i 
 
  
FACULTAD DE CIENCIAS ECONÓMICAS, 
ADMINISTRATIVAS Y CONTABLES 
ESCUELA PROFESIONAL DE ECONOMÍA 
 
 
  
 
 
TESIS: 
EL IMPACTO DEL PROGRAMA DE INCENTIVOS A LA 
MEJORA DE LA GESTIÓN MUNICIPAL EN LA INVERSIÓN 
PÚBLICA DE LAS MUNICIPALIDADES DE LA REGIÓN CUSCO, 
2016-2018 
 
 
Presentado por:  
 
 Bach. Gutiérrez Campana Zally 
 Bach. Oviedo Licona Dante.  
 
Tesis para optar al título profesional de 
Economista. 
 
Asesor:  
 
 Dr. Paredes Gordon Tito Livio 
 
 
 
CUSCO - PERÚ 
2021  
ii 
 
Presentación 
En cumplimiento al reglamento de Grados y Títulos vigente de la Escuela Profesional de 
Economía de la Universidad Andina del Cusco y con el fin de optar al título profesional 
de Economista, los tesistas Zally Gutierrez Campana y Dante Oviedo Licona ponemos a 
consideración la tesis “EL IMPACTO DEL PROGRAMA DE INCENTIVOS A LA 
MEJORA DE LA GESTIÓN MUNICIPAL EN LA INVERSIÓN PÚBLICA DE LAS 
MUNICIPALIDADES DE LA REGIÓN CUSCO, 2016-2018”  
Este trabajo de investigación tiene como finalidad servir de base para la literatura 
especializada de esta rama y como evaluación de impacto de uno de los componentes 
principales del Presupuesto por Resultados: El Programa de Incentivos a la Mejora de la 
Gestión Municipal (PI). 
Zally Gutierrez Campana  
Dante Oviedo Licona 
  
iii 
 
Resumen 
El Programa de Incentivos a la Mejora de la Gestión Municipal – PI brinda transferencias 
a los gobiernos locales de forma condicional al cumplimiento de metas. En el período 
2016-2018 ha tomado como objetivo asegurar una mayor ejecución en los proyectos de 
inversión pública, eliminar la desnutrición crónica infantil, implementar saneamiento 
básico en los hogares, e implementar medidas de protección social en las 
Municipalidades. La investigación busca determinar la efectividad de las transferencias 
realizadas en el marco del PI en la ejecución del gasto público de Anemia, Saneamiento 
y Protección Social. El estudio tiene un enfoque cuantitativo con un diseño no-
experimental. Se emplea una estrategia de regresión discontinua que aprovecha la semi 
aleatorización causada por el punto de corte de 500 viviendas que divide a las 
municipalidades en las categorías C o D (establecido por el PI), permitiendo comparar a 
las municipalidades que se encuentran cercanas a este punto de corte utilizando un 
enfoque discontinuo en el margen. Los resultados principales del modelo de regresión 
discontinua encuentran que el PI ha generado un incremento del gasto público per cápita 
en 182 soles y gasto por densidad poblacional en 88,084 soles en el Programa 
Presupuestal de Saneamiento. También se ha identificado un un incremento del gasto 
público por densidad poblacional en 39,363 soles en el Programa Presupuestal de Anemia 
y ha generado un incremento del gasto público per cápita en 667 soles en el Programa 
Presupuestal de protección social. Estos resultados revelan que las metas destinadas a los 
programas presupuestales de Anemia en el Sector Salud y Saneamiento y Protección 
Social, diseñadas como un mecanismo de incentivos por el MEF, han tenido resultados 
positivos para mejorar la ejecución del gasto público en proyectos de inversión. 
Palabras clave: Regresión discontinua, Incentivos Municipales, Gasto Público, 
Transferencias intergubernamentales. 
  
iv 
 
Abstract 
The “Programa de Incentivos a la Mejora de la Gestión Municipal”- PI provides transfers 
to local governments conditional on meeting goals. In the 2016-2018 period, the objective 
has been to ensure greater execution in public investment projects, eliminate chronic child 
malnutrition, implement basic sanitation in homes, and implement social protection 
measures in Municipalities. The research seeks to determine the effectiveness of the 
transfers made within the framework of the IP in the execution of public spending on 
Anemia, Sanitation and Social Protection. The study has a quantitative approach with a 
non-experimental design. A discontinuous regression strategy is used that takes 
advantage of the semi-randomization caused by the cut-off point of 500 dwellings that 
divides the municipalities into categories C or D (established by the PI), allowing 
comparison of the municipalities that are close to this cut-off point using a discontinuous 
focus on the margin. The main results of the discontinuous regression model (econometric 
model) find that the PI has generated an increase in per capita public spending by 182 
soles and by population density by 88,084 soles in the Budgetary Sanitation Program. An 
increase in public spending by population density of 39,363 soles has also been identified 
in the Anemia Budget Program and has generated an increase in per capita public 
spending by 667 soles in the Budgetary Program for social protection. These results reveal 
that the goals for the Anemia budget programs in the Health and Sanitation and Social 
Protection Sector, designed as an incentive mechanism by the MEF, have had positive 
results to improve the execution of public spending in investment projects. 
Keywords: Discontinuous Regression, Municipal Incentives, Public Expenditure, 
Intergovernmental Transfers 
  
v 
 
Agradecimientos 
Agradecer a nuestra casa de estudios la Universidad Andina del Cusco, a la Facultad de 
Ciencias Económicas Administrativas y Contables, en especial a la Escuela Profesional 
de Economía que durante todos los años nos brindó el conocimiento necesario para 
nuestra vida profesional, también agradecer a la excelente plana docente por todas sus 
enseñanzas y por acompañarnos durante nuestra etapa universitaria. 
Agradecer a nuestro asesor Dr. Tito Livio Paredes Gordon por su enseñanza, aporte de 
sus conocimientos y disposición de su tiempo para la elaboración del presente trabajo de 
investigación. 
Agradecemos también a nuestros dictaminantes Mgt. Ruben Dario Vargas Castillo, quien 
nos ayudó y motivo en todo momento a seguir con nuestra investigación, que Dios lo 
tenga en su gloria, siempre lo recordaremos y tendremos presente en nuestras oraciones. 
Mgt. Ignacio Ramiro Florez Lucana y Mgt, Sonia Sofia Delgado Candia, por los aportes 
brindados a nuestra investigación. 
Agradecemos especialmente a Dios por permitirnos en este tiempo difícil seguir con lo 
que nos proponemos y a nuestras familias por estar ahí de nuestro lado de forma 
incondicional. 
 
  
vi 
 
Dedicatoria 
Este trabajo de investigación se lo dedico a Dios, a mis padres Mario Oviedo Bellota y 
Asunción Licona Pillco, a mis hermanos, Tíos, primos, amigos; que son las personas 
que me apoyan a mantenerme dentro de los lazos del conocimiento y para contribuir en 
el mejoramiento de la sociedad. 
Dante Oviedo Licona 
 
 
Dedico este trabajo de investigación a Dios que nos sostiene día a día, a mis padres 
Gregorio Esteban Gutiérrez Silva, Susana Avelina Campana Huamán; por su apoyo 
incondicional; a mis hermanos Melvin Gutiérrez Campana, Omar Gutiérrez Campana; 
por motivarme a lograr mis metas y por estar ahí cuando los necesito. Gracias por todo. 
Zally Gutiérrez Campana 
 
 
 
 
  
vii 
 
Índice General 
Presentación ...................................................................................................................... ii 
Resumen .......................................................................................................................... iii 
Abstract ............................................................................................................................ iv 
Agradecimientos ............................................................................................................... v 
Dedicatoria....................................................................................................................... vi 
Índice de tablas ................................................................................................................. x 
Índice de figuras .............................................................................................................. xi 
Capítulo I. Introducción 
1.1. Planteamiento del Problema ................................................................................. 2 
1.2. Formulación del Problema.................................................................................... 6 
1.2.1. Problema General ............................................................................................. 6 
1.2.2. Problemas Específicos ...................................................................................... 6 
1.3. Justificación de la investigación ........................................................................... 6 
1.3.1. Conveniencia .................................................................................................... 6 
1.3.2. Relevancia social .............................................................................................. 6 
1.3.3. Implicancias prácticas....................................................................................... 7 
1.3.4. Valor teórico ..................................................................................................... 7 
1.3.5. Utilidad metodológica ...................................................................................... 7 
1.4. Objetivos de la investigación ................................................................................ 8 
1.4.1. Objetivo General............................................................................................... 8 
1.4.2. Objetivos Específicos ....................................................................................... 8 
1.5. Delimitación de la investigación .......................................................................... 8 
1.5.1. Delimitación Espacial ....................................................................................... 8 
1.5.2. Delimitación Temporal ..................................................................................... 8 
Capítulo II. Marco Teórico 
2.1. Antecedentes ....................................................................................................... 10 
2.1.1. Antecedentes Internacionales ......................................................................... 10 
2.1.2. Antecedentes Nacionales ................................................................................ 13 
2.1.3. Antecedentes Locales ..................................................................................... 16 
2.2. Bases Legales ..................................................................................................... 18 
2.3. Bases Teóricas .................................................................................................... 19 
2.3.1. Teoría del Crowding-In de inversión pública según Barro ............................ 19 
2.3.2. Teoría de la inversión keynesiana según Hausmann ...................................... 20 
2.3.3. Teoría de inversión en capital público/privado según Anderson ................... 20 
2.3.4. Modelo de las transferencias fiscales según Aragón y Gayoso ...................... 22 
2.3.5. Teoría del Multiplicador según Keynes.......................................................... 23 
viii 
 
2.3.6. Teoría del acelerador según Knox .................................................................. 24 
2.3.7. Teoría de la eficiencia pública según Diamond.............................................. 25 
2.4. Marco Conceptual............................................................................................... 26 
2.5. Formulación de Hipótesis ................................................................................... 30 
2.5.1. Hipótesis General ........................................................................................... 30 
2.5.2. Hipótesis Específicas ...................................................................................... 30 
2.6. Variables ............................................................................................................. 31 
2.6.1. Variables de investigación .............................................................................. 31 
2.6.2. Conceptualización de variables ...................................................................... 31 
2.6.3. Operacionalización de variables ..................................................................... 33 
Capítulo III. Método de Investigación 
3.1. Tipo de investigación ......................................................................................... 34 
3.2. Enfoque de investigación.................................................................................... 34 
3.3. Diseño de Investigación...................................................................................... 34 
3.4. Alcance de Investigación .................................................................................... 34 
3.5. Población ............................................................................................................ 35 
3.6. Muestra ............................................................................................................... 35 
3.7. Técnicas e Instrumentos de recolección de datos ............................................... 35 
3.7.1. Técnicas .......................................................................................................... 35 
3.7.2. Instrumentos ................................................................................................... 36 
3.8. Validez y confiabilidad de los instrumentos ...................................................... 36 
3.9. Plan de análisis de datos ..................................................................................... 36 
Capítulo IV: Análisis del entorno geográfico, económico y social de la Región Cusco 
4.1. Aspecto geográfico ............................................................................................. 37 
4.2. Aspecto Económico ............................................................................................ 39 
4.3. Aspectos sociales ................................................................................................ 42 
4.4. Características municipales ................................................................................ 47 
4.5. Gasto público municipal ..................................................................................... 49 
Capítulo V: Resultados de la investigación 
5.1. Programa PI y análisis descriptivo ..................................................................... 52 
5.2. Modelo Econométrico ........................................................................................ 54 
5.3. Descripción del modelo econométrico ............................................................... 55 
5.4. Resultados del modelo econométrico ................................................................. 56 
5.5. Validación de supuestos ..................................................................................... 58 
Capítulo VI: Discusión 
6.1. Descripción de los hallazgos más relevantes y significativos ............................ 64 
6.2. Comparación crítica con la literatura existente .................................................. 66 
ix 
 
6.3. Implicancias del estudio ..................................................................................... 72 
6.4. Limitaciones del estudio ..................................................................................... 72 
Conclusiones ................................................................................................................... 74 
Recomendaciones ........................................................................................................... 76 
Referencias Bibliográficas .............................................................................................. 77 
Anexos ............................................................................................................................ 80 
Anexo 1. Matriz de Consistencia .................................................................................... 80 
Anexo 2. Resultados de regresión discontinua ............................................................... 82 
Anexo 3. Extracto de data utilizada ................................................................................ 88 
 
 
 
 
  
x 
 
Índice de tablas 
Tabla 1. Gasto en ejecución de Proyectos de inversión en municipalidades de la región 
Cusco, 2015-2018 ............................................................................................................. 4 
Tabla 2. Indicadores de desnutrición, saneamiento básico y protección social en la región 
del Cusco, 2015-2018 ....................................................................................................... 4 
Tabla 3. Operacionalización de Variables ...................................................................... 33 
Tabla 4. Cusco: Número de Municipalidades por categoría .......................................... 35 
Tabla 5. Tabla de técnicas e instrumentos de investigación y procesamiento de datos . 36 
Tabla 6. Provincias de la región del Cusco .................................................................... 38 
Tabla 7. Estadísticos descriptivos ................................................................................... 53 
Tabla 8. Resultados de regresión .................................................................................... 57 
Tabla 9. Multicolinearidad del modelo de regresión ...................................................... 60 
  
xi 
 
Índice de figuras 
Figura 1. Mapa de la región Cusco ................................................................................. 37 
Figura 2. Temperatura promedio anual, 2014-2019. Obtenido del Instituto Nacional de 
Estadística e Informática. ............................................................................................... 39 
Figura 3. Producto Bruto Interno valores a precios corrientes (miles de soles), 2015 - 
2019. Obtenido del Instituto Nacional de Estadística e Informática. ............................. 40 
Figura 4. Extracción de petróleo, gas, minerales y servicios conexos: Valor Agregado 
Bruto (miles de soles), 2016 - 2020. Obtenido del Instituto Nacional de Estadística e 
Informática...................................................................................................................... 40 
Figura 5. Electricidad, gas y agua: Valor Agregado Bruto (miles de soles), 2015 - 2020. 
Obtenido del Instituto Nacional de Estadística e Informática. ....................................... 41 
Figura 6. Establecimiento de servicios de empresas de transporte en funcionamiento 
registrados en las municipalidades, 2017. Obtenido del Instituto Nacional de Estadística 
e Informática .................................................................................................................. 41 
Figura 7. Población con al menos una necesidad básica insatisfecha (porcentaje con 
respecto al total de población), 2015 -2019. Obtenido del Instituto Nacional de Estadística 
e Informática. .................................................................................................................. 42 
Figura 8. Hogares con al menos un miembro beneficiario de programas alimentarios 
(porcentaje con respecto al total de población), 2015 -2019. Obtenido del Instituto 
Nacional de Estadística e Informática. ........................................................................... 43 
Figura 9. Hogares Pobres con al menos un miembro beneficiario de programas 
alimentarios (porcentaje con respecto al total de población), 2015 -2019. Obtenido del 
Instituto Nacional de Estadística e Informática. ............................................................. 43 
Figura 10. número de establecimientos del seguro social de salud (EsSalud), 2015 -2019. 
Obtenido del Instituto Nacional de Estadística e Informática. ....................................... 43 
xii 
 
Figura 11.Tasa de desnutrición crónica de niños/as menores de 5 años, 2015 -2019. 
Obtenido del Instituto Nacional de Estadística e Informática. ....................................... 44 
Figura 12. Tasa de mortalidad infantil y en la niñez, 2010 -2018. Obtenido del Instituto 
Nacional de Estadística e Informática. ........................................................................... 45 
Figura 13. Gasto público por alumno en educación básica regular, según nivel educativo 
(nuevos soles corrientes), 2014 -2018. Obtenido del Instituto Nacional de Estadística e 
Informática...................................................................................................................... 45 
Figura 14. Alumnos matriculados en el sistema educativo nacional (Miles de personas), 
2015 -2019. Obtenido del Instituto Nacional de Estadística e Informática. ................... 46 
Figura 15. Promedio de años de estudio alcanzado por la población de 15 y más años de 
edad, 2015 -2019. Obtenido del Instituto Nacional de Estadística e Informática. ......... 46 
Figura 16. Cusco: Histograma poblacional. Obtenido del Instituto Nacional de Estadística 
e Informática ................................................................................................................... 47 
Figura 17. Cusco: Histograma de hogares urbanos. Obtenido del Instituto Nacional de 
Estadística e Informática ................................................................................................ 48 
Figura 18. Cusco: Histograma de hogares rurales. Obtenido del Instituto Nacional de 
Estadística e Informática ................................................................................................ 48 
Figura 19. Presupuesto Institucional de Apertura, Cusco y promedio de PIA de la sierra, 
2016 - 2020. Obtenido de Ministerio de Economía y Finanzas ..................................... 49 
Figura 20. Presupuesto Institucional de Apertura, Cusco y promedio de PIA a nivel 
nacional, 2016 - 2020. Obtenido de Ministerio de Economía y Finanzas ...................... 49 
Figura 21. Presupuesto Institucional Modificado, Cusco y promedio de PIA de la sierra, 
2016 - 2020. Obtenido de Ministerio de Economía y Finanzas ..................................... 50 
Figura 22. Presupuesto Institucional Modificado, Cusco y promedio de PIA a nivel 
nacional, 2016 - 2020. Obtenido de Ministerio de Economía y Finanzas ...................... 50 
xiii 
 
Figura 23. Histograma de Gasto público presupuestal. Obtenido de Ministerio de 
Economía y Finanzas ...................................................................................................... 51 
Figura 24. Histograma de Avance de ejecución presupuestal. Obtenido de Ministerio de 
Economía y Finanzas ...................................................................................................... 51 
Figura 25. Efecto de tratamiento de Regresión Discontinua. Obtenido de (Aritenang, 
2020) ............................................................................................................................... 55 
Figura 26. Gráficos de regresión discontinua para indicadores de interés, 2016-2018 .. 58 
Figura 27. Heteroscedasticidad de los modelos de regresión ......................................... 60 
Figura 28. Q-Norm de los modelos de regresión............................................................ 62 
Figura 29. Valores extremos en los modelos de regresión ............................................. 63 
 
