decisión de migrar internamente de un individuo en el Perú. En este caso, la variable
educación es representada por la escolaridad promedio de la región, así como por la oferta
educativa disponible. El periodo de análisis abarca los años comprendidos entre 2016-2020,
dado que la migración reciente evalúa la residencia actual del individuo y el lugar donde
residía cinco años atrás.

En base a la teoría del capital humano, se plantea que la educación de la región de destino
se comporta como un factor de atracción que mejora el bienestar del individuo, si este decide
migrar. De esta manera, con la finalidad de evaluar la hipótesis planteada, se propone una
estimación a través del modelo Logit, la que confirma que el nivel educativo de la región de
destino es un factor significativo y de relación positiva con la decisión migratoria.

Palabras clave: Migración interna, educación, factores de atracción y expulsión, costos y

beneficios
 The Influence of Education on the Peruvian Migratory Flow

ABSTRACT

The present research aims to analyze the influence of education on an individual’s decision
to internally migrate in Peru. In this investigation, the education variable is represented by
the average schooling in the region, as well as by the regional education availability. The
analysis period covers the years between 2016-2020, since recent migration evaluates the
individual’s current residence and the place where he resided five years ago.

Based on the human capital theory, it is proposed that education in the destination region
behaves as a pull factor which improve the individual’s well-being if he decides to migrate.
Thereby, a logit model is used to evaluate the hypothesis. The results confirm that the
educational level of the destination region is a significant and positively related factor to the
migration decision.

Keywords: Internal migration, education, push and pull factors, costs and benefits
 TABLA DE CONTENIDOS

1 INTRODUCCIÓN ......................................................................................................... 3

2 MARCO TEÓRICO ...................................................................................................... 5

2.1 Estudios Previos .................................................................................................... 5

2.2 Modelo Teórico ..................................................................................................... 9

3 APROXIMACIÓN ECONOMÉTRICA ..................................................................... 10

3.1 Hechos Estilizados ............................................................................................... 10

3.2 Estrategia Metodológica ...................................................................................... 15

3.3 Análisis de Resultados ......................................................................................... 19

4 CONCLUSIONES ....................................................................................................... 22

5 REFERENCIAS .......................................................................................................... 24

6 ANEXOS ..................................................................................................................... 26
 ÍNDICE DE TABLAS

Tabla 1. Escolaridad promedio según sexo y área de residencia (2016-2020).................... 14

Tabla 2. Descripción de las variables empleadas en la estimación ..................................... 17
Tabla 3. Tabulación de la variable migración reciente ........................................................ 18
Tabla 4. Tabulación de la variable migración de toda la vida ............................................. 18
Tabla 5. Tabla resumen de efectos marginales, según modelo econométrico ..................... 20
Tabla 6. Tabla resumen de coeficientes, según modelo econométrico ............................... 26
Tabla 7. Comparación entre modelos Logit y Probit .......................................................... 26
Tabla 8. Valores predichos promedio, migración de toda la vida ....................................... 27
Tabla 9. Probabilidad predicha en el promedio, migración de toda la vida ........................ 27
Tabla 10. Tabla de sensibilidad ........................................................................................... 27
Tabla 11. Curva de ROC ..................................................................................................... 28
Tabla 12. Población inmigrante y emigrante, según departamento para el 2017 ................ 28

1
 ÍNDICE DE FIGURAS

Gráfico 1. Saldo migratorio de la migración interna de toda la vida, según departamento,

2015 ..................................................................................................................................... 12
Gráfico 2. Población censada mayor a 15 años con educación secundaria, según
departamento ....................................................................................................................... 13
Gráfico 3. Ingresos promedio según departamento (2007-2019) ........................................ 15
Gráfico 4. Estructura porcentual de la población censada, según área de residencia.......... 29
Gráfico 5. Curva de ROC .................................................................................................... 29

2
1 INTRODUCCIÓN

El fenómeno de la migración continúa siendo un tema de actualidad, ya sea a nivel

internacional o nacional. Resulta relevante analizar los patrones migratorios internos y
estudiar los determinantes que influyen en este proceso. De esta manera, se permite examinar
temas fundamentales y proponer políticas con base empírica relevante para explotar el
potencial económico de la migración (Klaassen y Drewe, 1973).

El papel de los flujos migratorios internos en el desarrollo económico de un país es

ampliamente reconocido, dado que éstos son parte esencial del proceso de urbanización. Esto
se ve reflejado en el caso de Perú, pues en 1940, solo el 33% de la población residía en las
ciudades. No obstante, de acuerdo a los datos obtenidos por el INEI y el Censo Nacional de
Población y Vivienda (2007), tres de cada cuatro peruanos residen en la ciudad, lo que
representa el 76% de la población (Yamada 2010). A este fenómeno se le identifica como la
migración “del campo a la ciudad” (Ver Gráfico 1).

El patrón de migración interna en los países en desarrollo es principalmente de áreas rurales

hacia áreas urbanas (McKenzie, 2008). Considerando que la tasa de natalidad urbana es más
baja que la rural y que el sector industrial se concentra, generalmente, en centros urbanos, la
distribución y reasignación de la fuerza laboral entre sectores debe provenir de la migración.

La evidencia en el caso peruano, dada la centralización existente, permite asumir que la

migración interna es un proceso, en su mayoría, unidireccional. Debido a que, es común que
los individuos migren de la sierra y selva hacia la costa, principalmente a Lima, que
viceversa (Yamada, 2010).

Las diversas teorías económicas de la migración humana ven el proceso como una respuesta
a las diferencias en las oportunidades económicas, laborales, así como educativas entre
regiones. Tal es así que la desigual distribución de los recursos influiría en la decisión de
migrar de la población (Todaro 1969). En detalle, este y otros factores que fomentan la
migración podrían catalogarse como aquellos que empujan a los migrantes a salir de su lugar
de origen (factores de expulsión), y aquellos que atraen a los migrantes (factores de
atracción) (Ravenstein 1885).

Aunque es más común que se conceptualice la migración como la búsqueda de mejores

oportunidades laborales, la evidencia sugiere que cada vez más la población joven migra

3
para fomentar la educación (Boyden 2013, Crivello 2011). Esto debido a factores como la
escasez de oferta educativa en algunas regiones o a la concentración de éstas en áreas
urbanas. La migración por educación es considerada como la fase temprana de migración,
los jóvenes migran internamente a recibir una educación superior para luego incorporarse a
mercados económicos (King y Sheldon, 2010).

Incorporar la educación como un potencial motivo de migración, principalmente entre los

jóvenes, contribuye a la literatura, que se limita a las consecuencias de la educación
acumulada antes de la migración (Smith y King, 2012). La educación podría considerarse
uno de los beneficios no salariales de mayor relevancia de cualquier locación (Schultz, 13).

