Pregunta de investigación

¿Por qué la minería informal se concentra en unos distritos del Perú y no en otros? Se modelan los determinantes del número de mineros inscritos en el REINFO (mayo 2026) en 1 551 distritos, mediante regresión binomial negativa. Variable de interés: la presencia territorial del Estado (IDE).

H1 — Presencia del Estado ⚠️

Parcialmente confirmada. A igualdad de geología, demografía y desarrollo, más Estado se asocia con menos minería informal: cada +0,1 de IDE reduce la tasa esperada de mineros en ≈15 % (IRR = 0,85). Bajo errores estándar agrupados por departamento, el efecto queda marginal (p ≈ 0,065): significativo al 10 %, no al 5 %, pero siempre en la dirección predicha por las ``zonas marrones’’ de O’Donnell y el poder infraestructural de Mann.

H2 — Aislamiento territorial ✅

Confirmada. La distancia a la capital departamental multiplica la actividad: cada +100 km se asocia con ×2,7 en la tasa esperada de mineros (p < 0,001). El alcance efectivo del Estado se diluye con la lejanía del centro político-administrativo.

H3 — Potencial geológico ✅

Confirmada. La informalidad sigue al recurso: el potencial geológico (derecho de vigencia minera, log) es el motor estructural más robusto del modelo (IRR = 1,54 por unidad log; p < 0,001). Controlarlo es condición para interpretar el efecto del Estado.

Síntesis

La minería informal peruana no es simplemente pobreza nigeografía: es desarrollo sin Estado. Condicional al resto de factores, el desarrollo humano (IDH) aumenta la actividad (+34 % por cada 0,1) mientras la presencia estatal la reduce (−15 % por cada 0,1); ambos efectos quedan en zona marginal (p ≈ 0,065–0,068) bajo la especificación de errores agrupados por departamento, pero conservan dirección y magnitud. La actividad florece donde hay recursos, capacidades y conectividad, pero no autoridad pública efectiva. La ejecución del presupuesto ambiental municipal no muestra efecto. Verificaciones: sobredispersión (Pearson/gl ≈ 58), rechazo del offset poblacional (coef. 0,31 ≠ 1), sin colinealidad (VIF < 2) , diagnóstico de sensibilidad clásico vs. agrupado.

Distritos analizados

Mineros inscritos (REINFO)

Distritos sin mineros

Departamentos

Distribución de mineros por distrito

La primera barra agrupa los distritos con 0–18 mineros. De ellos, 624 distritos (40,2 %) tienen exactamente 0 (segmento rojo): esa masa de ceros es la que justifica el modelo binomial negativo.

Top 10 departamentos por mineros inscritos

Mineros y variables de interés por departamento

Ranking departamental

Efectos sobre la tasa esperada de mineros (IRR, IC 95 %)

Modelo final: binomial negativa (IRR)

Resultados

El modelo brinda respaldo parcial a las hipótesis del estudio. El potencial geológico (IRR = 1,54) y la distancia a la capital departamental (IRR = 2,66 por cada 100 km) elevan la tasa esperada de mineros con alta significancia; el Índice de Densidad del Estado la reduce (IRR = 0,85: cada +0,1 de IDE se asocia con ~15 % menos mineros esperados), aunque bajo errores estándar agrupados por departamento el efecto queda marginal (p ≈ 0,065). El IDH (por 0,1) muestra un efecto positivo comparable (IRR = 1,34), también marginal al agrupar. La ejecución del presupuesto ambiental no muestra efecto significativo. Modelo: binomial negativa con EE agrupados por departamento (25 conglomerados), N = 1 551 distritos; variable dependiente: mineros inscritos en el REINFO (mayo 2026).

IDE y mineros por distrito

Comparación de modelos: Poisson vs. Quasi-Poisson vs. Binomial Negativa

Matriz de correlación de Spearman entre las variables del modelo

Correlación bruta de cada variable con los mineros (Spearman)

Observaciones

Sin colinealidad problemática. La correlación más alta entre predictores es IDE–IDH (ρ ≈ 0,56): son conceptualmente cercanos pero no redundantes, coherente con los VIF < 2 del modelo. El resto de pares es débil.

La geología manda. En la relación bruta con los mineros, el potencial geológico es, por lejos, la más fuerte (ρ ≈ 0,50) — el recurso es el motor estructural. La distancia y el IDE apenas correlacionan de forma bivariada; su efecto emerge solo en el modelo multivariado, una vez controlada la geología (efecto de supresión).

Resumen

Los paneles usan la misma escala (IRR, eje logarítmico). Poisson: intervalos irrealmente estrechos por la sobredispersión (dispersión de Pearson ≈ 58). Quasi-Poisson: mismos coeficientes, errores corregidos (sin AIC: usa cuasi-verosimilitud). Binomial Negativa: modela la dispersión con θ y colapsa el AIC. Modelo final: incorpora la población (log) como regresor libre y el IDH reescalado, con errores estándar agrupados por departamento como en el documento. Sensibilidad: compara los IC del modelo final bajo errores clásicos vs. agrupados — el coeficiente no cambia, solo la incertidumbre.

Base de datos