1 
 
Capítulo I. Introducción 
La descentralización fiscal es considerada una forma de mejorar el desempeño del 
sector público aumentando la eficiencia de la gestión financiera local y haciendo que el 
gobierno sea más responsable. En este sentido, el Programa de Incentivos a la Mejora de la 
Gestión Municipal – PI es el principal mecanismo por el cual el Ministerio de Economía y 
Finanzas realiza transferencias monetarias a los gobiernos locales en base a su performance 
en la mejora de la ejecución en los proyectos de inversión pública, eliminar la desnutrición 
crónica infantil, implementar saneamiento básico en los hogares, e implementar medidas de 
protección social en las Municipalidades. En el presente estudio se evalúa la efectividad del 
PI sobre la mejora de la gestión municipal para los tres Programas Presupuestales antes 
mencionados. A continuación, se delinea el contenido de la investigación: 
El capítulo 1 presenta el planteamiento del problema, describiendo la problemática 
de la ejecución presupuestal en los gobiernos locales y su relación con el Programa de 
Incentivos a la Mejora de la Gestión Municipal – PI, continúa con la formulación del 
problema, objetivos y realiza las justificaciones que avalan la relevancia social, implicancias 
prácticas, valor teórico y viabilidad de la investigación. Se finaliza con la delimitación 
temporal y espacial. 
El capítulo 2 presenta los antecedentes internacionales, nacionales y locales de la 
investigación que ayudan a identificar las variables que influyen en la efectividad de los 
programas de incentivos asociados con transferencias. También se incluyen las teorías 
relevantes al problema de investigación y se concluye con la formulación de la hipótesis de 
investigación y la operacionalización de variables. 
El capítulo 3 corresponde a la metodología de la investigación, donde se describe el 
tipo, enfoque, diseño y alcance de la investigación. También se incluyen las características 
de la población de estudio, la muestra con la que se trabaja y las técnicas e instrumentos de 
recolección de datos. 
2 
 
El capítulo 4 presenta un diagnóstico de la región del Cusco en materia de Ejecución 
Presupuestal para los PP priorizados en la investigación. Se incluye el análisis de la 
evolución de indicadores relevantes tales como la tasa de mortalidad, anemia, gasto público 
por alumno, entre otros. 
El capítulo 5 presenta el análisis del modelo de regresión discontinua, incluyendo la 
información utilizada y el modelo econométrico. Se detalla las variables de modelo, y se 
lleva a cabo diagnósticos de regresión finalizando con los resultados empíricos de la 
investigación. 
El capítulo 6 detalla los principales hallazgos de la investigación, explicando la 
relación entre el estatus socioeconómico de un estudiante y su logro escolar. También se 
discuten las limitaciones del estudio, la comparación crítica con la literatura existente y se 
concluye con las implicancias del estudio. 
Finalmente, se concluye con recomendaciones de política que pueden ser aplicadas 
por el Ministerio de Economía y Finanzas para mejorar la efectividad y el targeting del 
Programa de Incentivos a la Mejora de la Gestión Municipal – PI. 
1.1. Planteamiento del Problema 
En el Perú y en la última década, los programas de incentivos a la gestión Municipal1 
promovidos por el Gobierno Central se han convertido en un instrumento integral de la 
gestión financiera del estado, ya que, a través de estos planes, se puede alinear el presupuesto 
asignado a las municipalidades con las metas de política pública nacional. En particular, en 
el período 2016-2018, el Programa de Incentivos a la Mejora de la Gestión Municipal – PI 
ha tomado como objetivo asegurar una mayor ejecución en los proyectos de inversión 
pública, eliminar la desnutrición crónica infantil, implementar saneamiento básico en los 
                                                 
1 Los programas de incentivos son instrumentos orientados a incentivar a los gobiernos locales a la 
mejora continua y sostenible de su gestión, enmarcándolos en las metas de política pública nacional. (MEF, 
2016) 
3 
 
hogares, e implementar medidas de protección social en las Municipalidades, en línea con 
la Ley N 27658 – Ley Marco de Modernización de la Gestión del Estado2. Para lograr este 
objetivo, tan solo en el 2019, el Ministerio de Economía y Finanzas - MEF destinó S/ 600 
millones de soles a través del PI (MEF, 2019). 
A nivel teórico, el PI se basa en la teoría de Principal-Agente, donde el gobierno 
central representa al Principal y el gobierno local al Agente, de esta forma, el plan de 
incentivos permite vincular el desembolso de un reconocimiento monetario en función al 
cumplimiento de metas predeterminadas por el Gobierno Central. La última modificación 
del PI se realizó el mes de diciembre del 20153 para que este se encuentre enmarcado dentro 
del cuarto instrumento del Presupuesto por Resultados – PpR: Incentivos a la Gestión. Esta 
modificación surge de la necesidad de establecer una clara relación entre el PI y los PpR. 
Bajo está modificatoria, el PI busca una mejora en la calidad de los servicios que recibe la 
población o una mejora de la gestión municipal, promoviendo eficiencia en la recaudación 
y ejecución de recursos. 
A pesar del planteamiento teórico que sustenta la aplicación del PI, se puede observar 
en el panel A tabla 1 que el gasto en proyectos de inversión pública en Saneamiento y 
Protección Social realizado por las Municipalidades de la región Cusco se ha reducido en 
11.6% y 7.9% entre el 2015 y el 20184, por otro lado, la inversión en Salud se ha 
incrementado en 2.5% en el mismo período. Asimismo, el panel B de la tabla 1 muestra que 
el porcentaje de ejecución de gasto en proyectos de inversión se ha reducido en Saneamiento 
y Protección social es 3.7 y 2.3 puntos porcentuales respectivamente, mientras que el 
porcentaje de ejecución en salud se ha incrementado en 6.6 puntos porcentuales, señalando 
                                                 
2 El proceso de modernización de la gestión del Estado tiene como finalidad fundamental la obtención 
de mayores niveles de eficiencia del aparato estatal, de manera que se logre una mejor atención a la ciudadanía, 
priorizando y optimizando el uso de los recursos públicos 
3 La Ley N° 30372, Ley de Presupuesto del Sector Público para el año fiscal 2016, dispone que, a 
partir de dicho año, el Plan cambia su denominación a su nombre actual: Programa de Incentivos a la Mejora 
de la Gestión Municipal (PI). Enmarcándolo dentro del cuarto instrumento del PpR: Incentivos a la Gestión. 
4 Se compara la inversión antes de la Ley N° 30372 y hasta el año 2018 para establecer el impacto que 
tuvo el PI en la inversión pública 
4 
 
una reducción en el nivel de ejecución y en el porcentaje de ejecución tanto para saneamiento 
como para protección social, dos de los objetivos principales del PI para el período 2016-
2018. 
Tabla 1. Gasto en ejecución de Proyectos de inversión en municipalidades de la región 
Cusco, 2015-2018 
Proyectos de inversión 2015 2018 Variación 
Panel A: Nivel de ejecución    
Saneamiento 370,855,761 332,164,947 -0.116 
Protección social 38,637,734 35,796,552 -0.079 
Salud 70,270,011 93,016,642 0.245 
Panel B: Porcentaje de ejecución    
Saneamiento 61.6 57.9 -3.7 
Protección social 76.1 73.8 -2.3 
Salud 61.7 68.3 6.6 
Nota. Obtenido de (Ministerio de Economía y Finanzas, 2020) – Consulta Amigable 
 
A pesar de la visible reducción en nivel de ejecución en Saneamiento y Protección 
social, los indicadores que busca mejorar el PI, tales como la desnutrición crónica y el acceso 
a saneamiento básico han mejorado durante el período de estudio. En particular, se puede 
observar que la desnutrición crónica disminuyó en 3 puntos porcentuales, mientras que el 
acceso a saneamiento básico se incrementó en 3.1 puntos. Por otro lado, el porcentaje de 
mujeres que sufrieron violencia por su esposo o compañero se incrementó en 10.5 puntos. 
Esto quiere decir que a pesar de la disminución en la inversión realizada entre el 2015 y el 
2018 presentados en la tabla 1, los indicadores objetivo del PI si han mejorado en este 
período, exceptuando al indicador de protección social. 
Tabla 2. Indicadores de desnutrición, saneamiento básico y protección social en la región 
del Cusco, 2015-2018 
Indicadores 2015 2018 Variación 
Desnutrición crónica 12.4 9.4 -3 
Acceso a saneamiento básico 88.9 92 3.1 
Mujeres que sufrieron violencia por su esposo o 
70.1 80.6 10.5 
compañero 
Nota. Obtenido de Encuesta Nacional de Hogares 2015 – 2018, INEI 
Dados estos resultados contrarios entre la inversión y los indicadores de desnutrición, 
saneamiento básico y protección social que impulsa el PI en los años 2016-2018, se hace 
5 
 
relevante realizar investigaciones empíricas rigurosas que permitan establecer el impacto 
entre el PI y la inversión pública; y finalmente, en los indicadores de la tabla 2. 
En relación a la literatura consultada, a nivel internacional (Litschig & Morrison, 
2013), (Eggers, Freier, Grembi, & Nannicini, 2019), (Asatryan, Baskaran, Grigoriadis, & 
Heinemann, 2017) y (Masaki, 2018) han analizado la influencia de las transferencias 
municipales utilizando enfoques de regresión discontinua y diferencia en discontinuidad, 
los temas analizados incluyen transferencias fiscales, democracia directa, género, salud y 
salubridad, entre otras. A nivel nacional (Maldonado & Ardanaz, 2017), (Arellano-Yanguas, 
2018) y Corral, Henderson, & Miranda, 2019) han identificado la influencia de las 
transferencias intergubernamentales en el desempeño de los gobiernos locales, encontrando 
igualmente impactos positivos de las transferencias en el desempeño, sin embargo, no se ha 
encontrado ningún estudio que aplique el enfoque de regresión discontinua para analizar 
este impacto. 
A nivel local, solo se han realizado investigaciones no experimentales que analizan 
el impacto que tiene la eficiencia del gasto público en los indicadores socioeconómicos de 
los gobiernos locales, y en la inversión pública en la región, más no en el PI del MEF. Para 
contribuir a la literatura local, la investigación plantea utilizar una estrategia de regresión 
discontinua5. Para la investigación, se aprovecha el hecho de que el PI divide a las 
municipalidades en los grupos C y D en función al número de viviendas en el distrito, si la 
municipalidad tiene menos de 500 viviendas urbanas, entonces pertenece al grupo D; y si 
tiene más de 500 viviendas urbanas, pertenece al grupo C. Este valor de corte permite estimar 
el impacto del Programa de incentivos comparando a las municipalidades que se encuentren 
en el margen de la división de 500 viviendas urbanas en la región del Cusco, y permitirá 
                                                 
5 La regresión discontinua consiste en identificar un valor de corte o umbral por encima o debajo de 
las cuales se asigna una intervención. Luego se comparan ambos lados del umbral para estimar el impacto local 
de tratamiento promedio o ATE (Banco Mundial, 2020). 
6 
 
afianzar la literatura sobre las transferencias intergubernamentales y su impacto en tres 
indicadores de suma importancia: Salud, Saneamiento y Protección Social. 
1.2. Formulación del Problema 
1.2.1. Problema General 
¿Cuál ha sido el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública de las municipalidades de la región Cusco, 2016-2018? 
1.2.2. Problemas Específicos 
 ¿Cuál ha sido el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública del sector salud de las municipalidades de la 
región Cusco, 2016-2018?  
 ¿Cuál ha sido el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública del sector saneamiento de las municipalidades 
de la región Cusco, 2016-2018? 
 ¿Cuál ha sido el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública del sector protección social de las 
municipalidades de la región Cusco, 2016-2018? 
1.3. Justificación de la investigación 
1.3.1. Conveniencia 
La investigación es conveniente, ya que la información requerida para realizar el 
análisis estadístico y correr el modelo de regresión discontinua se encuentra en la página de 
consulta amigable del MEF, por otro lado, también se cuenta con información de las 
categorías municipales y el presupuesto asignado anualmente bajo el Programa de 
Incentivos. 
1.3.2. Relevancia social 
El Programa de Incentivos a la Mejora de la Gestión Municipal está enmarcada en la 
estrategia de Presupuesto por Resultados (PpR) del MEF. La investigación beneficia a las 
7 
 
municipalidades que deseen mejorar la eficiencia del gasto público, mejorando la calidad de 
los servicios que recibe la población y en la mejora de la eficiencia en la ejecución de 
recursos. Finalmente, la investigación es relevante porque es importante conocer si el plan 
de Incentivos en realidad ha tenido un efecto en la inversión pública de los gobiernos locales 
de la región del Cusco.  
1.3.3. Implicancias prácticas 
La investigación tiene implicancias para la estrategia de Presupuesto por Resultados 
en general y el Programa de Incentivos en particular, primeramente, el modelo teórico del 
MEF asume que el Programa de Incentivos tiene efectos positivos, estos “efectos” son 
verificados con estadísticas descriptivas que el MEF publica; sin embargo, estas estadísticas 
raramente controlan por otras variables que también pueden tener efecto en la eficiencia del 
gasto municipal, en realidad, aislar el efecto del Programa de Incentivos no es tarea fácil y 
requiere de un diseño que permita conocer el impacto causal. En este sentido, el estudio tiene 
importantes implicancias prácticas para el Programa de Incentivos si es que no se encuentra 
efectos positivos con el modelo de regresión discontinua propuesto en la investigación.  
1.3.4. Valor teórico 
La investigación se basa en teorías macroeconómicas y de inversión, tales como las 
teorias del multiplicador keynesiano y del acelerador, teoría del crowding-out e inversión en 
capital público-privado. 
1.3.5. Utilidad metodológica 
La investigación utiliza métodos existentes. Se emplea una metodología que utiliza 
la cuasi-aleatorización que causan los puntos de corte cuando un programa se divide en 
categorías, tal como lo hace el Programa de Incentivos que divide a las municipalidades en 
los grupos C y D en función al número de viviendas en el distrito. Se espera que esta división 
sea aleatoria en el margen, es decir, en los distritos que tienen entre 490 y 510 viviendas. A 
8 
 
nivel metodológico, la tesis ampliará el uso de los modelos que aprovechan este “salto” 
causado por la discontinuidad del punto de corte. 
1.4. Objetivos de la investigación 
1.4.1. Objetivo General 
Determinar el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública de las municipalidades de la región Cusco, 2016-2018. 
1.4.2. Objetivos Específicos 
 Determinar el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública en salud de las municipalidades de la región 
Cusco, 2016-2018. 
 Determinar el impacto que ha tenido el Programa de Incentivos a la Mejora de la 
Gestión Municipal en la inversión pública en saneamiento de las municipalidades 
de la región Cusco, 2016-2018. 
 Determinar el impacto del Programa de Incentivos a la Mejora de la Gestión 
Municipal en la inversión pública en protección social de las municipalidades de 
la región Cusco, 2016-2018. 
1.5. Delimitación de la investigación 
1.5.1. Delimitación Espacial 
La investigación se delimita a la región del Cusco, se elige la región del Cusco para 
conocer el efecto que ha tenido el Programa de Incentivos a la Gestión Municipal a nivel 
regional y compararlo con otras investigaciones y estimaciones a nivel nacional. 
1.5.2. Delimitación Temporal 
La investigación se delimita al período 2016-2018, durante estos tres años el 
Programa de Incentivos utilizó una división en cuatro categorías (A, B, C y D) en función al 
censo poblacional de cada distrito. Esta asignación poblacional es requisito para realizar el 
modelo de regresión, ya que la nueva división del 2019, a pesar de crear grupos más 
9 
 
homogéneos, elimina la ventaja de poder estimar el efecto causal utilizando un modelo de 
regresión discontinua. 
  
10 
 
Capítulo II. Marco Teórico 
2.1. Antecedentes 
2.1.1. Antecedentes Internacionales 
Para (Taiwo, 2021) en su investigación “Transferencias intergubernamentales e 
ingresos propios de gobiernos subnacionales en Nigeria”. Artículo científico forthcoming en 
Review of Public Economics. Se explora el efecto de las transferencias intergubernamentales 
incondicionales sobre los ingresos propios de los gobiernos subnacionales en Nigeria, 
llegando a las siguientes conclusiones:  
- Los modelos de transferencias intergubernamentales predicen que las transferencias 
del gobierno central a los gobiernos subnacionales equivalen a una reducción de 
impuestos para los residentes de las jurisdicciones subnacionales, ya que las 
transferencias conducen a un menor esfuerzo en la movilización de ingresos propios 
por parte de los gobiernos subnacionales. Este estudio emplea el modelo de variables 
instrumentales (IV) para establecer el impacto de la variación anual de las 
transferencias intergubernamentales sobre los ingresos propios de los gobiernos 
subnacionales.  
- El estudio revela que los estados dependen principalmente de las transferencias del 
gobierno federal para ejecutar sus operaciones; y las transferencias a unidades 
administrativas de segundo nivel, los estados de Nigeria excluyen los ingresos 
propios. Un aumento del 1 por ciento en la transferencia conduce a una reducción de 
alrededor del 0,64 por ciento en los ingresos propios per cápita. Además, el impulso 
por la recaudación de ingresos cae en picada durante los años electorales. Los 
hallazgos se basan en la economía política de la descentralización en Nigeria. 
(Miyazaki, 2020) en su investigación “Transferencias fiscales intergubernamentales 
y efectos fiscales: análisis de discontinuidad de regresión para gobiernos locales japoneses” 
Artículo científico en Regional Science and Urban Economics, vol 84 se  examina los efectos 
11 
 
incentivadores de las transferencias de nivelación fiscal sobre las tasas de impuestos 
corporativos locales desde perspectivas teóricas y empíricas. El estudio revela que un 
aumento en la tasa de compensación aumenta las tasas adicionales del impuesto al capital. 
La predicción teórica se examina empíricamente utilizando datos de panel de los municipios 
japoneses para 1990-2000. Se encuentra que una tasa de igualación más alta en las 
transferencias de igualación fiscal brinda a los municipios un incentivo para aumentar las 
tasas de impuestos corporativos exentas del esquema de transferencias. 
(Aritenang, 2020) En su estudio “El efecto de las transferencias 
intergubernamentales sobre el gasto en infraestructura en Indonesia” Artículo científico en 
Journal of the Asia Pacific Economy, vol 25 (3) examina el impacto de los ingresos de fuente 
propia y las subvenciones intergubernamentales sobre el gasto en infraestructura de los 
distritos en Indonesia. Como se carece de capacidad para generar ingresos locales, la 
transferencia intergubernamental (IGT) se convirtió en la principal fuente de gasto de capital 
local. Este artículo utiliza modelos econométricos para examinar los determinantes del gasto 
en infraestructura. Al observar las instituciones y la estructura económica, el estudio 
defiende la creciente importancia de IGT para el gasto de capital local y muestra que las 
subvenciones de asignación específicas son cruciales para garantizar el gasto en 
infraestructura local. Este documento pide un fondo IGT específicamente diseñado para cada 
distrito para acelerar el desarrollo de infraestructura y reducir aún más las disparidades 
regionales en Indonesia. Este artículo contribuye a la literatura al observar el efecto de IGT 
en el gasto en infraestructura en diferentes tipos de regiones, incluidos distritos en Java, 
distritos con estatus de municipio y distritos metropolitanos. 
Asimismo,  (Mejia & Meneses, 2019) Transferencias intergubernamentales, política 
subnacional y gasto local en Ecuador. Artículo Científico en Regional & Federal Studies se 
analiza el papel intermedio que desempeñan las élites políticas locales para traducir las 
transferencias gubernamentales en gasto público efectivo. Se desea saber si los alcaldes 
12 
 
gastan presupuesto para proporcionar servicios públicos básicos o obras de infraestructura, 
y si esas inversiones son fundamentales para asegurar su ventaja como titulares. En los 
resultados principales: 
- Se descubre que los alcaldes responden a los incentivos políticos y toman decisiones 
estratégicas de gasto para invertir en servicios públicos y proyectos de infraestructura 
visibles. Sin embargo, se encuentra que el gasto selectivo fue insuficiente para 
asegurar la ventaja de la titularidad en las elecciones de 2014.  
- Se sostiene que el ejecutivo intervino para bloquear o limitar el impacto de las 
decisiones de gasto a nivel local, creando así una desventaja de incumbencia para los 
alcaldes. Se necesita más investigación para explicar esto. 
(Rao, 2018) En su investigación “El efecto de las transferencias 
intergubernamentales sobre los servicios públicos en la India”. Working Paper en NIPFP 
Working paper series analiza el diseño y la implementación de transferencias de propósito 
general y específico en la India. Mientras que las transferencias de propósito general se 
otorgan para permitir que los Estados brinden niveles comparables de servicios a tasas 
impositivas comparables. Sin embargo, dadas las grandes diferencias en las capacidades de 
ingresos de los estados, donde el estado grande más rico tiene cinco veces el ingreso per 
cápita del más bajo, es políticamente inviable compensar las diferencias en las capacidades 
de ingresos por completo. Por lo tanto, el propósito específico que está destinado a garantizar 
estándares mínimos de servicios meritorios con alto grado de externalidades es 
extremadamente importante. Sin embargo, el análisis muestra que hay demasiadas 
transferencias de propósito específico, están mal focalizadas y la inclusión de múltiples 
objetivos en cada una de las transferencias de propósito específico dificulta el cumplimiento 
por parte de los Estados. El objetivo del desarrollo inclusivo requiere la reforma del sistema 
de transferencias. 
13 
 