De este modo, debido a que la educación cumple un rol significativo en el desarrollo y

crecimiento, tanto económico como social (Tabutin y Schoumaker, 2004), y dado que los
migrantes son participantes clave en dicho desarrollo, es imprescindible analizar cómo
influye la educación en la probabilidad de que un individuo migre para formular políticas de
desarrollo que permitan la integración y un crecimiento sólido.

En la presente investigación, se estudia cuál es el efecto de la educación, medida a través del

promedio de escolaridad y de la oferta educativa, tanto de la región de origen como de
destino, en la decisión migratoria de un individuo en el Perú. Asimismo, se evaluan las
diferencias en la respuesta de los migrantes, respecto al nivel de educación, a las demas
variables explicativas.

En la primera parte de esta investigación, se presentará el marco teórico en el cual se

desarrollarán las teorías relacionadas a la migración, en base a la revisión bibliográfica. Se
explicará la relación del nivel educativo con la migración, con el fin de sustentar la hipótesis
planteada, a mayor nivel educativo, mayor probabilidad de migrar. La siguiente sección
detalla la aproximación metodológica empleada, así como la descripción de las variables
explicativas incluidas en el modelo. La sección posterior presenta el análisis de los resultados
obtenidos. Finalmente, se presentan las conclusiones del estudio.

4
2 MARCO TEÓRICO

El objetivo de esta sección es conceptualizar la migración interna desde sus distintos

enfoques y analizar sus determinantes para comprender su relación con las variables
explicativas incluidas en el modelo. Asimismo, se expondrá el aporte de la investigación, a
través de la conección entre lo encontrado en la literatura previa, el modelo teórico planteado
y lo desarrollado en el presente estudio.

2.1 ESTUDIOS PREVIOS

Los diversos estudios realizados en relación con las migraciones y su impacto en la economía
se pueden agrupar en dos áreas (Greenwood,1997). La primera hace referencia a las
consecuencias de migrar, al comportamiento de la población migrante en su nueva locación.
Mientras que, la segunda se basa en determinar qué factores influyen y determinan los
procesos migratorios. El presente trabajo busca analizar el comportamiento de la educación
en el proceso migratorio. El objetivo es examinar la influencia de dicha variable como una
de las causas o factores determinante en la decisión de migrar. Por ello, dado que el primer
enfoque estudia la adaptación del individuo en el lugar de destino, después de migrar, este
estudio está enfocado en la última área.

Las teorías económicas en relación con las migraciones internas han ido evolucionando con
el tiempo y han sido evaluadas desde distintas perspectivas. Uno de los primeros en escribir
sobre los determinantes de la migración fue Ravenstein, demógrafo que planteó, en 1885,
distintos principios que son considerados como la base de la teoría de la migración.

Ravenstein estudió la migración interna en el Reino Unido y enumeró siete conclusiones que
denominó “leyes”. Concluyó que la mayoría de los migrantes se desplazan distancias cortas
y , por lo general, a las principales ciudades. Además, afirmó que la probabilidad de migrar
de aquellos individuos que residen en sectores rurales es mayor a la de la población urbana.
Asimismo, reconoció que el empleo y las oportunidades salariales eran los principales
determinantes de la migración. Las leyes de Ravenstein actualmente sirven como punto de

5
referencia para el desarrollo de numerosos estudios de los patrones migratorios tanto
internacionales, como internos.

Entre los estudios que tienen como base a las leyes de la migración de Ravenstein, destaca
el realizado por Zipf (1949). Este autor básicamente plantea que la migración es
indirectamente proporcional a la distancia que viajan los pobladores migrantes. A través de
su investigación, comprueba su hipótesis, la que va acorde a lo encontrado por Ravenstein,
la migración es preferida en distancias más cortas.

Una gran parte de los trabajos empíricos sobre la migración se basan en la teoría del capital
humano, propuesta inicialmente por Sjaastad (1962). Desde esta perspectiva, la decisión de
migrar se basa en la inversión en capital humano. Se plantea que los individuos migran con
el fin de recuperar la inversión realizada. De esta manera, un individuo decidirá migrar a
otro territorio tras analizar sus costos y posibles retornos, los que pueden reflejarse en un
mayor bienestar (Korpi y Clark, 2017). En este modelo, se asocian los costos monetarios y
no monetarios (psicológicos) a factores como la distancia, variable que generalmente se usa
para aproximar dichos costos.

La distancia es una aproximación de los gastos de desembolso personal de la mudanza, por

ejemplo los costos de transporte. Dichos costos de oportunidad aumentan con la distancia,
los costos de información incrementan, dado que se incurren en mayores costos de búsqueda
para compensar la mayor incertidumenbre (Wadycki,1974). Asimismo, esta variable sirve
como un indicador de los costos psiscológicos, pues mientras mayor es la distancia, se
esperan mayores diferecias culturales. Estos pueden compensarse haciendo viajes frecuentes
de regreso al origen, lo que aumental el costo de mudarse (Schwartz, 1973).

Por otro lado, desde el enfoque de la teoría neoclásica, se considera un escenario de

competencia perfecta, en el que los costos de traslado no existen. Los individuos deciden
migrar, con el objetivo de maximizar sus ingresos (salarios) y obtener mayores beneficios
(Varela et al, 2017). De esta manera, iniciarán el proceso migratorio cuando dichos
beneficios superen a los costos generados, seleccionando una locación que maximice su
inversión. Bajo el supuesto de la racionalidad económica, los migrantes evalúan la
posibilidad de conseguir un empleo en su lugar de destino, por lo que la migración
desempeña una función de ajuste y equilibrio en el mercado laboral (Fields, 1979)

6
En 1969, Todaro incorporó además de las disparidades salariales, la probabilidad de obtener
empleo en la región de destino, como parte de su modificación del modelo neoclásico. Esta
nueva variable presenta una relación inversa con el nivel de desempleo de la región de
destino. Mientras mayor sea el número de desempleados buscando trabajo, mayor es la
probabilidad de permanecer desempleado por un periodo de tiempo, lo que desincentivará
la decisión de migrar.

Por último, se postula también el modelo gravitacional. Este enfoque establece que la
migración está directamente relacionada con el tamaño de las regiones, medidos a través del
tamaño de la población, e inversamente relacionada con la distancia. De esta manera,
mientras la distancia entre el departamento de origen y destino es mayor, el flujo migratorio
disminuye. El objetivo de los modelos gravitacionales es justificar, a través de explicaciones
sociológicas, económicas, geográficas, entre otras, los flujos de cambio. Este modelo incluye
variables, que incorporan contenido conductual, distinguiéndose aquellas que actúan como
fuerza de atracción de los migrantes y aquellas que actúan como factores de expulsión
(Rosenzweig y Stark, 1997).

Como se ha mencionado anteriormente, los modelos de movilidad laboral señalan que los
principales incentivos a la migración son las oportunidades laborales y la capacidad de
generar mayores ingresos (Mincer, 1978).