Asimismo, (Masaki, 2018) en su estudio “El impacto de las transferencias 
intergubernamentales en la generación y ejecución de presupuesto en África subsahariana: 
evidencia de Tanzania” Artículo científico en World Development, vol 106. Explora el 
impacto de las transferencias intergubernamentales sobre los ingresos locales en África 
subsahariana, una región donde la capacidad fiscal local es limitada y está determinada de 
manera endógena por el apoyo financiero de los donantes internacionales y el gobierno 
central. Entre las conclusiones principales: 
- Se sostiene que en lugares donde la capacidad existente de las AGL para administrar 
la recaudación de impuestos es débil y los costos políticos de hacer cumplir los 
impuestos son bajos, que son características de muchos distritos rurales de África, 
las transferencias intergubernamentales facilitan la generación de ingresos locales en 
lugar de socavarlos.  
- Al analizar los datos fiscales trimestrales recientemente disponibles sobre los 
ingresos locales en Tanzania, se muestra que las subvenciones intergubernamentales 
mejoran la movilización de los ingresos locales, y también que el efecto positivo de 
las transferencias fiscales en la recaudación de ingresos locales parece ser más 
pronunciado en los distritos rurales. 
2.1.2. Antecedentes Nacionales 
Para (Díaz, Roberto, & Raúl, 2018) en su tesis “Evaluación del programa de 
incentivos a la mejora de la gestión municipal en la Municipalidad distrital de Barranco : 
2012-2017” - Universidad del Pacífico concluye que la Municipalidad Distrital de Barranco 
(MDB) durante el periodo de aplicación del Programa “ha mostrado un comportamiento 
heterogéneo en el cumplimiento de las metas que le han sido asignadas. Se identifican años, 
como el 2014, donde el porcentaje de las metas cumplidas fue 82%, y, en contraste, años 
como el 2015, donde el porcentaje de las metas no cumplidas (64%) fue mayor al de las 
metas cumplidas (36%). Esta particular evolución ha determinado que la municipalidad deje 
14 
 
de captar recursos, que bien pueden haberse destinado a la mejora de la provisión de servicios 
públicos para los ciudadanos de su circunscripción. El estudio identifica algunos elementos 
del diseño del PI como son la clasificación misma, la forma de evaluación, el procedimiento 
de fijación de las metas, así como el ciclo político que impiden un logro más satisfactorio de 
las metas en la MDB”. De otro lado, también se identifican algunos “aspectos al interior de 
la municipalidad que inciden negativamente en el alcance de las metas. Entre los más 
importantes se encuentran el recurso humano que particularmente en la MDB muestra una 
alta rotación, así como también algunas debilidades en el tema de los instrumentos de gestión 
y planificación de la municipalidad” . 
Para (Choquehuanca & Chávez, 2019) en su tesis Plan de incentivos y su incidencia 
en la calidad de gasto público de la Municipalidad Distrital de Soritor - periodo 2015 – 2016 
- Universidad Nacional de San Martín se analiza en qué medida el plan de incentivos incide 
en la calidad de gasto público de la Municipalidad Distrital de Soritor en el periodo 2015 – 
2016, para ello “se utilizaron dos variables, el plan de incentivos a la mejora de la gestión 
municipal y el gasto público, relacionándolo en función a la ejecución presupuestal y 
finalidad de la misma. Se concluye que existe una mejora de la calidad del gasto público en 
la Municipalidad Distrital de Soritor” debido a la implementación y cumplimiento de las 
metas del plan de incentivos a la mejora de la gestión municipal, que durante el periodo de 
estudio 2015 – 2016, significó un incremento del 35.5% y 16.1%, del presupuesto total anual, 
respectivamente. 
De acuerdo con (Escobedo, 2019) en su tesis Importancia del Programa de Incentivos 
a la Mejora de la Gestión Municipal (PI) en el Servicio de Seguridad Ciudadana en los 
Gobiernos Locales en el Perú - Universidad Católica San Pablo, se toma como eje central la 
meta referida a la seguridad en los gobiernos locales, “y como su aplicación contribuye en 
el desarrollo de sus jurisdicciones. Entre los principales resultados obtenidos en el presente 
trabajo de investigación se encuentran, comprender la importancia del programa de 
15 
 
incentivos como política de estado”, así como su implicancia en la prestación del servicio de 
Seguridad, y los retos y aportes a la comunidad. 
Asimismo, para (Gianoli, 2019) en su tesis Incentivos en la Gestión Pública: Estudio 
de caso del Plan de Incentivos a la Mejora de la Gestión y Modernización Municipal - 
Pontificia Universidad Católica del Perú encuentra que los incentivos por sí solos no pueden 
generar cambios sostenibles y las variables más importantes que influencian en ello para el 
caso del PI serían las siguientes: “la claridad de los objetivos de la herramienta, la pertinencia 
de la actual división de las municipalidades que realiza el Ministerio de Economía y 
Finanzas, la importancia de los rectores encargados de proponer las metas y las capacidades 
endógenas de las municipalidades. En función a los hallazgos se realizan algunas reflexiones 
comparando lo que la literatura sobre incentivos plantea, opiniones de especialistas en 
gestión pública y los relacionados a la implementación de la herramienta y el análisis de las 
variables propias de las capacidades de las municipalidades”. Con ello se buscan generar 
conclusiones y recomendaciones que sirvan para una potencial mejora de la herramienta. 
Según (Ruiz, 2019) en su tesis Incentivos a la gestión municipal como estímulo a la 
inversión en primera infancia de municipalidades de ciudades no principales del Perú, 2012 
– 2017 - Universidad Católica Sedes Sapientiae, la investigación encuentra que la presencia 
de metas vinculadas a la primera infancia, genera una “correlación positiva entre la inversión 
de tipos recursos vinculados al Plan de Incentivos dentro del Programa Presupuestal 
Articulado Nutricional, presentó relación significativa con correlación fuerte para el periodo 
con metas y moderada para el periodo sin metas; mientras que al realizar el análisis similar 
para el Programa Presupuestal Salud Materno Neonatal se observó relación significativa con 
correlación moderada para ambos periodos; sin embargo con un valor más alto para el 
periodo con meta”.  
16 
 
2.1.3. Antecedentes Locales 
Para (Sumerente, 2018) en su tesis “Impactos socioeconómicos de la eficiencia del 
gasto público de los Gobiernos Locales del Departamento del Cusco en el período 2009-
2015”. Tesis de pregrado en Universidad Andina del Cusco, se “analiza la eficiencia de 108 
gobiernos locales en el departamento del Cusco utilizando Fronteras de Posibilidades de 
Producción no Paramétricas, específicamente la metodología Free Disposal Hull.  Entre los 
resultados principales, se encontró que el 93% de los Gobiernos Locales son ineficientes, y 
no lograron reducir las brechas socioeconómicas en materia de salud y educación. Por otro 
lado, hay una amplia dispersión en los niveles de eficiencia de gasto de los gobiernos locales 
en salud y educación”. Es decir, solo se emplea el 40% de los recursos asignados. Por último, 
los resultados apoyan la noción de que un mayor gasto no significa una mejora en la calidad 
de vida de las poblaciones locales, entendiendo que es una mejora en los indicadores de 
pobreza y de desarrollo humano. 
Para (Calderón, 2018) en su tesis “La Gestión del Gasto Público en la Municipalidad 
Distrital de Echarati durante el período 2011-2014” Tesis de Maestría en Pontificia 
Universidad Católica del Perú. Encuentra que Echarati es uno de los gobiernos locales más 
ricos del Perú, “en parte al significativo incremento en su presupuesto, que pasó de 17 
millones el 2004 a 491 millones el 2013. Sin embargo, cerca del 50% de sus habitantes viven 
en la pobreza, con altas tasas de analfabetismo, desnutrición, anemia, falta de acceso a agua 
potable, entre otros. La investigación es de tipo cualitativo, utilizando entrevistas en 
profundidad y análisis de información documental para contrastar el análisis con la hipótesis 
para la formulación de conclusiones y recomendaciones. La investigación concluye que no 
se tuvo un gasto eficiente por falta de servicios que más demanda la población, tales como 
agua o desagüe”. La Municipalidad no ha sido eficaz al proveer bienes y servicios que 
demanda la población, ya que sus principales indicadores se han incrementado en el período 
de estudio. 
17 
 
(Alvarado, 2017) En su investigación “Uso del Programa de Incentivos y la mejora 
en la Eficacia Administrativa en la Gestión de la Municipalidad Distrital de Echarate, 
durante el 2016 al 2017” Tesis de Maestría de Universidad Cesar Vallejo encuentra que 
existe correlación media entre el uso del Programa de Incentivos y la capacidad resolutiva 
en la Gestión de la Municipalidad Distrital de Echarate, “con un valor Tau-b de 0.557. Por 
otro lado, se encuentra una correlación baja entre el PI y los cambios en la gestión con un 
valor Tau-b de 0.376. También se encuentra una correlación media entre el PI y la 
perspectiva de crecimiento en la gestión con un valor tau-b de 0.57. Finalmente, como 
conclusión general encuentran que existe correlación media entre el uso del programa de 
incentivos y la eficiencia administrativa en gestión con un coeficiente de asociación de 
0.577”. 
Según (Salcedo, 2019) en su tesis “Metas del plan de incentivos a la mejora y 
modernización y su incidencia en la gestión municipal en la provincia del Cusco”. Tesis de 
Maestría en Universidad Nacional de Educación Enrique Guzmán y Valle se encuentra que 
la variable Atención a les Metas del PI incide de manera directa y significativa sobre la 
gestión municipal de la provincia del Cusco, con un coeficiente de correlación de Spearman 
de 0.834. Asimismo, las metas para la mejora de gestión de tributos municipales han 
permitido incrementar la recaudación de recursos propios e incidir sobre la gestión 
municipal, con un coeficiente de correlación de 0.769. Finalmente, se encuentra que las 
metas en reducción de anemia y desnutrición han incidido en forma positiva sobre la gestión 
municipal, con un valor de correlación de 0.583”, indicando una correlación directa y 
moderada entre ambas. 
Para (Flórez, 2018) en su tesis “Presupuesto participativo y programa de incentivos 
a la mejora de la gestión municipal, en la Municipalidad Provincial del Cusco, 2018”. Tesis 
de Maestría en Universidad César Vallejo, se “encuentra con un nivel de significancia de 
0.05, una correlación alta y directa entre las variables de Presupuesto Participativo y el 
18 
 
Programa de Incentivos a la mejora de la Gestión Municipal. En relación a la variable 
Presupuesto Participativo, el 19.2% de los encuestados consideran que se ha dado de forma 
deficiente, el 57.7% considera que es regular y el 23,1% considera que es bueno o que se da 
de forma adecuada. Asimismo, estos resultados evidencias que existe un avance importante 
en el desarrollo de las actividades del presupuesto participativo. En relación a la variable 
Programa de Incentivos a la mejora de la Gestión Municipal, se encuentra que el 26.9% de 
los encuestados lo consideran deficiente, el 50% lo considera regular y el 23.1% considera 
que es bueno, es decir, se considera que existe la voluntad y se desarrollan acciones para 
lograr cumplir con las metas propuestas”.  
2.2. Bases Legales 
 Ley N° 29332: Crea el Plan de Incentivos a la Mejora de la Gestión Municipal – 
PIMGM con el objetivo de incentivar a los gobiernos locales a mejorar sus 
niveles de recaudación tributaria y a ejecutar el gasto en inversión. El Programa 
es liderado por la Dirección General de Presupuesto Público (DGPP) del 
Ministerio de Economía y Finanzas (MEF). 
 Decreto de Urgencia N° 119-2009: Incorpora al Plan de Incentivos a la Mejora 
de la Gestión Municipal la reducción de los índices de desnutrición crónica 
infantil. 
 Ley N° 29465: Crea el Programa de Modernización Municipal – PMM mediante 
la Ley de Presupuesto del Sector Público para el año fiscal 2010 en un contexto 
en el que resultaba necesario mejorar el clima de negocios y la simplificación 
administrativa 
 Decreto Supremo N° 002-2010-EF: Define la clasificación de municipalidades 
siguiendo criterios sociales, demográficos y geoeconómicos por lo que contaba 
con cuatro categorías: i) municipalidades de ciudades principales tipo A (40), ii) 
Municipalidades de ciudades principales tipo B (209), iii) municipalidades con 
19 
 
500 o más viviendas urbanas (555) y iv) municipalidades con menos de 500 
viviendas urbanas (1,030). 
 Ley N° 30372, Ley de Presupuesto del Sector Público para el año fiscal 2016: 
dispone que, a partir de dicho año, el Programa de Modernización Municipal – 
PMM cambia su denominación a su nombre actual: Programa de Incentivos a la 
Mejora de la Gestión Municipal (PI). El PI se enmarca dentro del cuarto 
instrumento del PpR, Incentivos a la Gestión. 
2.3. Bases Teóricas 
2.3.1. Teoría del Crowding-In de inversión pública según Barro 
Según esta teoría, cuando el capital público y el privado se complementan, la 
inversión pública eleva la productividad marginal del capital privado. Esto aumenta los 
retornos de la inversión privada y, si los ahorros privados son flexibles, el monto de la 
inversión privada. Este "agrupamiento" de la inversión privada, a su vez, aumenta la tasa de 
crecimiento económico. 
Sin embargo, aunque es casi seguro que la inversión pública se concentre en la 
inversión privada cuando se parte de un nivel bajo, es poco probable que lo haga en todos 
los niveles. Esto se debe a que los aumentos de la inversión pública tienen un impacto 
positivo sucesivamente menor en los rendimientos de la inversión privada, mientras que los 
impuestos necesarios para financiarlos tienen un impacto negativo constante. En algún 
momento, por lo tanto, es inevitable que el aumento de la inversión pública "desplace" a la 
inversión privada. No obstante, es muy probable que muchos países en desarrollo estén muy 
lejos de este punto, dados sus bajos niveles de ingresos fiscales en relación con el PBI. 
En el modelo de Barro de hecho, se pueden distinguir tres etapas. Para niveles de 
inversión pública elevados, la inversión pública aumenta los retornos de la inversión privada, 
la tasa de ahorro privado y el crecimiento. Índice. Esta es la fase de "agrupamiento". 
Después, los efectos (negativos) de impuestos más altos compensan los efectos (positivos) 
20 
 
de más capital público sobre los rendimientos de la inversión privada, y nuevos aumentos en 
la inversión pública reducen la tasa de ahorro privado. Sin embargo, los aumentos de la 
inversión pública aún elevan la tasa de crecimiento, porque la inversión pública sigue siendo 
altamente productiva. Por tanto, esto puede describirse como la fase de "desplazamiento 
eficiente". El modelo de Barro asume que la inversión pública se financia mediante 
impuestos. Cuando se financia mediante préstamos, los efectos de la inversión pública sobre 
el crecimiento son complicados y dependen de los supuestos que se hagan sobre los 
horizontes temporales y el altruismo intergeneracional. Se trata, por tanto, más de un asunto 
que solo puede analizarse empíricamente. 
2.3.2. Teoría de la inversión keynesiana según Hausmann 
En los modelos keynesianos de la economía, la inversión pública afecta el nivel de 
ingreso nacional a través de su efecto sobre la demanda agregada. Tales modelos asumen 
que, debido a los salarios y / o precios inflexibles, las economías a veces operan con menos 
del pleno empleo. En tales casos, un aumento de la inversión pública tendría un impacto 
positivo inmediato en el nivel de la renta nacional, seguido de un impacto positivo 
sucesivamente menor en un número limitado de años posteriores. Alternativamente, para las 
economías con alguna tasa de crecimiento subyacente positiva, un aumento en la tasa de 
ahorro público privado La tasa de crecimiento de la inversión provocaría inicialmente una 
aceleración del crecimiento, seguida de una desaceleración gradual de regreso a la tasa 
subyacente. De hecho, hay muchos ejemplos de tales aceleraciones del crecimiento en los 
países en desarrollo en las últimas décadas, como lo muestran Hausmann, aunque no se sabe 
qué proporción se puede atribuir a incrementos en la inversión pública. 
2.3.3. Teoría de inversión en capital público/privado según Anderson 
La teoría de inversión en capital público comienza con el supuesto de que el capital 
público y el privado son complementos. Esto se justifica sobre la base de que el capital 
público y el privado se componen de cosas bastante diferentes, con el capital público 
21 
 
compuesto principalmente por bienes públicos (por ejemplo, carreteras, suministro de 
electricidad) y el capital privado compuesto por bienes privados (por ejemplo, edificios, 
maquinaria). En este caso, la función de producción agregada para una economía tiene la 
forma: 
𝑌 = 𝐴 ∗ 𝑓(𝐾, 𝐺, 𝑁, 𝐿) 
Donde Y es la producción agregada, K es el capital privado (humano y / o físico), G es el 
capital público, N es los recursos naturales, L es la fuerza laboral y A es el nivel de tecnología 
o la productividad total de los factores. Cuando se modela de esta manera, un aumento en el 
stock de capital público eleva la producción agregada. También aumenta la productividad 
de todos los demás factores de producción, incluida la mano de obra. Si los mercados 
laborales son competitivos y la oferta laboral es inelástica, un aumento en la productividad 
del trabajo conduce a un aumento en los salarios reales. La predicción es que, a largo plazo, 
los países con tasas más altas de la inversión pública tendrán mayores niveles de producción 
por trabajador (ceteris paribus). En el corto y mediano plazo, a medida que se acercan a su 
nivel de producción por trabajador de estado estacionario a largo plazo, los países con tasas 
más altas de inversión pública tendrán tasas más altas de crecimiento económico 
(nuevamente, ceteris paribus). 
En este caso, el impacto de la inversión pública en el crecimiento económico será más 
variado y dependerá de al menos cuatro cosas, a saber: 
 el tipo de inversión pública; 
 el monto de la inversión; 
 el stock inicial de capital público; y 
 el contexto económico en el que se produce la inversión. 
Por ejemplo, la inversión pública en carreteras podría tener un impacto marginal o dramático 
en la productividad y el crecimiento, según que la red vial inicial fuera sustancial o, por el 
contrario, tan subdesarrollada que fuera un impedimento importante para el funcionamiento 
22 
 
de la economía. También podría extenderse para permitir que la inversión pública afecte el 
nivel de tecnología o la productividad total de los factores, aunque separar este efecto en la 
práctica sería difícil, por lo que las especificaciones existentes son las más comunes. 
2.3.4. Modelo de las transferencias fiscales según Aragón y Gayoso 
Se considera una administración local o alcalde que pueda financiar gastos locales 
con impuestos locales T o con transferencias del gobierno central Tr. Para simplificar, 
suponga que el gobierno local no puede ahorrar ni pedir prestado. Luego, se gastan todos los 
recursos disponibles. 
𝐺 = 𝑇 + 𝑇𝑟 
Los impuestos locales dependen del esfuerzo del alcalde e. Supongamos la siguiente 
especificación lineal () e e T γ =, donde 0> γ mide la relación entre esfuerzo e impuestos. 
Tenga en cuenta que se pueden incluir otras variables como la capacidad fiscal o las 
instituciones legales. Sin embargo, estos cambios no modifican los resultados del modelo. 
Las transferencias tienen dos componentes. Un componente fijo F que se asigna 
considerando criterios de igualación y un componente condicional directamente vinculado 
al esfuerzo fiscal local e α, donde 0 ≥ α mide la importancia del esfuerzo local. Se asume 
que el esfuerzo es observable por el gobierno central. Por lo tanto, las transferencias recibidas 
son iguales a: 
𝑇𝑟 = 𝐹 + 𝑎𝑒 
Las transferencias más altas aumentan el gasto público local, reducen los ingresos 
políticos marginales y desincentivan el esfuerzo fiscal. Entonces, existe una relación 
negativa entre transferencias y esfuerzo fiscal. Además, dada la concavidad de la función de 
ingresos políticos, la relación negativa entre transferencias y esfuerzo disminuirá con el nivel 
inicial de gasto local. Por lo tanto, cuanto mayor sea el nivel de gasto inicial, menor será la 
compensación entre las transferencias y el esfuerzo fiscal. Estas dos implicaciones son 
comprobables y se utilizarán en el presente documento. Tenga en cuenta que este resultado 
23 
 
no implica que las comunidades más pobres muestren menos esfuerzo fiscal que las más 
ricas. En realidad, suponiendo las mismas preferencias y costos subyacentes, el modelo 
predice que los gobiernos locales con niveles de gasto más bajos elegirán niveles de esfuerzo 
más altos que las comunidades más ricas. 
El modelo tiene dos implicaciones políticas relevantes. En primer lugar, la descentralización 
fiscal podría reducir la recaudación de impuestos locales. Dada la baja capacidad fiscal, la 
descentralización fiscal generalmente implica incrementos en las transferencias a los 
gobiernos locales. Estos recursos adicionales pueden desincentivar el esfuerzo fiscal local y 
reducir la recaudación fiscal observada. El efecto de sustitución puede ser mayor entre los 
gobiernos locales con menores niveles de gasto, debido a la disminución de los beneficios 
marginales. En segundo lugar, es posible reducir este efecto general al incluir indicadores de 
esfuerzo fiscal en la fórmula de asignación de transferencias. Observe que el esfuerzo fiscal 
aumenta en α, el grado de condicionalidad en el esfuerzo de la fórmula de asignación. Este 
factor puede atenuar los efectos de la disminución de los beneficios políticos o el costo del 
esfuerzo. 
2.3.5. Teoría del Multiplicador según Keynes 
Un multiplicador es un factor en economía que aumenta o aumenta 
proporcionalmente otras variables relacionadas cuando se aplica. Los multiplicadores se 
utilizan comúnmente en el campo de la macroeconomía, el área de la economía que estudia 
el comportamiento de la economía en su conjunto. Hay varios multiplicadores diferentes, 
incluido el multiplicador de ganancias, el multiplicador fiscal, el multiplicador de inversión 
y el multiplicador keynesiano El afamado economista británico John Maynard Keynes 
introdujo formalmente el concepto de multiplicador en su "Teoría general del empleo, el 
interés y el dinero" en 1936. Durante la depresión de la década de 1930, Keynes comprendió 
que el pensamiento clásico en el que la oferta crearía su propia demanda no siempre 
funciona.  
24 
 
Señaló que en la Gran Depresión el principal problema fue la falta de demanda 
agregada. También señaló que el gasto del gobierno podría sumarse a la demanda agregada 
y que este estímulo fiscal crearía un "efecto multiplicador" a través de aumentos en la 
demanda de los consumidores. Independientemente del tipo de gasto gubernamental, 
conducirá a ciclos de prosperidad económica y aumento del empleo, elevando el producto 
interno bruto (PIB) en una cantidad mayor del aumento. Para resumir estos conceptos, 
observamos que en una economía cerrada simple esa demanda agregada se puede representar 
mediante la siguiente expresión:. 
𝑌 = 𝐶 + 𝐼 + 𝐺 
Dónde: 
 
Y = demanda agregada 
C = demanda del consumidor 
I = demanda de inversión 
G = demanda del gobierno 
Keynes también introdujo el concepto de función de consumo: 
𝐶 = 𝑚𝑌 
Dónde: m = la propensión marginal a consumir (MPC) con m <1 y para los propósitos 
de esta discusión asumiremos que se estima en .75, lo que indica que cuando los 
consumidores reciben ingresos adicionales, gastan el 75% y ahorran el 25%. La demanda de 
inversión estuvo determinada principalmente por el espíritu empresarial, las tasas de interés 
(política monetaria) y las condiciones comerciales actuales, mientras que la demanda del 
gobierno fue determinada por las decisiones fiscales tomadas por el gobierno. 
2.3.6. Teoría del acelerador según Knox 
La teoría del acelerador, un concepto keynesiano, estipula que el desembolso de 
inversión de capital es una función de la producción. Por ejemplo, un aumento en el ingreso 
25 
 
nacional, medido por el producto interno bruto (PIB), vería un aumento proporcional en el 
gasto de inversión de capital. La teoría del acelerador es una postulación económica según 
la cual el gasto de inversión aumenta cuando aumenta la demanda o el ingreso. La teoría 
también sugiere que cuando hay un exceso de demanda, las empresas pueden disminuir la 
demanda aumentando los precios o aumentar la inversión para satisfacer el nivel de 
demanda. La teoría del acelerador postula que las empresas suelen optar por aumentar la 
producción, aumentando así las ganancias, para cumplir con su relación de capital fijo a 
producción. 
La relación de capital fijo a producción establece que si se necesitaba una (1) 
máquina para producir cien (100) unidades y la demanda aumentaba a doscientas (200) 
unidades, entonces se necesitaría invertir en otra máquina para satisfacer este aumento en la 
demanda. Desde el punto de vista de las macropolíticas, el efecto acelerador podría actuar 
como catalizador del efecto multiplicador, aunque no existe una correlación directa entre 
estos dos. Esta teoría se suele interpretar para establecer una nueva política económica. Por 
ejemplo, la teoría del acelerador podría usarse para determinar si introducir recortes de 
impuestos para generar más ingresos disponibles para los consumidores (consumidores que 
luego demandarían más productos) sería preferible a recortes de impuestos para las 
empresas, que podrían utilizar el capital adicional para la expansión y el crecimiento. . Cada 
gobierno y sus economistas formulan una interpretación de la teoría, así como preguntas que 
la teoría puede ayudar a responder. 
2.3.7. Teoría de la eficiencia pública según Diamond 
Diamond y Mirrlees consideran el problema óptimo del impuesto a los productos 
básicos para una tecnología de producción más general. En su teoría, demostraron que si la 
producción exhibe rendimientos constantes a escala o la producción exhibe rendimientos 
decrecientes a escala y las ganancias se gravan al 100%, entonces el sistema impositivo 
óptimo siempre mantiene la economía en el límite de su frontera de posibilidades de 
26 
 
producción. Esto se conoce como el teorema de la eficiencia de producción. También 
proporcionaron fórmulas fiscales óptimas para este entorno más general, que se parecen 
mucho a las que se derivan. El teorema de eficiencia de producción implica que la tasa 
marginal de sustitución técnica entre dos insumos dados es la misma en todas las unidades 
productivas que los utilizan. 
Esto implica que el uso de impuestos no uniformes sobre factores productivos no es 
óptimo. También implica que los bienes intermedios (por ejemplo, el acero) no deben estar 
sujetos a impuestos. Este resultado se consideró muy sorprendente en ese momento, ya que 
la literatura previa sobre la teoría de lo segundo mejor había sugerido que cualquier cosa 
podría ser óptima si no se podía lograr la primera mejor. Este hallazgo se conoce como el 
teorema de la eficiencia de Diamond-Mirrlees, y se le atribuye ampliamente haber 
modernizado el análisis de Ramsey al considerar el problema de la distribución del ingreso 
con el problema de la obtención de ingresos. Joseph E. Stiglitz y Partha Dasgupta han 
criticado este teorema por no ser sólido con el argumento de que la eficiencia de producción 
no será necesariamente deseable si no se pueden utilizar ciertos instrumentos fiscales. 
2.4. Marco Conceptual 
 Inversión pública: Inversión pública es toda intervención limitada en el tiempo 
que utiliza total o parcialmente recursos públicos, con el fin de crear, ampliar, 
mejorar, modernizar o recuperar bienes o servicios que se brinda a la población 
(MEF, 2018) 
 Programa de incentivos a la mejora municipal: es un “instrumento del 
Presupuesto por Resultados (PpR), que está orientado a incentivar a los gobiernos 
locales a la mejora continua y sostenible de su gestión, en el marco del proceso 
de descentralización y mejora de la competitividad”. El PI implica una 
transferencia de recursos condicionada al cumplimiento de metas que deben 
alcanzar las municipalidades en un período de tiempo determinado. Se subdivide 
27 
 
en categorías (A, B, C y D) para recibir incentivos municipales bajo la modalidad 
del PI hasta el año 2018. (MEF, 2016) 
 Inversión pública en Salud: Inversión pública que utiliza recursos públicos para 
el aseguramiento universal en salud, y las políticas y acciones intersectoriales 
sobre los determinantes sociales; en beneficio de la salud y el bienestar de la 
población. (MEF, 2018) 
 Inversión pública en Saneamiento: Inversión pública que utiliza recursos 
públicos para proveer en centros poblados urbanos, rurales sostenibles, en 
viviendas los servicios de agua y saneamiento de calidad. (MEF, 2018) 
 Inversión pública en Protección Social: Inversión pública que utiliza recursos 
públicos en la protección, y asistencia social a los pobres y vulnerables, como los 
niños, las mujeres, las personas adultas mayores, las personas que viven con 
discapacidades, los desplazados, los desempleados. (MEF, 2018) 
 Protección social: La protección social se ocupa de proteger y ayudar a los 
pobres y vulnerables, como los niños, las mujeres, las personas mayores, las 
personas que viven con discapacidades, los desplazados, los desempleados y los 
enfermos. La protección social se superpone con una serie de intervenciones en 
materia de medios de vida, capital humano y seguridad alimentaria (Harvey et 
al., 2007). 
 Anemia: La anemia se define como un número bajo de glóbulos rojos. En un 
análisis de sangre de rutina, la anemia se informa como hemoglobina o 
hematocrito bajos. La hemoglobina es la principal proteína de los glóbulos rojos. 
Transporta oxígeno y lo distribuye por todo el cuerpo. Si tiene anemia, su nivel 
de hemoglobina también será bajo. Si es lo suficientemente bajo, es posible que 
sus tejidos u órganos no reciban suficiente oxígeno. (WebDM, 2021) 
28 
 
 Saneamiento: Saneamiento básico es la tecnología de más bajo costo que 
permite eliminar higiénicamente las excretas y aguas residuales y tener un medio 
ambiente limpio y sano tanto en la vivienda como en las proximidades de los 
usuarios. El acceso al saneamiento básico comprende seguridad y privacidad en 
el uso de estos servicios (OMS, 2019). 
 Salud: La salud es un estado de completo bienestar físico, mental y social, y no 
solamente la ausencia de afecciones o enfermedades. (OMS, 2020). 
 Transferencias fiscales: Las transferencias fiscales se utilizan para garantizar 
que los ingresos coincidan aproximadamente con las necesidades de gasto de 
varios niveles de gobiernos subnacionales. También se utilizan para promover 
objetivos nacionales, regionales y locales, como la equidad y la equidad, y para 
crear una unión económica común. La estructura de estas transferencias crea 
incentivos para los gobiernos nacionales, regionales y locales que afectan la 
gestión fiscal, la estabilidad macroeconómica, la equidad distributiva, la 
eficiencia de asignación y la prestación de servicios públicos. (Banco Mundial, 
2007). 
 Bien público: En economía, un bien público es un bien que no es excluible ni 
rival en el sentido de que los individuos no pueden ser efectivamente excluidos 
del uso y donde el uso de un individuo no reduce la disponibilidad para otros. 
Bien que no es excluyente ni rival: el coste marginal de provisión a un 
consumidor más es cero y no es posible impedir a nadie consumirlo. (Pindyck & 
Rubinfeld, 2009) 
 Bien social: Los bienes sociales se definen como bienes públicos que podrían 
entregarse como bienes privados, pero que generalmente los entrega el gobierno 
por varias razones, incluida la política social, y se financian con fondos públicos 
como los impuestos. (Pindyck & Rubinfeld, 2009) 
29 
 
  Falla de mercado: La falla del mercado ocurre cuando la asignación de bienes 
y servicios por un mercado libre no es eficiente. Es decir, existe otro resultado 
concebible en el que un participante del mercado puede mejorar sin empeorar a 
otro. (El resultado no es el óptimo de Pareto). (Pindyck & Rubinfeld, 2009) 
 Gasto Corriente: “Comprende las erogaciones destinadas a las operaciones de 
producción de bienes y prestación de servicios, tales como gastos de consumo y 
gestión operativa, servicios básicos, prestaciones de la seguridad social, gastos 
financieros y otros. Están destinados a la gestión operativa de la entidad pública 
durante la vigencia del año fiscal y se consumen en dicho período.” (MEF, 2019) 
 Gasto en prestación de bienes y servicios: Específica de la cuenta de gastos 
corrientes, incluye los gastos de los pliegos destinadas a las operaciones de 
producción de bienes y prestación de servicios. (MEF, 2019) 
 Gasto en donaciones y transferencias corrientes: Específica de la cuenta de 
gastos corrientes, incluye los gastos de los pliegos destinados a donaciones y 
trasferencias a instituciones del estado (MEF, 2019) 
 Gasto en otras prestaciones sociales: Incluye el gasto corriente en “prever, 
reparar o superar determinadas situaciones de infortunio o estados de necesidad 
concretos, que suelen originar una pérdida de ingresos o un exceso de gastos en 
las personas que los padecen”. (MEF, 2019) 
 Programa Multianual de Inversión Pública: Conjunto de PIP a ser ejecutados 
en un período no menor de tres años y ordenados de acuerdo a las políticas y 
prioridades del sector. (MEF, 2018) 
 Proyecto de Inversión Pública (PIP):  Toda intervención limitada en el tiempo 
que utiliza total o parcialmente recursos públicos, con el fin de crear, ampliar, 
mejorar, modernizar o recuperar la capacidad productora de bienes o servicios; 
30 
 
cuyos beneficios se generen durante la vida útil del proyecto y éstos sean 
independientes de los de otros proyectos. (MEF, 2018) 
 Protección social: Es una serie de intervenciones públicas para: a) ayudar a las 
personas, familias y comunidades a manejar mejor el riesgo b) apoyar a los más 
pobres en situación crítica. (INEI, 2014) 
 Regresión discontinua: El diseño de regresión discontinua (RDD) es una opción 
de evaluación que mide el impacto de una intervención o tratamiento, mediante 
la aplicación de un mecanismo de asignación de tratamiento basado en un índice 
de elegibilidad continuo que es una variable con una distribución continua. 
(Eggers, Freier, Grembi, & Nannicini, 2019). 
 Variable de control: Una variable de control es variable cosa que se mantiene 
constante en un estudio de investigación. Es una variable que no interesa a los 
objetivos del estudio, pero se controla porque podría influir en los resultados. Las 
variables pueden controlarse directamente manteniéndolas constantes a lo largo 
de un estudio, o pueden controlarse indirectamente mediante métodos como la 
aleatorización o el control estadístico. (Bhandari, 2004) 
2.5. Formulación de Hipótesis 
2.5.1. Hipótesis General 
El Programa de Incentivos a la Mejora de la Gestión Municipal ha tenido un impacto 
positivo, incrementado el gasto en la inversión pública de las municipalidades de la región 
Cusco, 2016-2018. 
2.5.2. Hipótesis Específicas 
 El Programa de Incentivos a la Mejora de la Gestión Municipal ha tenido un 
impacto positivo, incrementando el gasto en la inversión pública en salud de las 
municipalidades de la región Cusco, 2016-2018. 
31 
 
 El Programa de Incentivos a la Mejora de la Gestión Municipal ha tenido un 
impacto positivo, incrementando el gasto en la inversión pública en saneamiento 
de las municipalidades de la región Cusco, 2016-2018. 
 El Programa de Incentivos a la Mejora de la Gestión Municipal ha tenido un 
impacto positivo, incrementando el gasto en la inversión pública en protección 
social de las municipalidades de la región Cusco, 2016-2018. 
2.6. Variables 
2.6.1. Variables de investigación 
Las variables de estudio identificadas son las siguientes:  
Variable dependiente 
 Inversión pública 
Variable Independiente: 
 Programa de Incentivos a la Mejora de la Gestión Municipal 
2.6.2. Conceptualización de variables 
Variable dependiente 
 Inversión pública: Inversión pública es toda intervención limitada en el tiempo 
que utiliza total o parcialmente recursos públicos, con el fin de crear, ampliar, 
mejorar, modernizar o recuperar bienes o servicios que se brinda a la población 
(MEF, 2018) 
Variable Independiente: 
 Programa de Incentivos a la Mejora de la Gestión Municipal: es un 
“instrumento del Presupuesto por Resultados (PpR), que está orientado a 
incentivar a los gobiernos locales a la mejora continua y sostenible de su gestión, 
en el marco del proceso de descentralización y mejora de la competitividad”. El 
PI implica una transferencia de recursos condicionada al cumplimiento de metas 
32 
 
que deben alcanzar las municipalidades en un período de tiempo determinado. 
(MEF, 2016) 
 