No obstante, recientemente en la literatura económica, el nivel educativo ha sido identificado

como un determinante primario de la migración interna, particularmente en la dirección del
campo a la ciudad (Banco Mundial 2009).

En distintas investigaciones sobre migración interna, en países emergentes, se ha sustentado

que la educación tiene un efecto significativo en la migración. A pesar de que se espera que
los estados con niveles más altos de educación sean más atractivos a los migrantes, a este
efecto no se le ha podido proporcionar una interpretación consistente, puesto que la relación
de dicha variable con la migración ha diferido notablemente entre los estudios de diferentes
países (Levy y Wadycki, 1974).

Autores como Beals, Levy y Moses; Greenwood; y Sahota utilizaron análisis de regresión
para estimar la migración de la fuerza laboral en Ghana, Egipto, India y Brasil,
respectivamente. En estos estudios no se pudo determinar el nivel educativo de los
migrantes, por lo que se incluyeron como parte de las variables explicativas, el nivel

7
educativo de la región de origen y de destino. Los resultados evidencian que los coeficientes
estimados obtenidos de la variable educación capturan dos efectos. Estos son, el efecto del
nivel educativo acumulado sobre la decisión de un individuo para migrar, así como la
atracción de oportunidades educativas para los migrantes potenciales.

En función a lo anterior, Greenwood (1969) y Sahota (1968) encontraron para Egipto y

Brasil, respectivamente, que la migración disminuyó con niveles más altos de educación en
el origen, mientras que aumentó con niveles más altos de educación en el destino. Por otro
lado, Beals, Levy y Moses (1967) encontraron para Ghana, que la migración disminuyó con
niveles más altos de educación tanto en el origen como en el destino. Por último, Greenwood
(1971) encontró para India que la migración aumentó con niveles más altos de educación
tanto en el origen como en el destino.

Debido a los variados resultados anteriores, se plantean otros posibles efectos de la

educación. Se propone que las personas con mayor educación tienen más movilidad, por lo
que un estado con un nivel de educación alto podría tener más emigrantes. Asimismo, se
considera que los individuos educados ganan más que aquellos sin educación, entonces los
estados con salarios promedio más alto podrían tener gran parte de la fuerza laboral educada,
lo que exageraría las oportunidades disponibles para aquellos sin educación. Si este fuera el
caso, un nivel educativo alto en el lugar de destino podría ser un factor disuasivo de la
inmigración (Levy, 1972).

Las teorías económicas de la migración sostienen que las habilidades fluyen hacia el lugar
de mayor rendimiento (Massey et al. 1993; Banco Mundial 2009). Por tanto, el nivel
educativo, que representa el capital humano de una persona, actúa como un potenciador de
la migración al mejorar las oportunidades futuras de empleo, así como la probabilidad de
conseguir trabajo. La teoría de la selección sostiene que los migrantes suelen ser
seleccionados positivamente en función de las características del capital humano con niveles
relativamente más altos de educación y estatus ocupacional en comparación con los no
migrantes de una población en particular (Findley 1977; Chiswick 2000; Feliciano 2005).

8
2.2 MODELO TEÓRICO

El modelo teórico base del presente estudio es el relacionado a la teoría del capital humano,
planteado por Sjaastad (1962). Este autor es el primero en considerar la noción de inversión
en capital humano en la decisión de migrar. Establece que la migración es una inversión que
genera costos y beneficios, y que incrementa el rendimiento de los recursos individuales. De
esta manera, los individuos deciden migrar con el fin de maximizar sus ingresos esperados,
gracias a las ganancias que genera el proceso migratorio.

Según Sjaastad, la ganancia neta esperada de cada individuo es el diferencial entre los costos
y beneficios individuales, producto de la migración. Entonces, el potencial migrante
seleccionará la locación de destino, en la que el valor real del beneficio neto esperado que
genera la migración sea mayor.

Sea el valor presente del flujo de ingresos en la localidad “j”, menos que en “i”:
𝑛
(𝐸𝑗𝑡 − 𝐸𝑖𝑡 )
∑
(1 + 𝑟)𝑡
𝑡=1

Donde “r” es la tasa interna de descuento, que no necesariamente es una constante. Por otro
lado, el valor presente de los costos netos asociados a la residencia en este par de regiones
se representa como:
𝑛
(𝐶𝑗𝑡 − 𝐶𝑖𝑡 )
∑
(1 + 𝑟)𝑡
𝑡=1

Entonces, la sumatoria es sobre la vida restante del individuo. El valor presente de la

inversión de migrar de “i” hacia “j” es:
𝑛
1
𝑃𝑉𝑖𝑗 = ∑ [ ] [(𝐸𝑗𝑡 − 𝐶𝑗𝑡 ) − (𝐸𝑖𝑡 − 𝐶𝑖𝑡 )]
(1 + 𝑟)𝑡
𝑡=1

Un individuo que reside en “i” seleccionará el destino para el cual 𝑃𝑉𝑖𝑗 se maximice. En este
modelo se asume que tras una comparación de los costos y beneficios que genera el traslado
de una región a otra, los individuos migrarán hacia el destino con mayores ingresos. Si esto
ocurre numerosas veces, la oferta laboral incrementará en dichas regiones, por el contrario
se reducirá en aquellas con ingresos inferiores. Como resultado, los diferenciales en los

9
ingresos interregionales se eliminarán, puesto que los salarios en las primeras regiones
disminuirán y en las segundas aumentarán.

Cabe resaltar que, Sjaastad tiene en cuenta que tanto los costos, como los ingresos generados
por el proceso migratorio incluyen componentes monetarios y no monetarios. Respecto a los
costos no monetarios, están los costos de oportunidad, aquellos que consisten en los ingresos
que se dejan de recibir durante el periodo de migración y búsqueda de empleo, y los costos
psicológicos, aquellos asociados a lo que sufre el migrante al abandonar su entorno familiar
y social.

Dichos costos monetarios no implican pérdidas, en términos de dinero. Por ello, Sjaastad no
los incluye en la ecuación costo-beneficio.

Según lo antes mencionado, en la decisión de migrar los individuos considerarán los

beneficios y costos totales, que implican los monetarios y no monetarios, tanto en el presente
como en tiempo futuro. Si los primeros exceden el valor de los segundos, se inicia el proceso
migratorio.

3 APROXIMACIÓN ECONOMÉTRICA

En esta sección se presentan una serie de datos estadísticos como parte de los hechos
estilizados de la migración interna, con el fin de analizar su evolución y relación con el perfil
migratorio de los individuos. Además, se explica la construcción de la base de datos y se
detallan las variables que se emplean en la investigación. Asimismo, se presenta el metódo
econométrico que se usa para estimar el modelo propuesto y comprobar los resultados en
base a la hipótesis planteada. Por último se explican los resultados obtenidos del modelo
econométrico elegido.

3.1 HECHOS ESTILIZADOS

La principal fuente para estudiar los flujos migratorios son los Censos de Población y
Vivienda, puesto que incluyen preguntas sobre la residencia actual y pasada que permiten
identificar a los migrantes y analizar los flujos migratorios, considerándose migrantes a los
individuos que tienen una residencia anterior diferente a la habitual en el momento del
Censo.

10
Los Censos Nacionales de Perú recolectan información acerca de tres aspectos clave: El
lugar de nacimiento, la residencia actual y la residencia del individuo en un determinado
momento, distinguiéndose, la migración de toda la vida y la migración reciente o temporal.
Según lo planteado por el INEI, la primera captura una migración denominada absoluta, en
la que se evalúan los desplazamientos de un departamento a otro, ocurridos hasta el momento
del Censo. Mientras que, la segunda comprende a aquellos migrantes que cambiaron de
residencia cinco años previos al empadronamiento.

De acuerdo con los datos recaudados por el INEI, el número de migrantes absolutos, a nivel
nacional, aumentó en 620 mil personas durante el periodo comprendido entre los años 2007
y 2017. En otros términos, más del 20% de la población, en el 2017, representa la condición
de migrante de toda la vida. Asimismo, con respecto a la migración reciente, los datos
obtenidos, tanto del Censo Nacional XI de Población y VI de Vivienda del 2007, como del
Censo Nacional XII de Población y VII de Vivienda del 2017, evidencian que ésta
experimentó un ligero incremento de 105 mil personas, lo que refleja un crecimiento de
aproximadamente 8%, en base a la cantidad de migrantes temporales del Censo del año 2007.

Ambos enfoques, propuestos por el INEI, presentan limitaciones, dado que no miden los
desplazamientos intermedios de los individuos. Sin embargo, la literatura le brinda mayor
relevancia a la migración reciente, pues la migración absoluta carece de periodo de
referencia, puesto que no se sabe cuándo migró el individuo.

Desde la perspectiva de la migración reciente, los departamentos pueden clasificarse como

de atracción o de expulsión. Si se evalúa la migración considerando el lugar de origen, es
decir, a los emigrantes, los departamentos que han expulsado mayor población, tanto en el
2007, como en el 2017, son: Apurímac, Huancavelica, Pasco, Cajamarca y Amazonas. Por
el contrario, aquellos departamentos que han mostrado los menores porcentajes de población
originaria que reside en otro departamento, atribuyéndose como departamentos de atracción
son: Lima, Tacna, Arequipa y Madre de Dios.

11
 Gráfico 1. Saldo migratorio de la migración interna de toda la vida, según departamento,
2015

Fuente: INEI 2015. Elaboración propia

Es preciso enfatizar que el departamento de Lima, en términos absolutos, posee una mayor
cantidad de habitantes inmigrantes en el 2017. Asimismo, datos de la encuesta ENAHO del
año 2018 afirman que el atractivo poblacional se mantiene. Como se mencionó
anteriormente, según Yamada (2010) la migración en el Perú es, en su mayoría,
unidireccional, pues se da generalmente hacia la costa.

El desplazamiento entre regiones se debe a diversos factores, los cuáles se clasifican en

factores de expulsión y de atracción. Generalmente estas condiciones están relacionadas a la
búsqueda de mejores oportunidades. Por ejemplo, las condiciones negativas como salarios
bajos, desempleo alto o inseguridad actúan como incentivos para migrar hacia otro
departamento. A su vez, actúan como factores de atracción, un nivel salarial alto, mayores
oportunidades laborales. En general, mejores condiciones económicas y sociales.

Rasgos como el sexo, la localidad, edad, años de educación, entre otros aspectos
sociodemográficos permiten la construcción del perfil de los individuos considerados como
migrantes internos. Para la presente investigación, el análisis de la educación es
imprescindible, pues como mencionan autores como Beals, Levy, Moses y Sahota el nivel
educativo tiene un efecto significativo en la migración. Los datos obtenidos del INEI,
demuestran que los migrantes internos recientes tienen un mayor nivel educativo. En el

12
quinquenio comprendido entre 2012 y 2017, predominó la migración de la población con
secundaria completa (40,1%), seguida por individuos con nivel educativo superior (19,4%).
Tanto para los hombres, como mujeres migrantes, el mayor peso del aporte migratorio se
encuentra en el grupo de 20 a 24 años, es decir, la población en edad de trabajar, lo que
recalca la relación directa entre la migración y la búsqueda de mejores oportunidades, tanto
laborales como educativas.
De acuerdo con los datos reportados por el INEI, Huancavelica es el departamento que
presenta mayor número de jóvenes analfabetos (14.3%), le siguen Apurímac (13.8%) y
Huánuco (12.7%). Esto podría relacionarse como uno de los factores de expulsión de esos
departamentos. Como se mencionó líneas antes Huancavelica y Apurímac son dos de los
departamentos con mayor población expulsada. Aún cuando la situación peruana en materia
de educación ha mejorado, la evidencia sugiere que la tendencia de los flujos migratorios
internos continúan siendo a lugares donde la población encuentre mayores niveles de
educación (Banco Central de Reserva del Perú).

Gráfico 2. Población censada mayor a 15 años con educación secundaria, según

departamento

Fuente: INEI 2007-2017. Elaboración propia

13
En esta investigación se trabajará como variable de educación a la escolaridad promedio y a
la oferta educativa disponible en cada departamento del Perú. El Ministerio de Educación,
todos los años realiza cálculos estadísticos sobre el nivel de escolaridad promedio de los
diversos departamentos, en número de años. La información recolectada de ESCALE
(Estadística de la Calidad Educativa) evidencia que la escolaridad promedio, todos los años,
es menor en el ámbito rural que en el urbano. Asimismo, las mujeres presentan una
escolaridad promedio menor a los hombres. Por ejemplo, en el 2016 la escolaridad promedio
en el área urbana fue de 10.9 mientras que para el área rural fue de 6.4. En el 2020 se
obtuvieron niveles similiares, lo que indica que la tendencia se mantiene, los datos se pueden
ver en la Tabla 1.
Por otro lado, dado que del porcentaje de individuos que migran, la mayoría es población
joven, es relevante detallar el comportamiento del mercado laboral del departamento de
destino. En este estudio, dicha variable se relaciona al nivel salarial, medido a través de los
ingresos promedio obtenidos por ocupación principal en la región, pues este es un buen
indicador del nivel de bienestar de una economía. En el estudio de Alvarado et al (2017), se
menciona que las diferencias de los ingresos entre las distintas regiones es un factor
fundamental y relacionado directamente a la decisión de migrar. En esta línea, según
Sanchez (2015) más del 60% de los ingresos de un hogar provienen del trabajo.