 
33 
 
2.6.3. Operacionalización de variables 
A continuación, se presenta la tabla de operacionalización de variables: 
Tabla 3. Operacionalización de Variables 
Variable Definición conceptual Definición Dimensiones Indicador Tipo de variable 
operacional 
Variable Inversión pública es toda Es el nivel de inversión Anemia Gasto público en Salud de la municipalidad i en Continua 
Dependiente: intervención limitada en el pública alcanzado por el año t en soles per cápita 
Inversión tiempo que utiliza total o cada municipalidad de Gasto público en Salud de la municipalidad i en 
pública parcialmente recursos la región del Cusco en el año t en soles por densidad poblacional 
públicos, con el fin de crear, el año t, se mide en Saneamiento Gasto público en Saneamiento de la Continua 
ampliar, mejorar, soles. municipalidad i en el año t en soles per cápita 
modernizar o recuperar Gasto público en Saneamiento de la 
bienes o servicios que se municipalidad i en el año t en soles por densidad 
brinda a la población. poblacional 
(MEF, 2018) Protección Gasto Público en Protección Social de la Continua 
social municipalidad i en el año t en soles per cápita 
Gasto Público en Protección Social de la 
municipalidad i en el año t en soles por densidad 
poblacional 
Instrumento del Presupuesto 
Variable por Resultados (PpR), que 
Es una variable binaria 
Independiente: está orientado a incentivar a 
que divide a las  
Programa de los gobiernos locales a la 
municipalidades en la Pertenencia a la categoría C o D del programa 
Incentivos a la mejora continua y sostenible Pública 
categoría C y la de incentivos. Variable binaria igual a 1 si se Binaria 
Mejora de la de su gestión, en el marco Monetaria 
categoría D en función encuentra en la categoría C y 0 si se encuentra 
Gestión del proceso de 
al número de viviendas en la categoría D. 
Municipal descentralización y mejora 
en la municipalidad. 
 de la competitividad (MEF, 
2016) 
Nota. Elaboración Propia 
 
34 
 
Capítulo III. Método de Investigación 
3.1. Tipo de investigación  
La investigación es de tipo correlacional-explicativo, ya que está dirigidos a responder 
a las causas de los eventos físicos o sociales, se centra en explicar por qué ocurre un fenómeno 
y en qué condiciones se da éste (Rosenbaum, 2002). En este sentido, la investigación permite 
establecer y explicar el impacto del PI sobre la inversión pública en la Región Cusco, 
aprovechando la división de los distritos en categorías (A, B, C y D) para recibir incentivos 
municipales bajo la modalidad del PI. 
3.2. Enfoque de investigación  
La investigación tiene un enfoque cuantitativo ya que el análisis y la recolección de 
información se utiliza para probar las hipótesis de la investigación, con base en la medición 
numérica y el análisis estadístico. Asimismo, se hace uso de los datos obtenidos en Consulta 
Amigable del MEF para los indicadores de Gasto Corriente y de INEI para determinar qué 
municipalidades se encuentran cerca del punto de corte en la categoría C o D 
3.3. Diseño de Investigación 
El diseño de investigación es no-experimental y longitudinal, ya que no se realiza 
manipulación alguna de la variable dependiente o independiente y se realiza durante un 
período determinado. En particular, no es posible variar la asignación de metas por parte del 
Ministerio de Economía y Finanzas o influir en el gasto público de las municipalidades de la 
región del Cusco. 
3.4. Alcance de Investigación 
La investigación tiene un alcance explicativo, de acuerdo con (Rosenbaum, 2002), este 
tipo de estudios “dilucidan las relaciones causa-efecto en las que no es factible utilizar la 
experimentación controlada, o no es posible asignar a los sujetos de estudio de forma aleatoria 
a diferentes procedimientos”. En este sentido, en la investigación no se realiza ningún 
35 
 
experimento que permita controlar las variables de estudio, solo se observa y se aprovecha la 
asignación cuasi-aleatoria de las categorías C y D para estimar los efectos causales. 
3.5. Población 
La unidad de análisis de la presente investigación es la municipalidad. Es decir, la 
población de la investigación la componen las municipalidades distritales y provinciales de la 
región Cusco, que al 2018 tiene 13 municipalidades provinciales y 97 municipalidades 
distritales (INEI, 2018). 
3.6. Muestra 
La muestra es equivalente a la población, dado que se tiene información completa de 
las 110 municipalidades que están incluidas y participan en el Programa de Incentivos a la 
Mejora de la Gestión Municipal, de acuerdo a la tabla 4: 
Tabla 4. Cusco: Número de Municipalidades por categoría 
Categoría Frecuencia Porcentaje Cumulativo 
B 8 7.41 7.41 
C 46 42.59 50.00 
D 54 50.00 100.00 
Total 108 100.00  
Nota. Obtenido de (Ministerio de Economía y Finanzas, 2020) - Clasificación de las Municipalidades (PMM-PI) 
3.7. Técnicas e Instrumentos de recolección de datos 
3.7.1. Técnicas 
La presente investigación utiliza las siguientes técnicas de investigación: 
Revisión documentaria: Se utiliza esta técnica para identificar la literatura científica 
relacionada a la investigación y a hacer una revisión de las leyes publicadas en el diario oficial 
El Peruano. 
Extracción de datos web: Se utiliza esta técnica para extraer datos administrativos de 
la página web Consulta Amigable del Ministerio de Economía y Finanzas y guardarla en 
formato Excel. 
36 
 
3.7.2. Instrumentos 
Fichaje: Permite seleccionar la idea central de los artículos científicos citados en la 
investigación, facilita la selección y el ordenamiento de la información y la organización de 
las fuentes en un fichero de trabajo. 
Recolección de datos: Utiliza una aplicación/programa para extraer directamente los 
datos de Consulta Amigable del Ministerio de Economía y Finanzas. 
3.8. Validez y confiabilidad de los instrumentos 
La información recolectada para el análisis de la investigación es de tipo administrativa 
y universal para todas las municipalidades que utilizan el sistema SIAF para el manejo de sus 
finanzas públicas, por lo tanto, no se tienen errores de medición, de muestra no representativa, 
entre otros errores muestrales. En este sentido, los instrumentos son validos y confiables ya 
que se obtienen directamente de consulta amigable. 
3.9. Plan de análisis de datos 
Para realizar el procesamiento de datos, se realiza una sistematización de la literatura 
científica en el caso de la Revisión documentaria y una sistematización de datos, codificación 
y posterior tabulación en el caso de la Extracción de datos web, la tabla siguiente muestra la 
relación entre las técnicas, instrumentos y el procesamiento de datos: 
Tabla 5. Tabla de técnicas e instrumentos de investigación y procesamiento de datos  
Técnicas e Instrumentos de Recolección de Datos Procesamiento de Datos 
Técnicas Instrumentos 
   
Revisión documentaria Fichaje Sistematización de literatura 
   
   
Recolección de datos Sistematización de datos 
Extracción de datos web  Codificación 
  Tabulación 
Nota. Elaboración Propia 
 
  
37 
 
Capítulo IV: Análisis del entorno geográfico, económico y social de la Región Cusco 
4.1. Aspecto geográfico 
La región Cusco se localiza en la parte sur-oriental del territorio nacional y limita con 
los departamentos de Junín y Ucayali por el norte, Madre de Dios y Puno por el este, Arequipa 
por el suroeste y Apurímac y Ayacucho por el oeste. Cusco, la ciudad capital, está ubicada a 
3 300 m.s.n.m. La figura siguiente muestra el mapa de la región Cusco. 
 
Figura 1. Mapa de la región Cusco 
 
La superficie de la región de Cusco es de 71 987 km2 (5,6 por ciento del territorio 
nacional). Está dividido políticamente en 13 provincias: Acomayo, Anta, Calca, Canas, 
Canchis, Cusco, Chumbivilcas, Espinar, La Convención, Paruro, Paucartambo, Quispicanchis 
y Urubamba; y 112 distritos. Cuenta con 87 comunidades nativas y 573 comunidades 
campesinas. Siendo las provincias de Quispicanchi. 
 
38 
 
La tabla 6 muestra el número de distritos de las provincias del Cusco, se puede 
observar que el número de distritos se encuentra entre 7 y 14. De los cuales la provincia de 
Urubamba es la que tiene menos distritos y La Convención con más distritos. También se 
puede observar que la superficie en kilómetros cuadrados varía de provincia en provincia. La 
provincia que tiene una menor superficie es Cusco, con 617 kilómetros cuadrados, por otra 
parte, la provincia que tiene más kilómetros cuadrados es La Convención, con 30 061 km2. 
Tabla 6. Provincias de la región del Cusco 
Provincia Distritos Superficie Km2 
Cusco  8 617 
Acomayo  7 948.22 
Anta  9 1 876.12 
Calca  8 4 414.49 
Canas  8 2 103.76 
Canchis  8 3 999.27 
Chumbivilcas  8 5 371.08 
Espinar  8 5 311.09 
La Convención  14 30 061.82 
Paruro 9 1 984.42 
Paucartambo  6 6 295.01 
Quispicanchi  12 7 564.79 
Urubamba  7 1 439.43 
Nota. Obtenido del Instituto Nacional de Estadística e Informática 
 
Por otro lado, el clima de la región del Cusco es muy variado, “siendo la cordillera 
oriental de los Andes, la columna vertebral. La cordillera forma tres cadenas de montañas que 
se orientan de sur-este a nor-oeste, ellas son: la de Vilcabamba, que se localiza al nor-oeste 
del territorio, define los sistemas hidrográficos del Urubamba y del Apurímac; la de Vilcanota, 
al nor-este del río Urubamba; y la de Paucartambo, que se levanta al este del río del mismo 
nombre, en la parte oriental del departamento y cerca al límite con el departamento de Madre 
de Dios”. 
Debido a la gran diversidad de pisos altitudinales, el departamento tiene una gran 
variedad de climas y paisajes fitogeográficos, “lo que influye de manera importante en la 
actividad agricultura, asimismo, en la distribución de la población a lo largo del departamento. 
En las partes más bajas (menos de 2 000 m.s.n.m.) se presentan variados tipos de climas 
39 
 
cálidos; en los pisos intermedios el clima es templado; y hacia las partes más altas (3 700 
m.s.n.m. o más) predominan las temperaturas frías”. 
En general, se distingue un periodo seco con ausencia casi total de lluvias entre mayo 
y setiembre; el periodo lluvioso comienza en octubre, con mayores precipitaciones entre enero 
y marzo. “La época más fría del año se registra entre la segunda quincena de junio y la primera 
de julio; contrariamente, entre diciembre y febrero el clima es más cálido y lluvioso. La figura 
2 muestra la temperatura promedio anual para la región del Cusco, se puede apreciar que no 
hay cambios bruscos en la temperatura durante el período presentado”, siendo el año 2016 el 
año con una mayor temperatura promedio anual. 
13.4 13.3
13.2
13.0
13.0
12.9
12.8
12.6
12.6 12.5 12.6
12.4
12.2
12.0
2014 2015 2016 2017 2018 2019
Año
 
Figura 2. Temperatura promedio anual, 2014-2019. Obtenido del Instituto Nacional de 
Estadística e Informática.   
 
4.2. Aspecto Económico 
          En la región de Cusco el PBI tuvo un incremento del 2016 al 2018, el año 2016 el PBI 
de Cusco fue de S/ 20, 886,867 mientras que el PBI del 2018 fue de 26, 651,745, esto sugiere 
un crecimiento en la actividad económica durante este período, llevándonos a un incremento 
en la oferta laboral. Asimismo, esto implica una mayor producción de bienes y servicios. 
Grados Celsius
40 
 
30,000,000
26,651,745
25,184,437
25,000,000 23,107,328 22,756,349
20,886,867
20,000,000
15,000,000
10,000,000
5,000,000
0
2015 2016 2017 2018 2019
Año
 
Figura 3. Producto Bruto Interno valores a precios corrientes (miles de soles), 2015 - 2019. 
Obtenido del Instituto Nacional de Estadística e Informática. 
Por otro lado, la extracción de gas es fundamental para la economía en la región Cusco, 
el impacto que estos factores tienen para el crecimiento económico, se aprecia en la siguiente 
figura el cambio drástico en miles de soles que hay entre el 2016 al 2018 (con una diferencia 
de 4, 029,723 miles de soles). Igualmente hay una gran diferencia del año 2018 al año 2019 
ya que la contribución cae en 3, 193,965 miles de soles. 
10,000,000
8,678,235
9,000,000
8,000,000
7,000,000 6,430,456 6,208,287
5,848,270
6,000,000
4,648,512
5,000,000
4,000,000
3,000,000
2,000,000
1,000,000
0
2016 2017 2018 2019 2020
Año  
Figura 4. Extracción de petróleo, gas, minerales y servicios conexos: Valor Agregado Bruto 
(miles de soles), 2016 - 2020. Obtenido del Instituto Nacional de Estadística e Informática. 
Al contar con el valor agregado bruto de la electricidad, gas y agua, observando la 
figura 5, podemos notar como el valor agregado bruto se incrementa entre los años 2015-2020. 
Miles de soles Miles de Soles
41 
 
Esta subida se debe en general al alza de precio en la electricidad por la distribución, 
transmisión y generación. 
600,000
491,707 505,890
500,000 458,225
412,777 425,074
400,000
281,483
300,000
200,000
100,000
0
2015 2016 2017 2018 2019 2020
Año
 
Figura 5. Electricidad, gas y agua: Valor Agregado Bruto (miles de soles), 2015 - 2020. 
Obtenido del Instituto Nacional de Estadística e Informática. 
Del mismo modo, los servicios de empresas y transporte forman parte importante de 
la economía, los siguientes son los establecimientos de servicios de empresas de transporte en 
funcionamiento registrados por en las municipalidades, la unidad de transporte y servicio más 
registrada es el servicio Urbano con 261 unidades en Cusco el 2017, es la más común y el 
servicio mas visto junto al servicio interprovincial, y los menos vistos en la región cusco, son 
los servicios aéreos y acuáticos, en total a nivel nacional existen 257 establecimientos se 
servicios aéreos y 207 unidades de establecimientos de servicios acuáticos. 
300
261 257
250
200
150
100
58
50
7 5
0
Urbano Turístico Interprovincial Aéreo Acuático
 
Figura 6. Establecimiento de servicios de empresas de transporte en funcionamiento 
registrados en las municipalidades, 2017. Obtenido del Instituto Nacional de Estadística e 
Informática 
Unidades Miles de soles
42 
 
4.3. Aspectos sociales 
En esta sección se presentan indicadores de la situación social, de salud y educativa en 
la región del Cusco. Se inicia con la población con al menos una necesidad básica insatisfecha 
en la región Cusco. De la figura 7 se puede apreciar que ha habido una reducción importante 
en las necesidades básicas, bajando en 5 puntos porcentuales entre el 2017 y el 2019. 
20.0 18.1 18.6
15.9 15.2
15.0 13.5
10.0
5.0
0.0
2015 2016 2017 2018 2019
Año
 
Figura 7. Población con al menos una necesidad básica insatisfecha (porcentaje con respecto 
al total de población), 2015 -2019. Obtenido del Instituto Nacional de Estadística e 
Informática.   
Por otro lado, los programas alimentarios son actividades con objetivos y metas de tal 
manera que pueda satisfacer las necesidades como los nutrientes. Estos programas son 
dirigidos a la población vulnerable y así contribuir al crecimiento básico, en la siguiente 
figura, se aprecia que el 2015 el porcentaje de hogares con al menos un miembro beneficiario 
del programa alimentario es de 34.5% sin embargo este aumento para el 2018 a un 37.5 lo que 
es relativamente mayor pues la diferencia no es mucha, y esta volvió a caer en 2019. 
38.0 37.6
37.5
37.0
36.5 36.3
36.0 35.5
35.5
34.9
35.0 34.6
34.5
34.0
33.5
33.0
2015 2016 2017 2018 2019
Año
 
Porcentaje Porcentaje
43 
 
Figura 8. Hogares con al menos un miembro beneficiario de programas alimentarios 
(porcentaje con respecto al total de población), 2015 -2019. Obtenido del Instituto Nacional 
de Estadística e Informática.   
Los hogares pobres son parte de la población beneficiaria. En particular, los hogares 
pobres con al menos un miembro beneficiario de programas alimenticios son bastante alto en 
2017 con un 69.9%, y esta cae el 2019 con un 61.6%, lo que indica que estos hogares tienen 
al menos un miembro beneficiario.  
72.0
69.9
70.0
68.0
66.0
64.4
64.0
61.6
62.0
60.0 59.4
58.6
58.0
56.0
54.0
52.0
2015 2016 2017 2018 2019
Año
 
Figura 9. Hogares Pobres con al menos un miembro beneficiario de programas alimentarios 
(porcentaje con respecto al total de población), 2015 -2019. Obtenido del Instituto Nacional 
de Estadística e Informática.   
20
18
18 17 17 17 17
16
14 13 13 13
12 12
12
10 Total de Establecimientos
8 Hospitales
6 5 5 5
4 4 Resto de Establecimientos
4
2
0
2015 2016 2017 2018 2019
Años
 
Figura 10. Número de establecimientos del seguro social de salud (EsSalud), 2015 -2019. 
Obtenido del Instituto Nacional de Estadística e Informática.   
Establecimientos Porcentaje
44 
 
La tasa de desnutrición crónica es un retraso dentro del crecimiento de un niño con 
relación a su edad, es la falla en el desarrollo del desarrollo físico y cognitivo, la tasa de 
desnutrición de niños/as menores de 5 años no es alarmante, sin embargo, la siguiente figura, 
nos indica como en 2019 y 2018 la tasa de desnutrición crónica no ha variado 
significativamente, mientras que la más alta fue en 2015 con 16.7% con respecto a la 
población total. 
18.0 16.7
16.0
14.6
14.0 14.0
14.0 13.4
12.0
10.0
8.0
6.0
4.0
2.0
0.0
2015 2016 2017 2018 2019
Año 
 