Tabla 1. Escolaridad promedio según sexo y área de residencia (2016-2020)

Fuente: Elaboración propia

14
 Gráfico 3. Ingresos promedio según departamento (2007-2019)

Ingresos promedio Lima, Huancavelica, Puno

(2007-2019)
2 500.0

2 000.0

1 500.0

1 000.0

500.0

0.0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

Lima Huancavelica Puno Promedio Madre de Dios

Fuente: INEI. Elaboración propia

De acuerdo con datos obtenidos del INEI, desde el 2007 la tendencia del ingreso mensual
por trabajo (salarios) en promedio ha sido creciente. Se evidencia que departamentos como
Cajamarca, Huancavelica y Puno registran niveles de ingreso debajo del promedio, lo que
podría considerase un incentivo a migrar. Por el contrario, Lima, Callao y Madre de Dios
presentan salarios superiores al promedio.
Se presentan datos sobre el saldo migratorio según departamento, donde se evidencia que
hay regiones con mayor atractivo migratorio. Asimismo, se refleja en las tablas anteriores la
diferencia entre la escolaridad promedio entre el área urbana y rural, así como el menor nivel
educativo de la población en departamentos como Huancavelica y Apurimac. Por lo antes
mencionado, lo que se busca en este estudio es evaluar la incfuencia del nivel educativo en
la decisión de migrar de los individuos dentro del Perú.

3.2 ESTRATEGIA METODOLÓGICA

En relación con la teoría de capital humano, la migración tiene como finalidad la

maximización de ingresos, a través del análisis de costos y beneficios que el proceso genera.
Por ello, para poder modelar la probabilidad de migrar se incluyen en el estudio variables
que hacen referencia a los factores de atracción y expulsión. Asimismo, se incluyen variables
que reflejan las características del individuo en estudio, como el sexo, la edad y el nivel

15
educativo. Es importante recalcar que, con la finalidad de evitar problemas de endogeneidad
entre la migración y el nivel educativo del individuo, se usa en este estudio una variable
instrumental, en este caso es la educación de la madre. En la Tabla 2 se puede observar la
lista detallada de las variables empleadas en el estudio.

Para la construcción de la variable endógena, así como de las variables que modelan las
características del individuo, la base de datos usada fue extraída de la ENAHO PANEL,
proporcionada por el INEI. El periodo de análisis abarca los años comprendidos entre 2016-
2020. El periodo de tiempo establecido está en función a la literatura previamente revisada,
dado que como se mencionó anteriormente la migración puede clasificarse en “migración
reciente” y “migración de toda la vida”. Donde la primera hace referencia al cambio de
residencia de un individuo, de manera permanente, cinco años antes del empadronamiento.

Por otro lado, las variables exógenas que modelan la educación como un factor de atracción
o expulsión significativo son la escolaridad promedio y la oferta educativa disponible en
cada región. Los datos para la construcción de la escolaridad promedio fueron extraídos del
Ministerio de Educación, mientras que los datos sobre la oferta educativa se obtuvieron de
la Superintendencia Nacional de Educación Superior Universitaria.

Como parte de las características que reflejan la situación en la que se encuentra el individuo
en el momento de la migración se consideran, siguiendo a la literatura previa, el ingreso
mensual laboral de cada individuo, así como la situación en la que se encuentra en su
ocupación principal, es decir si es formal o informal. En principio, se planteó estimar el
modelo con la condición de actividad del individuo, si es que este está ocupado o
desempleado. Sin embargo, por problemas de dependencia entre las variables independientes
del modelo se empleó la condición de empleo.

En la presente investigación se construyeron dos variables dependientes, el valor de ambas

es 1 si el individuo es migrante. En el caso de la primera, los individuos son migrantes
recientes. Por el contrario, la segunda está en base a la migración de toda la vida, por ello se
elaboró respecto al departamento natal.

16
 Tabla 2. Descripción de las variables empleadas en la estimación

Variable Endógena Descripción

Variable dicotómica que toma el valor de 1 si el individuo

Migración
es migrante de toda la vida.

Variable dicotómica que toma el valor de 1 si el individuo

Migracion_reciente
es migrante reciente.

Variables Exógenas

Variable dicotómica que toma el valor de 1 si el individuo

Sexo
es hombre y 0 si es mujer.

Años cumplidos en el 2016, mayor a 18 y menor a 60

Edad
años.

Nivel de estudios alcanzado por la madre de cada

Educación de la madre
individuo.

Escolaridad promedio de la Promedio de escolaridad de la región de origen, grupo de

región de origen edad 25-64.

Escolaridad promedio de la Promedio de escolaridad de la región de destino, grupo de

región de destino edad 25-64.

Ingreso promedio de la región Promedio de ingresos por actividad principal de la región

de origen de origen, en logaritmo natural.

Ingreso promedio de la región Promedio de ingresos por actividad principal de la región

de destino de destino, en logaritmo natural.

Oferta educativa de la región Programas de estudio de universidades licenciadas en el

de origen departamento de origen.

Oferta educativa de la región Programas de estudio de universidades licenciadas en el

de destino departamento de destino.

Desempleo de la región de Tasa de desempleo del departamento de origen en el año

origen 2016

Desempleo de la región de Tasa de desempleo del departamento de destino en el año

destino 2016

17
 Ingreso mensual por trabajo de cada individuo en el año
Ingreso individual
2016, en logaritmo natural.

Condición de empleo del Variable dicotómica que toma el valor de 1 si el individuo

individuo se encuentra ocupado formalmente y 0 si es informal.

Los estudios previos le brindan mayor relevancia a la migración reciente, pues genera menos
sesgos en la información. Sin embargo, en el presente estudio los datos disponibles en base
a la migración reciente son escasos e impiden un análisis adecuado de los resultados. En la
Tabla 3 se tabuló la variable endógena migración reciente y se puede observar que de la
muestra de 1171 individuos, solo 14 son migrantes, considerando el cambio de residencia
entre 2016-2020.
Tabla 3. Tabulación de la variable migración reciente

Migración_reciente Frecuencia Porcentaje

No migrante 1157 98.80
Migrante reciente 14 1.20
Total 1171 100

Por otro lado, en la Tabla 4 se aprecia que tomando como base el departamento natal y el
lugar de residencia actual (2020), el número de individuos migrantes asciende a 285. Por
ello, se optó por usar la migración de toda la vida, dado que posee mas información.

Tabla 4. Tabulación de la variable migración de toda la vida

Migración Frecuencia Porcentaje

No migrante 886 75.66
Migrante 285 24.34
Total 1171 100

Al finalizar la construcción de la base de datos, de acuerdo a la literatura previa, se estima

el modelo planteado. La sugerencia de Davies y Li (2001) acerca del uso de variables en
razón entre la región de origen y la región de destino genera que la relación se aleje de 1,
mientras el diferencial entre regiones incremente. Sin embargo, este procedimiento asume
que el efecto de las variables que reflejan los factores de atracción y expulsión en las regiones

18
de origen y destino es similar sobre la posibilidad de migrar. Por ello, en esta investigación
se trabaja con una variable binaria.

Comúnmente, en base a la literatura revisada, se utilizan modelos Logit y Probit para realizar
las estimaciones. Se sugiere que el uso del modelo Logit es el de mejor ajuste, sin embargo
esto dependerá de la distribución de los datos, respecto a la muestra empleada. En el presente
estudio se ejecutarán ambas metodologías, con el fin de hacer una comparación y elegir la
el modelo de mejor ajuste.

3.3 ANÁLISIS DE RESULTADOS

La presente investigación, a través de la estimación por los modelos Logit y Probit, tiene
como finalidad evaluar la influencia que genera la educación en la probabilidad de migrar
de un individuo. Se ejecutaron las dos metodologías previamente mencionadas para poder
identificar el modelo de mejor ajuste.

Se realiza una comparación, tomando en cuenta el AIC (Criterio de información de Akaike)

y el BIC (Criterio bayesiano de información), así como el Pseudo-R2, en la que se aprecia
que la metodología Logit es la que presenta un mejor performance, pues muestra menores
indicadores AIC y BIC, además de un mayor Pesudo-R2. (Ver Anexo)

Debido a la estrategia metodológica usada, el análisis será en base a los efectos marginales
obtenidos de las estimaciones. Respecto a la relevancia de las variables, el análisis se hace
con respecto al valor del p-value. Se evalúa el promedio de probabilidades predichas, los
efectos marginales en el promedio, así como los valores predichos en el promedio. De
acuerdo con los resultados expuestos en la Tabla 5 se realizará un análisis de sensibilidad
respecto al promedio, de aquellas variables significativas.

Se evidencia que la mayoría de variables que representan las características del departamento
de origen, a excepción del ingreso promedio, no son relevantes. Por el contrario, todas
aquellas variables que reflejan el escenario laboral y educativo del departamento de destino
son significativas. Las características del departamento de origen son el promedio de las
características individuales de la población en el momento que decide migrar, por lo que
finalmente más importante que la situación individual o colectiva del lugar de origen es la
situación colectiva del departamento de destino.

19
Las características que describen el perfil del individuo migrante también resultan
significativas en la decisión de migrar hacia otro departamento. Los resultados evidencian
que la condiciónn de ser hombre genera un impacto positivo en la posibilidad de migrar,
aumentándola en 7.86% en promedio. Asimismo, un año adicional de edad aumenta la
probabilidad de migrar en 0.6%.

Por otro lado, es importante evaluar el impacto que genera el nivel educativo del individuo,
pues mientras más años de educación posee, mayor es la probabilidad de que este migre
(Greenwood, 1971). No obstante, como se mencionó en la sección anterior, dada la
endogeneidad producida por la simultaneidad entre la migración y la educación, se emplea
la educación de la madre. Dicha variable resulta significativa, se concluye que al contar la
madre con un nivel académico superior la probabilidad de ser migrante aumenta en 1.12%
en promedio.

Tabla 5. Tabla resumen de efectos marginales, según modelo econométrico

Variable Logit Probit

Sexo (Hombre==1) 0.0786 0.0839
0.04 ** 0.04 **
Edad (Entre 18 y 59 años) 0.0057 0.0054
** **
0.00 0.00
Educación de la madre 0.0112 0.0123
* *
0.01 0.01
Escolaridad promedio de la región de origen -0.0237 -0.0192
0.04 0.04
Escolaridad promedio de la región de
destino 0.1139 *** 0.0928 ***
0.04 0.04
Ingreso promedio de la región de origen -1.1127 -1.0427
*** ***
0.26 0.24
Ingreso promedio de la región de destino 1.3875 1.3416
*** ***
0.22 0.20
Oferta educativa de la región de origen -0.0101 -0.0001
-6.42 0.00
Oferta educativa de la región de destino 0.1010 0.0001
*** ***
0.00 0.00
Desempleo de la región de origen -0.0475 -0.0503
*
0.03 0.03
Desempleo de la región de destino -0.0461 -0.0383
* *
0.03 0.03
Condición de empleo del individuo 0.0236 * 0.0285 *

20
 0.05 0.05
Ingreso individual 0.0705 0.0748
** **
0.03 0.03
Pseudo R2 0.2157 0.2017
Criterio AIC 588.926 622.6171
Criterio BIC 650.8968 671.3085
Valor de Verosimilitud -280.460 -258.47
Número de observaciones 618 618

Nota: Estimación realizada con información de ENAHO Panel (2016-2020). Se reportan efectos
marginales y errores estándar. Los niveles de significancia consideran niveles de 90% (*), 95% (**)
y 99% (***).

Se evidencia que el ingreso regional promedio es significativo, tanto en el origen como en

el destino. Respecto al departamento de destino, ante un incremento de una unidad
porcentual en el ingreso promedio por trabajo de la región, en el 2016, la probabilidad de
que un individuo migre hacia allí aumenta en 1.39% en promedio. Al evaluar el
departamento de origen, se identifica que el aumento en una unidad porcentual del ingreso
promedio de la región en el 2016, reduce la probabilidad de que un individuo migre en
1.11%.

Al momento de tomar la decisión de migrar, un individuo analiza diversos factores que le

permitan asegurar su establecimiento en el nuevo departamento óptimamente. En este caso,
las variables que reflejan dichos factores son el ingreso mensual individual, por ocupación
principal y secundaria, así como la condición de empleo en la que se encuentra el individuo,
ya sea formal o informal. Se concluye que ambos son puntos determinantes en la decisión
migratoria. Respecto al ingreso individual, un incremento de uno por ciento en el ingreso
mensual individual, aumenta la probabilidad de ser migrante en 0.7% en promedio. Por otro
lado, que el individuo pertenezca al sector formal genera un impacto positivo en la
probabilidad de migrar en 2.4% en promedio. A nivel general, resulta relevante analizar la
tasa de desempleo del departamento de destino, pues el resultado es significativo. Este
indicador actúa como un factor de expulsión, dado que un incremento de una unidad
porcentual en el desempleo reduce en 4.6%, en promedio, la probabilidad de trasladarse
hacia ese departamento.

Ahora, al analizar las variables que reflejan la situación educativa colectiva, tanto de la
región de origen como de destino, se refleja que son relevantes solo la escolaridad promedio
y la oferta educativa disponible en el departamento de destino. Los resultados coinciden con

21
lo abordado por la literatura revisada. En el caso de la escolaridad promedio, se interpreta
que la probabilidad de migrar de un individuo aumenta en 11.4% cuando la escolaridad
promedio incrementa. Lo mismo ocurre con la oferta educativa disponible, puesto que ante
un aumento en los programas de estudio de universidades licenciadas en el departamento de
destino, la probabilidad de que un individuo migre incrementa en 10.1% en promedio.