Figura 11.Tasa de desnutrición crónica de niños/as menores de 5 años, 2015 -2019. Obtenido 
del Instituto Nacional de Estadística e Informática.   
La figura 12 presenta el cambio en la tasa de mortalidad del 2010 al 2018, la tasa de 
mortalidad de produce por diferentes causas, tanto como enfermedades respiratorias, 
anomalías, deficiencias, infecciones e incluso las deficiencias nutricionales. Se puede apreciar 
que la tasa de mortalidad en la niñez siempre fue superior a la tasa de mortalidad infantil (lo 
que sugiere un mayor riesgo para los niños). La tasa de mortalidad más alta fue en 2010-2011.  
Porcentaje
45 
 
50
45 43
40
35
35
30
30 27
24 24
25
20 Infantil
20 18
Niñez
15
10
5
0
2010-2011 2013-2014 2016-2017 2017-2018
Años
 
Figura 12. Tasa de mortalidad infantil y en la niñez, 2010 -2018. Obtenido del Instituto 
Nacional de Estadística e Informática.   
Por otro lado, el incremento de gasto público por alumno fue importante del 2016 al 
2018. Ya que hubo un incremento en el nivel inicial con 1,487 soles. Sin embargo, el gasto 
público por alumno sigue siendo inferior en el nivel inicial, mientras que en secundaria los 
gastos son superiores.   
6 000
5 000
4 000
3 000 Inicial
Primaria
2 000
Secundaria
1 000
 0
2014 2015 2016 2017 2018
Año
 
Figura 13. Gasto público por alumno en educación básica regular, según nivel educativo 
(nuevos soles corrientes), 2014 -2018. Obtenido del Instituto Nacional de Estadística e 
Informática.   
Del mismo modo, la cantidad de alumnos matriculados en el sistema educativo 
nacional forma parte importante establecer la cobertura educativa, en la siguiente figura, 
Nuevos soles corrientes Tasa de Mortalidad
46 
 
podemos observar el descenso en miles de personas que hubo el 2016 al 2018 con una 
diferencia de 9.3 miles de personas, y el aumento entre el 2015 al 2019 con 2.8 miles de 
personas, lo cual hace muy similar el 2019 al 2015 respecto al número de alumnos 
matriculados. 
 404.0
401.6 
 402.0
 400.0
 398.0 397.2 
396.1 
 396.0 395.1
 394.0
392.3
 392.0
 390.0
 388.0
 386.0
2015 2016 2017 2018 2019
Año  
Figura 14. Alumnos matriculados en el sistema educativo nacional (Miles de personas), 2015 
-2019. Obtenido del Instituto Nacional de Estadística e Informática.   
En  la siguiente figura  se aprecia el promedio de años de estudio alcanzado por la 
población de 15 y mas años de edad. Notemos que en 2015 el promedio de años de estudio 
alcanzado por la población de 15 años y más es inferior a los años siguientes con un promedio 
de 9.5 que subió un 0.2 para el 2016 y desde entonces se incrementó ligeramente.  
9.8
9.8
9.7
9.7
9.6
9.6
9.5
9.5
9.4
9.4
2015 2016 2017 2018 2019
Año  
Figura 15. Promedio de años de estudio alcanzado por la población de 15 y más años de 
edad, 2015 -2019. Obtenido del Instituto Nacional de Estadística e Informática.   
Promedio Miles de personas
47 
 
4.4. Características municipales 
En esta sección se presentan las características de las municipalidades de la Región 
Cusco, incluyendo su población, hogares urbanos y rurales. Estas características son 
importantes para realizar el cálculo del índice en el modelo de regresión discontinua y para 
determinar las distribuciones de población y hogares a nivel de municipalidad. La figura 16 
presenta el histograma poblacional para la región del Cusco. Se puede apreciar que la gran 
mayoría de distritos tiene una población entre 0 y 10,000 habitantes. También se aprecia un 
ligero conjunto de distritos que tiene más de 20,000 habitantes y solo uno que tiene más de 
40,000, cabe indicar que solo se considera a los distritos que están en las categorías C y D del 
PI. 
 
Figura 16. Cusco: Histograma poblacional. Obtenido del Instituto Nacional de Estadística e 
Informática 
 
También se puede observar en la figura 17 el histograma de hogares urbanos de la 
región Cusco. Se aprecia que la mayoría de distritos tiene entre 0 y 1000 hogares urbanos, de 
forma similar a la distribución de población, hay un porcentaje pequeño de distritos que 
cuentan con más de 1000 hogares urbanos.  
 
48 
 
 
Figura 17. Cusco: Histograma de hogares urbanos. Obtenido del Instituto Nacional de 
Estadística e Informática 
También se debe mencionar que el número de hogares urbanos divide a las categorías 
C y D. La categoría D del PI considera a todos distritos con menos de 500 hogares urbanos y 
a la categoría C como a todos los distritos con más de 500 hogares urbanos.  
 
Figura 18. Cusco: Histograma de hogares rurales. Obtenido del Instituto Nacional de 
Estadística e Informática 
 
49 
 
4.5. Gasto público municipal 
El gasto público municipal en los últimos cinco años ha mostrado incrementos 
importantes en el presupuesto asignado. En esta sección, se realiza una revisión del 
presupuesto institucional de apertura, modificado y otros indicadores relevantes del gasto 
presupuestal. 
2,500,000,000
2,000,000,000
1,500,000,000
Cusco
1,000,000,000
Sierra
500,000,000
0
2016 2017 2018 2019 2020
Año
 
Figura 19. Presupuesto Institucional de Apertura, Cusco y promedio de PIA de la sierra, 2016 
- 2020. Obtenido de Ministerio de Economía y Finanzas 
En la figura 19 se aprecia que el PIA se ha incrementado durante el período 2016-2019 
en la región del Cusco, también se aprecia que el PIA es superior al promedio asignado en los 
departamentos de la Sierra del Perú. 
2,500,000,000
2,000,000,000
1,500,000,000
Nacional
1,000,000,000
Cusco
500,000,000
0
2016 2017 2018 2019 2020
Año
 
Figura 20. Presupuesto Institucional de Apertura, Cusco y promedio de PIA a nivel nacional, 
2016 - 2020. Obtenido de Ministerio de Economía y Finanzas 
PIA PIA
50 
 
Por otro lado, el presupuesto Institucional Modificado es superior al presupuesto 
institucional de apertura a causa de las modificaciones presupuestarias, tanto a nivel 
institucional como a nivel funcional programático. En particular, el PIM de Cusco el 2018 fue 
de 3,274,957,792 casi el doble de lo asignado a inicios de año, esta misma tendencia se 
observa en la sierra del Perú y a nivel nacional.. 
3,500,000,000
3,000,000,000
2,500,000,000
2,000,000,000
Cusco
1,500,000,000
Sierra
1,000,000,000
500,000,000
0
2016 2017 2018 2019 2020
Año
 
Figura 21. Presupuesto Institucional Modificado, Cusco y promedio de PIA de la sierra, 2016 
- 2020. Obtenido de Ministerio de Economía y Finanzas 
3,500,000,000
3,000,000,000
2,500,000,000
2,000,000,000
1,500,000,000 Nacional
Cusco
1,000,000,000
500,000,000
0
2016 2017 2018 2019 2020
Año
 
Figura 22. Presupuesto Institucional Modificado, Cusco y promedio de PIA a nivel nacional, 
2016 - 2020. Obtenido de Ministerio de Economía y Finanzas 
 
PIM PIM
51 
 
 
Figura 23. Histograma de Gasto público presupuestal. Obtenido de Ministerio de Economía 
y Finanzas 
 
La figura 23 presenta el histograma del gasto público a nivel de municipalidad. Es 
importante indicar que solo se considera el gasto público en Anemia, Saneamiento y 
Protección Social que son los principales componentes del PI. Se aprecia que el gasto público 
está concentrado entre los 100,000 soles, que representa el 80% de la distribución. Del mismo 
modo la figura 24 muestra que el avance presupuestal está generalmente concentrado en 
valores de 80% y 100%, sugiriendo que las municipalidades tienen un nivel de ejecución 
importante para estos programas presupuestales. 
 
Figura 24. Histograma de Avance de ejecución presupuestal. Obtenido de Ministerio de 
Economía y Finanzas 
  
52 
 
Capítulo V: Resultados de la investigación 
5.1. Programa PI y análisis descriptivo 
El Programa de Incentivos a la Mejora de la Gestión Municipal – PI implica una 
transferencia de recursos a las municipalidades por el cumplimiento de metas en un período 
determinado. Durante el período 2016-2018, el PI dividió a las Municipalidades en cuatro 
grupos para establecer las metas, la distribución y asignación de los recursos: 
 Municipalidades de ciudades principales tipo “A” 
 Municipalidades de ciudades principales tipo “B” 
 Municipalidades de ciudades no principales, con 500 o más viviendas urbanas tipo 
“C” 
 Municipalidades de ciudades no principales con menos de 500 viviendas urbanas 
tipo “D” 
De la clasificación, se puede observar que las municipalidades tipo C y D son divididas 
en función al número de viviendas urbanas (500 o más viviendas urbanas). Este punto de corte 
(semi aleatorio), permite comparar a las metas designadas a las municipalidades que se 
encuentran en el margen.  
Es relevante indicar que para las municipalidades Tipo D, es más importante cumplir 
con las metas relacionadas al saneamiento y protección social, ya que estas tienen una mayor 
ponderación en comparación con las municipalidades tipo C. Esta diferencia en la 
ponderación de metas nos permitirá identificar el efecto del PI en la ejecución de gasto 
público. En particular, se esperaría encontrar un mayor gasto público para las municipalidades 
tipo D, ya que estas tienen asignada una mayor ponderación para saneamiento y protección 
social. Asimismo, en el cálculo de la transferencia monetaria, son las municipalidades tipo D 
las más beneficiadas en el caso de cumplir con el 100% de sus metas, generando un fuerte 
incentivo para lograr las metas planteadas. 
53 
 
La data histórica de gasto público se obtiene de Consulta Amigable del Ministerio de 
Economía y Finanzas. Esta base de datos provee de indicadores relacionados al gasto público 
para cada municipalidad de la región del Cusco, se obtiene información del nivel de gasto 
público en inversiones, así como del porcentaje de ejecución para tres grupos presupuestarios: 
Anemia, Protección Social y Saneamiento. Por otro lado, la tasa de viviendas urbanas por 
municipalidades, población y superficie se obtienen del Censo de Población realizado por el 
Instituto Nacional de Estadística e Informática durante el año 2017. Se combinan ambas bases 
de datos para realizar el análisis de regresión. 
Tabla 7. Estadísticos descriptivos 
Variable Obs Promedio Desv Estándar 
Panel A: Anemia    
   Gasto público en inversiones 281 420,611 1,291,432 
   Gasto público per cápita 281 44 135 
   Gasto público por densidad poblacional 281 122,545 924,612 
   Porcentaje de ejecución 281 74 32 
   Población 281 7,686 6,078 
   Superficie 281 787 2,209 
   Densidad poblacional 281 38 62 
    
Panel B: Protección Social    
   Gasto público 30 630,118 1,500,474 
   Gasto público per cápita 30 132 396 
   Gasto público por densidad poblacional 30 33,195 118,391 
   Porcentaje de ejecución 30 45 44 
   Población 30 10,656 9,375 
   Superficie 30 1,660 4,769 
   Densidad poblacional 30 38 38 
    
B C: Saneamiento    
   Gasto público 306 2,583,802 7,244,105 
   Gasto público per cápita 306 305 392 
   Gasto público por densidad poblacional 306 462,132 3,506,383 
   Porcentaje de ejecución 306 77 28 
   Población 306 7,412 5,953 
   Superficie 306 750 2,122 
   Densidad poblacional 306 37 60 
Nota. Gasto público se mide en soles. Superficie en km2. Densidad Poblacional = Población/Densidad 
 
La tabla 7 presenta los estadísticos descriptivos por programa presupuestal (anemia, 
protección social y saneamiento). Se puede apreciar que el gasto público en soles se encuentra 
entre los 2.5 millones y los 420 mil soles, siendo más alto para el saneamiento y menor para 
la anemia. Esta misma tendencia se aprecia para el gasto público per cápita y el gasto público 
54 
 
por densidad poblacional. También se puede apreciar que el porcentaje de ejecución de gasto 
es mayor para los programas de Saneamiento y Anemia, con 74% y 77% respectivamente, y 
más bajo para protección social con 45%. 
5.2. Modelo Econométrico  
La regresión discontinua o RD es un tipo de regresión muy utilizado en la literatura de 
las ciencias sociales (Aritenang, 2020), y en especial en la literatura de la ciencia económica. 
Este tipo de regresión permite identificar el efecto causal de una intervención cuando la 
intervención es asignada aleatoriamente en función a un punto de corte. En el diseño de RD, 
todas las unidades tienen un puntaje, y se asigna un tratamiento a aquellas unidades cuyo valor 
del puntaje excede un límite o umbral conocido, y no se asigna a aquellas unidades cuyo valor 
del puntaje está por debajo del límite. La característica clave del diseño es que la probabilidad 
de recibir el tratamiento cambia abruptamente en el umbral conocido. Si las unidades no 
pueden "ordenar" perfectamente alrededor de este umbral, el cambio discontinuo en esta 
probabilidad puede usarse para conocer el efecto causal local del tratamiento en un resultado 
de interés, porque las unidades con puntajes apenas por debajo del límite se pueden usar como 
un grupo de comparación para unidades con puntajes apenas por encima de él. 
En el diseño de RD, todas las unidades del estudio reciben una puntuación (también 
conocida como variable de ejecución, variable de forzamiento o índice), y se asigna un 
tratamiento a aquellas unidades cuya puntuación está por encima de un punto de corte 
conocido y no se asigna a aquellas unidades cuya puntuación está por debajo del límite. Estos 
tres componentes, puntaje, corte y tratamiento, definen el diseño de RD en general y 
caracterizan su característica más importante: en el diseño de RD, a diferencia de otros 
estudios no experimentales, la asignación del tratamiento sigue una regla que es conocido (al 
menos para el investigador) y, por tanto, empíricamente verificable. 
55 
 
La figura 25 muestra de forma intuitiva el diseño empleado en regresión discontinua. 
Se tienen dos curvas de regresión, una para el grupo de control (en color azul) y una para el 
grupo de tratamiento (en color rojo). El estimador de regresión discontinua 𝜏𝑆𝑅𝐷 es la 
diferencia entre ambos grupos exactamente en el punto de corte. El punto de corte nos permite 
identificar el efecto causal ya que causa un “salto” en el valor de la variable dependiente. 
 
Figura 25. Efecto de tratamiento de Regresión Discontinua. Obtenido de (Aritenang, 2020) 
5.3. Descripción del modelo econométrico 
A fin de verificar la hipótesis de la investigación, se plantea utilizar el siguiente modelo 
econométrico que será estimado con un enfoque de regresión discontinua: 
𝑦𝑖𝑡 = 𝛼 + 𝜏𝐷𝑖𝑡 + 𝛽𝑥𝑖𝑡 + 𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 + 𝑒𝑖 
Donde: 
 𝑦𝑖 representa a la variable dependiente y mide el gasto público en el programa 
presupuestal de anemia, saneamiento o protección social de la municipalidad i en 
56 
 
el año t en soles. Se utilizan los indicadores de gasto público per cápita y gasto 
público por densidad poblacional. 
 𝛼 es el intercepto del modelo 
 𝑥𝑖𝑡 es la variable de asignación continua que determina el tratamiento. Para el 
modelo de regresión, es el número de viviendas urbanas de la municipalidad i. 
 𝐷𝑖𝑡 es la variable binaria que es igual a 1 cuando el número de viviendas urbanas 
es menor a 500 (Clasificación D) e igual a 0 cuando el número de viviendas urbanas 
es mayor a 500 (Clasificación C).  
 𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 incluye la lista de variables de control adicionales al modelo de 
regresión, tales como el año de intervención, la población y la superficie en km2 
 𝑒𝑖 es el error del modelo de regresión.  
5.4. Resultados del modelo econométrico 
Empleando la especificación anterior, el modelo de regresión discontinua compara a 
las municipalidades (de clasificación C y D) que se encuentran en el margen de 500 viviendas 
para establecer el impacto causal del PI en el gasto público. En el diseño de RD, todas las 
unidades del estudio (municipalidades) reciben una puntuación (número de viviendas), y se 
asigna un tratamiento a aquellas unidades cuyo número de viviendas está por encima de un 
punto de corte conocido (500 viviendas) y no se asigna a aquellas unidades cuya puntuación 
está por debajo. La tabla 7 presenta los resultados para los programas presupuestales de 
Anemia, Saneamiento y Protección Social. Los asteriscos representan la significancia 
estadística y los errores estándar se encuentran en paréntesis. Se divide la tabla en dos paneles, 
el panel A considera el gasto público per cápita para los programas presupuestales de Anemia, 
Saneamiento y Protección Social, mientras que el panel B considera al gasto por densidad 
poblacional. La variable independiente es la participación en el PI. La data es de tipo panel no 
balanceado ya que se tienen observaciones para cada municipalidad en cada año, 
57 
 
permitiéndonos utilizar efectos fijos junto con el modelo de regresión discontinua para estimar 
parámetros. 
Tabla 8. Resultados de regresión 
 (1) (2) (3) 
 Anemia Saneamiento Protección social 
Panel A: Gasto per cápita    
   PI -34.45 182.34*** 667.26*** 
 (83.60) (85.70) (243.88) 
   Municipalidades-año Clasificación C 62 111 9 
   Municipalidades-año Clasificación D 53 66 17 
   Total Municipalidades-año 115 177 26 
    
Panel B: Gasto por densidad poblacional    
   PI 39,363** 88,084*** 89,045 
 (21,531) (42,797) (72,301) 
   Municipalidades-año Clasificación C 47 44 7 
   Municipalidades-año Clasificación D 58 60 17 
   Total Municipalidades-año 105 104 24 
Nota. *** p < 0.01, ** p < 0.05, * p < 0.1. Controles incluyen población, superficie y año. El procedimiento de 
selección del Bandwidth es MSE. La función kernel utilizada es Uniforme. 
 
Como se puede apreciar en la tabla 8, se muestran efectos importantes del Programa 
de Incentivos a la Mejora de la Gestión Municipal, en particular para el Saneamiento. Se puede 
apreciar que asignar una mayor ponderación en el PI al Saneamiento de una municipalidad, 
incrementa el gasto público per cápita en 182 soles y el gasto por densidad poblacional en 
88,084 soles. Este efecto sugiere que el PI genera los incentivos adecuados para que las 
municipalidades inviertan más en programas de Saneamiento. También se puede apreciar que 
asignar una mayor ponderación a la Anemia incrementa el gasto público por densidad 
poblacional en 39,363 soles. Finalmente, el gasto público per cápita en protección social se 
incrementa en 667 soles cuando se incrementan los incentivos en este programa presupuestal. 
 