Con el fin de validar las estimaciones y predecir la efectividad del modelo propuesto, se
realiza el análisis post estimación. La Tabla 10 muestra el cuadro de resultados que indica
cuan adecuadas son las variables seleccionadas para poder categorizar a un individuo como
migrante o no migrante. En otras palabras, si se clasificaron correctamente los verdaderos
positivos o los valores negativos.

En términos generales, el 83.8% de la muestra fue correctamente predicha, es decir

aproximadamente el 84% de los individuos fueron categorizados de manera correcta.
Además, se valida que aproximadamente el 98% de las estimaciones, en base a los no
migrantes fueron acertadas. En el caso de los migrantes, fueron acertadas aproximadamente
el 47% de las estimaciones.

Por último, otro test importante para la validación de datos es la curva de ROC, que combina
la sensibilidad y especificación del modelo. El área de la curva representa en cuánto esta
siendo explicada la variable endógena. De esta manera, si el valor es menor a 0.5 el modelo
no es relevante. Se aprecia que el resultado es de 0.7842, es cercano a 1 por lo que el modelo
puede considerarse relevante (Ver Gráfico 5).

4 CONCLUSIONES

En la presente investigación se ha analizado la influencia de la educación en la decisión de

migrar, de un departamento hacia otro, de manera permanente, de un individuo peruano.
Respecto a los resultados anteriormente detallados, se evidencia que la hipótesis planteada
se verifica. En otras palabras, se confirma que existe una relación significativa entre la
educación y la probabilidad de migrar. Cabe resaltar que, el nivel educativo del departamento
está representado por la escolaridad promedio, tanto de origen como de destino, así como

22
por la oferta educativa disponible, es decir la cantidad de programas licenciados que ofrece
cada departamento.

Se corrobora que el nivel educativo por región produce un impacto positivo en la decisión
migratoria de la población peruana. Los resultados encontrados se adecúan a lo obtenido por
la literatura previa, que indica que los departamentos con promedio educativo más alto son
más atractivos. Puede corroborarse con la investigación de Sahota (1968), quien muestra en
su estudio sobre Brasil, que un mayor nivel educativo en la región de destino es un factor de
atracción que fomenta la migración. Por el contrario, Greenwood (1971) sustentó en su
estudio sobre India, que un nivel educativo alto en la región de origen también genera un
aumento en la migración. Propone que las personas con más años de educación tienen mayor
movilidad pues se sienten atraídos por departamentos con mejores indicadores educativos y
económicos, dado que buscan incrementar su nivel educativo y mejorar sus perspectivas.

Se asume, según el modelo teórico abordado, que las personas deciden migrar con el fin de
maximizar sus ingresos, por lo que se espera que se trasladen de regiones con ingresos
promedio más bajos hacia regiones con mayores ingresos promedio. Los resultados
evidencian lo antes mencionado, pues el efecto que generan los ingresos promedio del
departamento de destino se comportan como un atractivo. Éstos pueden justificarse con los
datos presentados en la sección de hechos estilizados, pues según el INEI los departamentos
con ingresos mayores al promedio presentan mayor número de inmigrantes, como es el caso
de Lima y Madre de Dios.

Por otro lado, evaluando la situación individual de los posibles migrantes, lo que les interese,
probablemente, es el ingreso del que disponen para realizar el traslado de un departamento
a otro, así como el ingreso que generarán al decidir migrar, dada su ocupación (Rowe y
Aroca, 2008). Por ello se evalúa la situación en la que se encuentra el individuo, analizando
si es que está ocupado en el sector formal o informal, pues como sostiene Kaplan (2017)
además de considerar el atractivo salarial, los posibles migrantes evalúan si podrán ser
empleados en el departamento de destino. Entonces, a nivel general un ingreso promedio
más alto en el lugar de destino podría indicar que las ocupaciones tienen mejores
rendimientos en comparación al departamento de origen, por tanto mayores expectativas
salariales y mayor probabilidad de empleo (Hanna, 1959).

23
Es importante mencionar que la investigación presentó inconvenientes con el análisis de la
migración reciente, enfoque que tiene mayor relevancia en base a la revisión de literatura.
Al haber poca información disponible para el periodo en evaluación 2016-2020, los datos no
fueron adecuados, generándose un problema de significancia, así como de interpretación de
los efectos marginales de las diversas variables explicativas. No obstante, la cantidad de
migrantes de toda la vida permitieron la realización de un análisis óptimo que permitió
corroborar la hipótesis del estudio.

5 REFERENCIAS

Aguayo, E. (2011). Factores determinantes en modelos econométricos regionales de

migración interna. Revista Galega de Economía, 20, 1-9.
Alvarado, J., Correa, R., & Tituaña, M. (2017). Migración interna y urbanización sin
eficiencia en países en desarrollo: Evidencia para Ecuador. Papeles de Poblacion,
23(94), 99–123.
Aroca, P. (2004). Migración interregional en Chile. Modelos y Resultados 1987-2002. Notas
de Poblacion - CEPAL, 31(78), 97-154.
Beals, R & Levy, R & Moses, L (1967). Rationality and Migration in Ghana. Review of
Economics and Statistics, 49, 480-486.
Etzo, I. (2011). The determinants of the recent interregional migration flows in Italy: A panel
data analysis. Journal of Regional Science, 51(5), 948–966.
Falaris, E. M. (1979). The Determinants of Internal Migration in Peru: An Economic
Analysis. The University Of Chicago Press Journals, 27, 327-341.
Fields, G. S. (1982). Place to place migration in Colombia. Economic Development and
Cultural Change, 31.
Ginsburg, C., & others. (2016). Human capital on the move: Education as a determinant of
internal migration in selected INDEPTH surveillance populations in Africa.
Demographic Research, 34, 845-884.
Greenwood, M. J. (1969). The determinants of Labor Migration in Egypt. Journal of
Regional Science,9, 137-151.
Greenwood, M. J. (1971). An analysis of the determinant of internal labor mobility in India.
137-151.
Greenwood, M. J. (1985). Human migration: theory, models, and empirical studies. Journal
of Regional Science, 25(4).
Hanna, F.A. (1959). State Income Differentials, 1919-1954. Durham: Duke University
Press.

24
Heckert, J. (2015). New perspective on youth migration: Motives and family investment
patterns. Demographic Research, 33, 765-800.
Jackman, R., & Savouri, S. (1992) Regional migration in Britain: an analysis of gross flows
using NHS Central Register Data. The Economic Journal, 102
Kaplan, G., & Schulhofer-Wohl, S. (2017). Understanding the Long-Run decline in
interstate migration. International Economic Review, 58(1), 57–94.
Korpi, M., & Clark, W. (2017). Human Capital Theory and Internal Migration: Do Average
Outcomes Distort Our View of Migrant Motives ? 14(2), 237–250.
Levy, M. B., & Wadyck, W. J. (1972). Lifetime Versus One - Year Migration In Venezuela.
Jounal Of Regional Science, 12, 407-415.
Levy, M. B., & Wadycki, W. J. (1974). Education and the Decision to Migrate: An
Econometric Analysis of Migration in Venezuela. Econometrica, 42, 377-388.
Lucas, R.E. (1996). Internal migration in developing countries. Handbook of Population
and Family Economics.
Mabogunje, A. L. (1970). Systems Approach to a Theory of Rural‐Urban Migration. .
Geographical Analysis, 2(1), 1-18.
Molho, I. (1986). Theories of migration: a review. Scottish Journal of Political Economy,
33(4).
Ravenstein, E. G. (1885). The Laws of Migration. Journal of the Statistical Society of
London, 48(2), 167.
Ravenstein, E. G. (1989). The Laws of Migration. Journal of the Statistical Society,52.
Rosenzweig, M. R. & Stark, O (1997) Internal Migration in Developed Countries.En
Greenwood, M (Ed.), Handbook of Population and Family Economics (648-712),
Elsevier Science.
Rowe, F., & Aroca, P. (2008). Interregional migration efficiency in adjusting regional labour
markets in Chile. Revista A-Merika, 1(36222).
Sánchez Aguilar, A. (2015). Migraciones Internas en el Perú. Organización para las
Migraciones (OIM).
https://peru.iom.int/sites/default/files/Documentos/Migraciones_Internas.pdf
Sjaastad, L. (1962). The Costs and Returns of Human Migration. Journal of Political
Economy, 70(5), 80-93.
Sahota, G. S. (1968). An Economic Analysis of Internal Migration in Brazil. The University
of Chicago Press Jornal, 76, 218-245.
Schultz, T. P. (1971). Rural-Urban Migration in Colombia. The MIT Press, 53(2), 157-163.
Schultz, T. P. (1982). Lifetime Migration within Educational Strata in Venezuela: Estimates
of a Logistic Model. The University of Chicago Press Journals, 30, 559-593.
Stark, O. (1984). Rural to urban migration on LDCs: a relative deprivation approach.
Economic Development and Cultural Change, 32.

25
Todaro, M. P. (1969). A Model of Labor Migration and Urban Unemployment in Less
Developed Countries. The American Economic Review, 59(1), 138–148.
Varela, R., Ocegueda, J. M., & Castillo, R. (2017). Migración interna en México y causas
de su movilidad. Perfiles Latinoamericanos, 25(49), 141–167.
Weaver, F.S. Jr (1968). Regional patterns of economic change in Chile, 1950- 1964. Latin
American Studies Program. Dissertation Series, Cornell University.
Yamada, G. (2010). Migración interna en el Perú. Fondo Editorial, Universidad del
Pacífico, 1(10).

6 ANEXOS

Tabla 6. Tabla resumen de coeficientes, según modelo econométrico

LOGIT PROBIT
Variable Coef Coef
Sexo (Hombre==1) 0.458 ** 0.273 **
Edad (Entre 18 y 59 años) 0.033 ** 0.017 **
Educación de la madre 0.066 * 0.040 *
Escolaridad promedio de la región de
origen -0.138 -0.063
Escolaridad promedio de la región de
*** ***
destino 0.017 -0.032
Ingreso promedio de la región de origen -6.494 *** -3.396 ***
Ingreso promedio de la región de destino 8.098 *** 4.370 ***
Oferta educativa de la región de origen 0.010 0.010
Oferta educativa de la región de destino 0.101 *** 0.010 ***
Desempleo de la región de origen -0.277 * -0.164 *
Desempleo de la región de destino -0.269 * -0.125 *
Ingreso individual 0.412 ** 0.244 **
Condición de empleo 0.138 * 0.093 *
Constante -15.760 ** -9.190 **
Observaciones 618 618
LR chi2(13) 154.23 144.22
Pseudo R2 0.2157 0.2017
Valor de Verosimilitud -280.46 -258.47

Tabla 7. Comparación entre modelos Logit y Probit

Akaike's information criterion and Bayesian information

26
 Modelo Observaciones AIC BIC
**
Logit 618 588.926 650.8968
Probit 618 622.6171 671.3085

Tabla 8. Valores predichos promedio, migración de toda la vida

Predictive margins Observaciones 618

Model VCE : OIM

Margin Error Z P>|z|

Constante 0.2653722 0.0153462 17.29 0.000

Tabla 9. Probabilidad predicha en el promedio, migración de toda la vida

Adjusted predictions Observaciones 618

Model VCE : OIM

Margin Error Z P>|z|

Constante 0.2195524 0.0194643 11.28 0.000

Tabla 10. Tabla de sensibilidad

Logistic model for migracion

True
Classified D ~D Total
+ 76 12 88
- 88 442 530
Total 164 454 618

Classified + if predicted Pr(D) >= .5

True D defined as migracion != 0

Sensitivity Pr( +| D) 46.34%

Specificity Pr( -|~D) 97.36%
Positive predictive value Pr( D| +) 86.36%
Negative predictive value Pr(~D| -) 83.34%

False + rate for true ~D Pr( +|~D) 2.64%

27
False - rate for true D Pr( -| D) 53.66%
False + rate for classified + Pr(~D| +) 13.64%
False - rate for classified - Pr( D| -) 16.60%

Correctly classified 83.82%

Tabla 11. Curva de ROC

Logistic model for migracion

Número de observaciones = 618

Área bajo curva ROC = 0.7842

Tabla 12. Población inmigrante y emigrante, según departamento para el 2017

2017
Departamento Inmigrantes Emigrantes
Total 5 961 295 5 961 295
Amazonas 66 921 142 074
Áncash 117 133 406 570
Apurímac 32 110 226 581
Arequipa 361 863 175 180
Ayacucho 48 764 299 886
Cajamarca 79 176 639 926
Cusco 105 591 313 499
Huancavelica 15 773 284 424
Huánuco 73 128 290 710
Ica 165 298 144 960
Junín 201 612 439 811
La Libertad 244 661 254 029
Lambayeque 213 846 263 978
Lima y Callao 3 404 581 624 179
Loreto 55 241 224 213
Madre de Dios 56 096 14 610
Moquegua 56 702 40 627
Pasco 32 387 134 725
Piura 103 085 374 582
Puno 38 493 354 778
San Martín 207 977 166 343
Tacna 117 584 32 540
Tumbes 47 908 39 719
Ucayali 115 365 73 351

28
Gráfico 4. Estructura porcentual de la población censada, según área de residencia

Población censada y estructura porcentual, según área

de residencia
90.00%
80.00%
70.00%
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
1940 1961 1972 1981 1993 2007 2012

Urbana Rural Linear (Urbana) Linear (Rural)

Gráfico 5. Curva de ROC

29