 
 
 
 
 
58 
 
a) Anemia     b) Saneamiento 
 
c) Protección Social 
 
Figura 26. Gráficos de regresión discontinua para indicadores de interés, 2016-2018 
 
Los estimadores de la tabla son reforzados con los paneles a), b) y c) de la figura 26, 
de forma similar a la figura 11 de la sección 5.2, se puede apreciar un cambio drástico en el 
gasto público por densidad poblacional para la anemia, el saneamiento y la protección social 
en el punto de corte de 500 viviendas urbanas (separación entre los grupos C y D). En suma, 
los resultados sugieren que el Programa de Incentivos a la Mejora de la Gestión Municipal ha 
tenido impactos positivos en el gasto presupuestal de las municipalidades de la región Cusco. 
5.5. Validación de supuestos 
En esta sección se verifica que los resultados del modelo de regresión discontinua 
cumplen con los supuestos de normalidad, heterocedasticidad, multicolinealidad y valores 
59 
 
extremos del modelo de regresión. Sin verificar que los datos cumplen con los supuestos 
subyacentes, los resultados pueden ser espurios. Uno de los principales supuestos para la 
regresión de mínimos cuadrados ordinarios es la homogeneidad de la varianza de los residuos. 
Si el modelo está bien ajustado, no debe haber un patrón para los residuos graficados contra 
los valores ajustados. Si la varianza de los residuos no es constante, se dice que la varianza 
residual es "heterocedástica". Existen métodos gráficos y no gráficos para detectar 
heterocedasticidad. Un método gráfico comúnmente utilizado es trazar los valores residuales 
versus los valores ajustados (predichos), la figura 27 presenta los gráficos para los modelos 
de regresión. 
Panel A. Anemia 
 
Panel B. Saneamiento 
 
 
 
 
 
60 
 
Panel C. Protección Social 
 
Figura 27. Heteroscedasticidad de los modelos de regresión 
De los gráficos se puede observar que se tiene la existencia de heterocedasticidad en 
el modelo, ya que las observaciones no están adecuadamente distribuidas. Para evitar sesgo 
en los resultados, se decide utilizar errores robustos a la heteroscedasticidad en los modelos 
de regresión planteados. 
Por otro lado, cuando existe una relación lineal perfecta entre los predictores, las 
estimaciones de un modelo de regresión no se pueden calcular de forma única. El término 
colinealidad implica que dos variables son combinaciones lineales casi perfectas entre sí. 
Cuando están involucradas más de dos variables, a menudo se le llama multicolinealidad, 
aunque los dos términos a menudo se usan indistintamente. 
Tabla 9. Multicolinearidad del modelo de regresión 
Variable VIF SQRT VIF Tolerancia 
PIM per cápita 1.03 1.01 0.97 
Hogares 1.94 1.39 0.51 
Población 2.9 1.70 0.34 
Superficie 1.79 1.34 0.55 
Y2016 0.09 - - 
Y2017 0.05 - - 
Y2018 0.08 - - 
Nota. VIF representa el factor de inflación de la varianza. 
La tabla 9 presenta los factores de inflación de la varianza para las variables de la 
regresión. Como regla general, una variable cuyos valores de VIF sean superiores a 10 puede 
61 
 
merecer una mayor investigación, en nuestro caso no se aprecia presencia de 
multicolinealidad. 
Panel A. Anemia 
 
Panel B. Saneamiento 
 
Panel C. Protección Social 
 
62 
 
Figura 28. Q-Norm de los modelos de regresión 
La figura 28 presenta graficos Q-Norm, utilizados para verificar la normalidad de las 
variables de investigación. La normalidad de los residuos solo se requiere para las pruebas de 
hipótesis válidas, es decir, el supuesto de normalidad asegura que los valores p para las 
pruebas t y la prueba F serán válidos. En general, qnorm traza los cuantiles de una variable 
frente a los cuantiles de una distribución normal. De los gráficos se aprecia una ligera 
desviación de lo normal en la cola superior. Sin embargo, es una desviación menor y trivial 
de la normalidad. Podemos aceptar que los residuos se acercan a una distribución normal. 
 
Panel A. Anemia 
 
Panel B. Saneamiento 
 
 
63 
 
Panel C. Protección Social 
 
Figura 29. Valores extremos en los modelos de regresión 
Por último, una sola observación que sea sustancialmente diferente de todas las demás 
observaciones puede marcar una gran diferencia en los resultados del análisis de regresión. 
Para minimizar este problema, la figura 29 muestra los valores extremos medidos por el 
leverage y los residuos normalizados al cuadrado. Se pueden apreciar en las tres figuras que 
hay observaciones con un alto leverage, por lo que se procede a eliminar estas observaciones 
del modelo de regresión final. 
 
 
  
64 
 
Capítulo VI: Discusión 
La descentralización es un enfoque adoptado tanto por los países desarrollados como 
en desarrollo en las últimas décadas para hacer frente a los desafíos del desarrollo. Su objetivo 
es dotar a los gobiernos locales de más autonomía a través de una importante capacidad de 
recaudación de ingresos. La descentralización fiscal se considera una forma de mejorar el 
desempeño del sector público aumentando la eficiencia de la gestión financiera local y 
haciendo que el gobierno sea más responsable. Además, es más probable que las preferencias 
heterogéneas de los ciudadanos sean reveladas, así como tratadas, por funcionarios más 
cercanos y responsables ante los electores que los funcionarios ubicados en lugares remotos. 
A continuación, se presenta, en base a los resultados del modelo econométrico, la importancia 
del Programa de Incentivos a la Mejora de la Gestión Municipal – PI en la mejora de la 
ejecución en los proyectos de inversión pública, eliminar la desnutrición crónica infantil, 
implementar saneamiento básico en los hogares, e implementar medidas de protección social 
en las Municipalidades. 
6.1. Descripción de los hallazgos más relevantes y significativos 
El Programa de Incentivos a la Mejora de la Gestión Municipal – PI, a nivel teórico, 
es un instrumento de la gestión financiera del estado que permite alinear el presupuesto 
asignado a las municipalidades con las metas de política pública nacional e implica una 
transferencia de recursos a las municipalidades por el cumplimiento de metas en un período 
determinado. Durante el período 2016-2018, el presupuesto y las metas se distribuyeron de la 
siguiente manera: Municipalidades de ciudades principales tipo “A”, Municipalidades de 
ciudades principales tipo “B”, Municipalidades de ciudades no principales, con 500 o más 
viviendas urbanas tipo “C” y Municipalidades de ciudades no principales con menos de 500 
viviendas urbanas tipo “D”. Sin embargo, no se tenía evidencia empírica del impacto del PI 
sobre la ejecución presupuestal. En la presente investigación, se ha encontrado que el 
65 
 
Programa de Incentivos a la Mejora de la Gestión Municipal genera un incremento positivo 
en el gasto público en inversiones (resultados de la estimación del modelo econométrico de 
regresión discontinua permite establecer el efecto de la diferencia en la ponderación de metas 
entre las Municipalidades C y D).  
En particular, de los modelos econométricos estimados se ha encontrado que el 
Programa de Incentivos a la Mejora de la Gestión Municipal ha generado un incremento del 
gasto público per cápita en 182 soles y gasto por densidad poblacional en 88,084 soles en el 
programa presupuestal de Saneamiento para el período 2016-2018. De igual manera, el PI ha 
generado un incremento del gasto público por densidad poblacional en 39,363 soles en el 
programa presupuestal de Anemia para el período 2016-2018, en línea con la información 
estadística del MIDIS, según la cual la anemia en niños de 6 a 35 meses se redujo en 2.4 
puntos porcentuales durante el período de estudio (de 56.6% a 54.2% entre el 2016 y 2018). 
Finalmente, el PI ha generado un incremento del gasto público per cápita en 667 soles en el 
programa presupuestal de protección social para el período 2016-2018. Esto quiere decir que 
las metas destinadas a los programas presupuestales de Anemia en el Sector Salud y 
Saneamiento y Protección Social han tenido resultados positivos para mejorar la ejecución del 
gasto público en proyectos de inversión. Estos resultados están en línea con las estimaciones 
identificadas en (Choquehuanca & Chávez, 2019) incremento del 35.5% y 16.1%, del 
presupuesto total anual, asimismo, (Flórez, 2018) identifica “un nivel de significancia de 0.05, 
y una correlación alta y directa entre las variables de Presupuesto Participativo y el Programa 
de Incentivos a la mejora de la Gestión Municipal”. En relación a la variable Presupuesto 
Participativo, el 19.2% de los encuestados consideran que se ha dado de forma deficiente, el 
57.7% de forma promedio. 
A continuación realizamos la comprobación de hipótesis: 
66 
 
- Se rechaza la hipótesis nula. El Programa de Incentivos a la Mejora de la Gestión Municipal 
– PI tuvo un impacto positivo ya que permitió incrementar el gasto público en inversiones 
de las municipalidades de la Región del Cusco durante el período 2016-2018 y a su vez 
logró alcanzas las metas presupuestales en los PP de Anemia (p < 0.01), Saneamiento (p < 
0.01) y Protección Social (p < 0.01). 
- Se rechaza la hipótesis nula al nivel de significancia del 95%. El Programa de Incentivos a 
la Mejora de la Gestión Municipal - PI ha tenido un impacto positivo, incrementando el 
gasto en inversiones públicas en el sector salud de las municipalidades de la Región del 
Cusco durante el período 2016-2018, ya que ha generado un incremento del gasto público 
por densidad poblacional en 39,363 soles (p < 0.05) en el PP de anemia. 
- Se rechaza la hipótesis nula al nivel de significancia del 95%. El Programa de Incentivos a 
la Mejora de la Gestión Municipal - PI ha tenido un impacto positivo, incrementando el 
gasto en inversiones públicas en saneamiento de las municipalidades de la Región del 
Cusco durante el período 2016-2018. Es decir, el PI, ha generado un incremento del gasto 
público per cápita en 182 soles (p < 0.01) y gasto por densidad poblacional en 88,084 soles 
(p < 0.01). 
- Se rechaza la hipótesis nula al nivel de significancia del 95%. El Programa de Incentivos a 
la Mejora de la Gestión Municipal - PI ha ha tenido un impacto positivo, incrementando el 
gasto en inversiones públicas en protección social de las municipalidades de la Región del 
Cusco durante el período 2016-2018, ha generado un incremento del gasto público per 
cápita en 667 soles (p < 0.01). 
6.2. Comparación crítica con la literatura existente 
En esta sección se realiza una comparación con los resultados de los antecedentes de 
la investigación y la teoría económica. Los estudios empíricos consultados sugieren que las 
67 
 
transferencias monetarias en base a resultados tienen un impacto positivo en la ejecución 
presupuestal de las municipalidades.  
Por un lado, (Masaki, 2018), realiza un análisis de transferencias intergubernamentales 
en base a incentivos en África subsahariana, similar al PI en Perú. Se encuentran impactos 
positivos de las transferencias intergubernamentales, en particular para los gobiernos con 
menos recursos, al analizar los datos fiscales trimestrales recientemente disponibles sobre los 
ingresos locales en Tanzania, se muestra que las subvenciones intergubernamentales mejoran 
la movilización de los ingresos locales, y también que el impacto positivo de las transferencias 
fiscales en la recaudación de ingresos locales parece ser más pronunciado en los distritos 
rurales. Estos resultados son similares a los encontrados en la investigación, ya que se 
identifican impactos positivos de las transferencias gubernamentales sobre la recaudación y 
ejecución presupuestal. 
Del mismo modo (Miyazaki, 2020), realiza un análisis de transferencias 
intergubernamentales similar al PI y utiliza un enfoque de regresión discontinua, El estudio 
encuentra que mayores transferencias fiscales son equivalentes a una reducción en el 
impuesto. La predicción teórica se examina empíricamente utilizando datos de panel de los 
municipios japoneses para 1990-2000. Se encuentra que una tasa más alta en las transferencias 
de igualación fiscal brinda a los municipios un incentivo para aumentar las tasas de impuestos 
corporativos exentas del esquema de transferencias, Se encuentran similaridades en los 
resultados, sobre todo para transferencias realizadas en el marco del enfoque de resultados en 
Japón. 
Por otro lado, (Aritenang, 2020), examina el impacto de los ingresos de fuente propia 
y las subvenciones intergubernamentales sobre el gasto en infraestructura de los distritos en 
Indonesia. Al observar las instituciones y la estructura económica, el estudio defiende la 
creciente importancia de IGT para el gasto de capital local y muestra que las subvenciones de 
68 
 
asignación específicas son cruciales para garantizar el gasto en infraestructura local. El PI en 
Perú no tiene metas designadas para infraestructura local; sin embargo, se esperaría un efecto 
similar al identificado por (Aritenang, 2020). 
Para (Taiwo, 2021) los modelos de transferencias intergubernamentales predicen que 
las transferencias del gobierno central a los gobiernos subnacionales equivalen a un menor 
esfuerzo en la movilización de ingresos propios por parte de los gobiernos subnacionales, de 
manera similar, (Mejia & Meneses, 2019) descubre que los alcaldes responden a los incentivos 
y toman decisiones estratégicas de gasto para invertir en servicios públicos y proyectos de 
infraestructura visibles. Ambos estudios muestran outcomes asociados a la ejecución pública 
presupuestal que no son estudiados directamente en el estudio, pero que son de importancia 
para tener un panorama completo del PI. 
En Perú, (Díaz, Roberto, & Raúl, 2018) encuentran que algunos elementos del diseño 
del PI como son la “clasificación misma, la forma de evaluación, el procedimiento de fijación 
de las metas, así como el ciclo político que impiden un logro más satisfactorio de las metas en 
la MDB”. Mientras que (Choquehuanca & Chávez, 2019) encuentra que existe una mejora de 
la calidad del gasto público en la Municipalidad Distrital de Soritor” debido a la 
implementación y cumplimiento de las metas del plan de incentivos a la mejora de la gestión 
municipal, que durante el periodo de estudio 2015 – 2016, significó un incremento del 35.5% 
y 16.1%, del presupuesto total anual. Sus resultados son en general positivos y en línea con la 
investigación; sin embargo, también se identifican algunas debilidades del PI que deben ser 
corregidas por el MEF. De manera similar, para (Gianoli, 2019), los incentivos por sí solos no 
pueden generar cambios sostenibles y las variables más importantes que influencian en ello 
para el caso del PI serían las siguientes: “la claridad de los objetivos de la herramienta, la 
pertinencia de la actual división de las municipalidades que realiza el Ministerio de Economía 
69 
 
y Finanzas, la importancia de los rectores encargados de proponer las metas y las capacidades 
endógenas de las municipalidades”.  
Según (Ruiz, 2019) la investigación encuentra que la presencia de metas vinculadas a 
la primera infancia, genera una “correlación positiva entre la inversión de tipos recursos 
vinculados al Plan de Incentivos dentro del Programa Presupuestal Articulado Nutricional, 
presentó relación significativa con correlación fuerte para el periodo con metas” con los 
mismos resultados identificados para el presente estudio en las inversiones en salud. Del 
mismo modo, (Escobedo, 2019) toma como eje central la meta referida a la seguridad en los 
gobiernos locales, “y como su aplicación contribuye en el desarrollo de sus jurisdicciones. 
Entre los principales resultados obtenidos en el presente trabajo de investigación se 
encuentran, comprender la importancia del programa de incentivos como política de estado”, 
identificando efectos positivos de las transferencias por PI, de manera similar a los resultados 
de la investigación. 
Con relación a los antecedentes locales, (Sumerente, 2018) encuentra que “el 93% de 
los Gobiernos Locales son ineficientes, y no lograron reducir las brechas socioeconómicas en 
materia de salud y educación. Por otro lado, hay una amplia dispersión en los niveles de 
eficiencia de gasto de los gobiernos locales en salud y educación”, resultados opuestos a los 
identificados ya que se analiza la totalidad de la inversión en su estudio, mientras que para el 
presente estudio solo se analizan los efectos sobre los outcomes del PI. Por otro lado, 
(Calderón, 2018) encuentra que Echarati es uno de los gobiernos locales más ricos del Perú, 
“en parte al significativo incremento en su presupuesto, que pasó de 17 millones el 2004 a 491 
millones el 2013. Sin embargo, cerca del 50% de sus habitantes viven en la pobreza, con altas 
tasas de analfabetismo, desnutrición, anemia, falta de acceso a agua potable, entre otros, y que 
no se tuvo un gasto eficiente por falta de servicios que más demanda la población, tales como 
agua o desagüe” con resultados negativos a pesar de las transferencias monetarias.  
70 
 
Del mismo modo, (Alvarado, 2017) encuentra que “existe correlación media entre el 
uso del Programa de Incentivos y la capacidad resolutiva en la Gestión de la Municipalidad 
Distrital de Echarate, “con un valor Tau-b de 0.557. Por otro lado, se encuentra una correlación 
baja entre el PI y los cambios en la gestión con un valor Tau-b de 0.376”. Los resultados en 
esta investigación. Sugieren que hay una correlación baja cuando se realizan encuestas por un 
problema de sesgo de selección. Asimismo, (Salcedo, 2019) identifica que la variable 
Atención a les Metas del PI incide de “manera directa y significativa sobre la gestión 
municipal de la provincia del Cusco, con un coeficiente de correlación de Spearman de 0.834. 
Asimismo, las metas para la mejora de gestión de tributos municipales han permitido 
incrementar la recaudación de recursos propios” e incidir sobre la gestión municipal, con un 
coeficiente de correlación de 0.769. Resultados similares a los identificados en la presente 
investigación. 
Para (Flórez, 2018) se tiene “un nivel de significancia de 0.05, una correlación alta y 
directa entre las variables de Presupuesto Participativo y el Programa de Incentivos a la mejora 
de la Gestión Municipal. En relación a la variable Presupuesto Participativo, el 19.2% de los 
encuestados consideran que se ha dado de forma deficiente, el 57.7% considera que es regular 
y el 23,1% considera que es bueno o que se da de forma adecuada”. Estos resultados en 
municipalidades complementan la investigación regional y encuentran resultados similares en 
muchas de las municipalidades del Cusco. 
Teoría del Crowding-In de inversión pública según Barro 
Esta teoría se orienta a establecer la relación entre la inversión pública con la privada, 
cuando el capital público y el privado se complementan, la inversión pública eleva la 
productividad marginal del capital. Este "agrupamiento" de la inversión, a su vez, aumenta la 
tasa de crecimiento económico. El modelo de Barro asume que la inversión pública se financia 
mediante impuestos.  Esta teoría es la base para el estudio ya que se genera mayor crecimiento 
71 
 
económico y crowding-in al momento de asignar metas a las transferencias realizadas desde 
el Gobierno Central a los Gobiernos Locales, permitiendo mejorar la calidad de vida de la 
población. 
Teoría de la inversión keynesiana según Hausmann 
Según esta teoría, un aumento de la inversión pública tendría un impacto positivo 
inmediato en el nivel de la renta nacional, seguido de un impacto positivo sucesivamente 
menor en un número limitado de años posteriores. Alternativamente, para las economías con 
alguna tasa de crecimiento subyacente positiva, un aumento en la tasa de ahorro público. En 
el presente estudio se puede observar una mejora en la tasa de ejecución de las inversiones, 
en concordancia con la teoría de la inversión keynesiana.  
Teoría de inversión en capital público/privado según Anderson 
Según la teoría, el impacto de la inversión pública en el crecimiento económico 
dependerá de al menos cuatro cosas, incluyendo: el tipo de inversión pública; el monto de la 
inversión; el stock inicial de capital público; y el contexto económico en el que se produce la 
inversión. En la presente investigación se puede observar que las transferencias municipales 
(un modo de inversión) genera mejores resultados en ejecución presupuestal, dependiendo del 
contexto económico y social en el que se encuentra la Municipalidad. 
Modelo de las transferencias fiscales según Aragón y Gayoso 
De acuerdo con el modelo de transferencias fiscales, las transferencias más altas 
aumentan el gasto público local, reducen los ingresos políticos marginales y desincentivan el 
esfuerzo fiscal. Entonces, existe una relación negativa entre transferencias y esfuerzo fiscal. 
A diferencia de la investigación, se ha encontrado una relación positiva entre las transferencias 
y el esfuerzo fiscal o porcentaje de ejecución, pero solo en casos que involucran un esquema 
de metas que las municipalidades deben de cumplir. 
Teoría del acelerador según Knox 
72 
 
Según la teoría del acelerador, el desembolso de inversión de capital es una función de 
la producción. Por ejemplo, un aumento en el ingreso nacional, medido por el producto interno 
bruto (PIB), vería un aumento proporcional en el gasto de inversión de capital. La teoría 
también sugiere que cuando hay un exceso de demanda, las empresas pueden disminuir la 
demanda aumentando los precios o aumentar la inversión para satisfacer el nivel de demanda. 
En la presente investigación se ha identificado que un mayor gasto de inversión de capital 
conduce a cumplir con las metas del PI de forma más eficiente, lo que finalmente eleva al 
producción, en línea con la teoría del acelerador y su hipótesis principal sobre el desembolso 
de inversión de capital. 
6.3. Implicancias del estudio 
La investigación tiene implicancias importantes para la estrategia de Presupuesto por 
Resultados (PrR). En particular, aún no se presenta un trabajo articulado entre las instituciones 
del nivel nacional para establecer las metas del PI. El gobierno nacional debe definir 
competencias claras y funciones entre los ministerios para evitar la duplicidad entre las metas 
propuestas a los gobiernos locales. Asimismo, los resultados preliminares sugieren que se 
debe implementar desde el nivel nacional una evaluación aleatorizada para el PI de los años 
2022, 2023 que permita establecer el efecto de este tipo de programas de transferencia 
intergubernamental. Por último, las direcciones descentralizadas del MEF deben brindar 
asistencia técnica a las municipalidades distritales, o designar a un servidor de la 
municipalidad como coordinar del PI para asegurar el cumplimiento de la normativa aplicable 
6.4. Limitaciones del estudio 
La principal limitación del estudio recae en la generalización de los resultados, los 
resultados presentados en la descripción de hallazgos son estrictamente los impactos de 
incrementar la ponderación en las metas de anemia, saneamiento y protección social. Es 
posible que el efecto total de la participación en el PI sea mayor al estimado (incremento en 
73 
 
la ponderación vs incremento total en las municipalidades). Se espera que investigadores 
implementen una evaluación aleatorizada para el PI de los años 2022, 2023 y permitan 
establecer el impacto total de este tipo de programas de transferencia. 
 
 
  
74 
 
Conclusiones 
 El Programa de Incentivos a la Mejora de la Gestión Municipal – PI tuvo un 
impacto positivo ya que permitió incrementar el gasto público en inversiones de 
las municipalidades de la Región del Cusco durante el período 2016-2018 y a su 
vez logró alcanzas las metas presupuestales en los PP de Anemia (p < 0.01), 
Saneamiento (p < 0.01) y Protección Social (p < 0.01) según los resultados del 
modelo de regresión. Es decir, las transferencias intergubernamentales junto a 
incentivos monetarios y metas definidas generan una mejora en la gestión pública 
a nivel municipal. 
 El Programa de Incentivos a la Mejora de la Gestión Municipal - PI ha tenido un 
impacto positivo, incrementando el gasto en inversiones públicas en el sector salud 
de las municipalidades de la Región del Cusco durante el período 2016-2018, esto 
debido a que ha generado un incremento del gasto público por densidad 
poblacional en 39,363 soles (p < 0.05) en el PP de anemia en las municipalidades 
según los resultados del modelo de regresión discontinua. 
 El Programa de Incentivos a la Mejora de la Gestión Municipal - PI ha tenido un 
impacto positivo, incrementando el gasto en inversiones públicas en saneamiento 
de las municipalidades de la Región del Cusco durante el período 2016-2018. Es 
decir, el PI, ha generado un incremento del gasto público per cápita en 182 soles 
(p < 0.01) y gasto por densidad poblacional en 88,084 soles (p < 0.01) según los 
resultados del modelo de regresión discontinua. 
 El Programa de Incentivos a la Mejora de la Gestión Municipal - PI ha ha tenido 
un impacto positivo, incrementando el gasto en inversiones públicas en protección 
social de las municipalidades de la Región del Cusco durante el período 2016-
2018, ha generado un incremento del gasto público per cápita en 667 soles (p < 
75 
 
0.01) en las municipalidades en el programa presupuestal de protección social para 
el período 2016-2018 según los resultados del modelo de regresión discontinua. 
 
  
76 
 
Recomendaciones 
 El PI se enmarca en la estrategia de Presupuesto por Resultados (PrR), sin 
embargo, aún no se presenta un trabajo articulado entre las instituciones del nivel 
nacional para establecer las metas del PI. Se recomienda al Ministerio de Economía 
y Finanzas. que de definan competencia claras y funciones entre los ministerios 
para evitar la duplicidad entre las metas propuestas a los gobiernos locales. 
 Se recomienda implementar desde el nivel nacional una evaluación aleatorizada 
para el PI de los años 2021, 2022 que permita establecer el efecto de este tipo de 
programas de transferencia intergubernamental. La evaluación aleatorizada debe 
ser realizada por el Ministerio de Economía y Finanzas a través de su programa de 
Evaluación de Impacto (EI) implementado por la Dirección General de 
Presupuesto Público (DGPP). Del mismo modo, la PCM debe implementar 
evaluaciones aleatorizadas similares como política general de gobierno en 
transferencias realizadas por los ministerios del gobierno central. 
 Se recomienda al Ministerio de Economía y Finanzas a establecer direcciones 
descentralizadas que permitan dar asistencia técnica a las municipalidades 
distritales, o designar a un servidor de la municipalidad como coordinar del PI para 
asegurar el cumplimiento de la normativa aplicable a la utilización de los recursos 
transferidos, y en especial, realizar la rendición de cuentas a la población en aras 
de la transparencia. Asimismo, se deben realizar auditorías regulares para asegurar 
una eficaz distribución y ejecución de los recursos. 
 
 
 
77 
 
Referencias Bibliográficas 
Litschig, S., & Morrison, K. M. (2013). The Impact of Intergovernmental 
Transfers on Education Outcomes and Poverty Reduction. American Economic Journal: 
Applied Economics, 206-240. 
Eggers, A. C., Freier, R., Grembi, V., & Nannicini, T. (2019). Regression 
Discontinuity Designs Based on PopulationThresholds: Pitfalls and Solutions. American 
Jounal of Political Science, 62(1), 210-229. 
Maldonado, S., & Ardanaz, M. (2017). Natural Resource Windfalls and Efficiency 
of Local Government Expenditures: Evidence from Peru. Inter-American Development 
Bank. 
Aragon, F., & Gayoso, V. (2005). Intergovernmental transfers and fiscal effort in 
Peruvian local governments. MPRA Paper No. 2108. 
Flores, G. (2014). Análisis de la inversión Pública en la región Cusco: Caso fuente 
de financiamiento de recursos determinados Período 2009-2013. Universidad Nacional 
de San Antonio Abad del Cusco, Cusco. 
Sumerente, Y. (2018). Impactos socioeconómicos de la eficiencia del gasto 
público de los Gobiernos Locales del Departamento del Cusco en el período 2009-2015. 
Universidad Andina del Cusco, Cusco. 
Calderón, C. (2018). La Gestión del Gasto Público en la Municipalidad Distrital 
de Echarati durante el período 2011-2014. Pontificia Universidad Católica del Perú, 
Lima. 
Aragón, F., & Casas, C. (2008). Local governments' capacity and performance: 
evidence from peruvian municipalities. Caracas: CAF Working paper, 2008/06. 
MEF. (2016). Plan de Incentivos a la Mejora de la Gestión y Modernización 
Municipal (PI). Ministerio de Economía y Finanzas. 
Banco Mundial. (2007). Intergovernmental Fiscal Transfers: Principles and 
Practice. Washington, DC : The International Bank for Reconstruction and Development. 
Carrasco, S. (2013). Metodología de la investigación científica. Perú: San Marcos. 
Rosenbaum, P. R. (2002). Observational Studies. New York: Springer 
Science+Business Media. 
Aussems, M.-C., Boomsma, A., & Snijders, T. (2011). The use of quasi-
experiments in the social sciences: a content analysis. Quality & Quantity, 21-42. 
MEF. (2019). Programa de Incentivos a la Mejora de la Gestión Municipal para 
el Año 2019. Ministerio de Economía y Finanzas, Lima. 
INEI. (2014). Definiciones y Conceptos Censales Básicos. Obtenido de 
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1541/de
finiciones.pdf 
Masaki, T. (2018). The impact of intergovernmental transfers on local revenue 
generation in Sub-Saharan Africa: Evidence from Tanzania. World Development, 106, 
173-186. 
Asatryan, Z., Baskaran, T., Grigoriadis, T., & Heinemann, F. (2017). Direct 
Democracy and Local Public Finances under Cooperative Federalism. The Scandinavian 
Journal of Economics, 119(3), 801-820. 
Miyazaki, T. (2020). Intergovernmental fiscal transfers and tax efforts: 
Regressiondiscontinuity analysis for Japanese local governments. Regional Science and 
Urban Economics, 84, 103554. 
Aritenang, A. F. (2020). The effect of intergovernmental transfers on 
infrastructure spending in Indonesia. Journal of the Asia Pacific Economy, 25(3). 
78 
 
Jimenez, A., Merino, C., & Sosa, J. C. (2020). Local Public Investment Drivers in 
Peru. Economía, 43(86), 57-78. 
Corral, L., Henderson, H., & Miranda, J. J. (2019). The Fiscal Impact of Natural 
Resource Windfalls: Evidence from a Peruvian Natural Experiment. Land Economics, 
95(4), 577-598. 
Arellano-Yanguas, J. (2019). Extractive industries and regional development: 
Lessons from Peru on the limitations of revenue devolution to producing regions. 
Regional & Federal Studies, 29(2). 
Escobal, J., & Ponce, C. (2020). Challenges in using RCTs for evaluation of large-
scale public programs with complex designs: Lessons from Peru. World Development, 
127. 
Alvarado, L. (2017). Uso del Programa de Incentivos y la mejora en la Eficacia 
Administrativa en la Gestión de la Municipalidad Distrital de Cusco, durante el 2016 al 
2017. Tesis de Maestría, Universidad César Vallejo, Escuela de Posgrado, Lima. 
Salcedo, R. (2019). Metas del plan de incentivos a la mejora y modernización y 
su incidencia en la gestión municipal en la provincia del Cusco. Tesis de Maestría, 
Universidad Nacional de Educación Enrique Guzmán y Valle. 
Flórez, L. (2018). Presupuesto participativo y programa de incentivos a la mejora 
de la gestión municipal, en la Municipalidad Provincial del Cusco, 2018. Tesis de 
Maestría, Universidad César Vallejo. 
Pindyck, R., & Rubinfeld, D. (2009). Microeconomía (7ma ed.). Madrid: Pearson 
Education. 
Brown, C., & Jackson, P. (1991). Public Sector Economics. Wiley: Wiley. 
Musgrave, R. (1956). Classics in the Theory of Public Finance. Chicago: Palgrave 
Macmillan. 
Hobbes, T. (1668). The Matter, Forme and Power of a Commonwealth 
Ecclesiasticall and Civil. London. 
Tiebout, C. (1956). A Pure Theory of Local Expenditures. Journal of Political 
Economy, 416-424. 
Samuelson, P. (1954). The Pure Theory of Public Expenditure. The Review of 
Economics and Statistics, 387-389. 
Wagner, A. (1890). Finanzwissenchaft. Leipzig: Winter. 
 
 
 
 
 
 
 
 
 
 
 
 
  
79 
 
Webgrafía 
Banco Mundial. (2020). DIME Wiki. Obtenido de Quasi-Experimental Methods: 
https://dimewiki.worldbank.org/wiki/Quasi-Experimental_Methods 
Banco Mundial. (2020). Regression Discontinuity. Obtenido de DIME Wiki: 
https://dimewiki.worldbank.org/wiki/Regression_Discontinuity 
Britannica. (2020). Natural experiment. Obtenido de 
https://www.britannica.com/science/natural-experiment 
INEI. (2014). Definiciones y Conceptos Censales Básicos. Obtenido de 
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1541/de
finiciones.pdf 
INEI. (2018). Resultados definitivos de los Censos Nacionales 2017 - Cusco (Vol. 
I). Lima: -. Obtenido de 
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1559/ 
MEF. (2019). Gasto Corriente. Obtenido de https://www.mef.gob.pe/es/glosario-
sp-5902/Gasto 
Ministerio de Economía y Finanzas. (2020). Clasificación de las Municipalidades 
(PMM-PI). Obtenido de MEF: 
https://www.mef.gob.pe/es/component/content/article?id=2565&Itemid=101548 
OMS. (2019). Obtenido de Agua potable salubre y saneamiento básico en pro de 
la salud: https://www.who.int/water_sanitation_health/mdg1/es/ 
OMS. (2020). ¿Cómo define la OMS la salud? Obtenido de 
https://www.who.int/es/about/who-we-are/frequently-asked-questions 
 
 
80 
 
Anexos 
Anexo 1. Matriz de Consistencia 
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES INDICADORES DISEÑO  
Problema General Objetivo General  Hipótesis General Variable Dependiente Variable Dependiente La investigación es  
¿ Cuál ha sido el impacto del Determinar el impacto del Programa El Programa de Incentivos a la Mejora  Inversión pública Gasto público en Salud de no-experimental y 
Programa de Incentivos a la de Incentivos a la Mejora de la de la Gestión Municipal ha tenido un  la municipalidad i en el año longitudinal:  
Mejora de la Gestión Municipal Gestión Municipal en la inversión impacto positivo, incrementando el  t en soles per cápita No se manipula las 
en la inversión pública de las pública de las municipalidades de la gasto en la inversión pública de las Variable Independiente Gasto público en Salud de variables dependientes o 
municipalidades de la región región Cusco, 2016-2018. municipalidades de la región Cusco,  Programa de Incentivos la municipalidad i en el año independientes. Se 
Cusco, 2016-2018?  2016-2018. a la Mejora de la t en soles por densidad estudia un período de 
   Gestión Municipal poblacional tiempo. 
Problemas Específicos Objetivos Específicos Hipótesis Específicas Gasto público en  
 ¿Cuál ha sido el impacto del  Determinar el impacto del  El Programa de Incentivos a la Saneamiento de la Es explicativa: Busca 
Programa de Incentivos a la Programa de Incentivos a la Mejora de la Gestión Municipal ha municipalidad i en el año t responder a las causas 
Mejora de la Gestión Mejora de la Gestión Municipal tenido un impacto positivo, en soles per cápita de los eventos físicos o 
Municipal en la inversión en la inversión pública en salud incrementando el gasto en la Gasto público en sociales, se centra en 
pública en salud de las de las municipalidades de la inversión pública en salud de las Saneamiento de la explicar por qué ocurre 
municipalidades de la región región Cusco, 2016-2018. municipalidades de la región municipalidad i en el año t un fenómeno y en qué 
Cusco, 2016-2018?  Determinar el impacto que ha Cusco, 2016-2018. en soles por densidad condiciones se da éste. 
 ¿Cuál ha sido el impacto del tenido el Programa de Incentivos  El Programa de Incentivos a la poblacional  
Programa de Incentivos a la a la Mejora de la Gestión Mejora de la Gestión Municipal ha Gasto Público en Protección Tiene un enfoque 
Mejora de la Gestión Municipal en la inversión pública tenido un impacto positivo, Social de la municipalidad i cuantitativo 
Municipal en la inversión en saneamiento de las incrementando el gasto en la en el año t en soles per La recolección de datos 
pública en saneamiento de las municipalidades de la región inversión pública en saneamiento cápita se fundamenta en la 
municipalidades de la región Cusco, 2016-2018. de las municipalidades de la región Gasto Público en Protección medición, se analizarán 
Cusco, 2016-2018?  Determinar el impacto del Cusco, 2016-2018. Social de la municipalidad i los datos en base a 
 ¿Cuál ha sido el impacto del Programa de Incentivos a la  El Programa de Incentivos a la en el año t en soles por métodos cuantitativos.  
Programa de Incentivos a la Mejora de la Gestión Municipal Mejora de la Gestión Municipal ha densidad poblacional  
Mejora de la Gestión en la inversión pública en tenido un impacto positivo,  
Municipal en la inversión protección social de las incrementando el gasto en la Variable Independiente 
pública en protección social municipalidades de la región inversión pública en protección - Pertenencia a la categoría 
de las municipalidades de la Cusco, 2016-2018. social de las municipalidades de la C o D del programa de 
región Cusco, 2016-2018? región Cusco, 2016-201. incentivos. Variable binaria 
 igual a 1 si se encuentra en 
la categoría C y 0 si se 
encuentra en la categoría 
D.. 
Nota. Elaboración propia 
81 
 
 
 
 
Anexo 2. Matriz de Resultados 
 
Se acepta o rechaza 
Hipótesis de investigación Estimación (𝜏𝐷𝑖𝑡) Significancia Efecto sobre el PI Hipótesis Nula 
El Programa de Incentivos a la Mejora de la Gestión Municipal 
ha tenido un impacto positivo, incrementando el gasto en la 424 soles (promedio per 
p < 0.05 Rechaza Positivo 
inversión pública de las municipalidades de la región Cusco, cápita) 
2016-2018 
El Programa de Incentivos a la Mejora de la Gestión Municipal 
ha tenido un impacto positivo,  incrementando el gasto en la 39,363 soles (densidad 
p < 0.05 Rechaza Positivo 
inversión pública en salud de las municipalidades de la región poblacional) 
Cusco, 2016-2018 
El Programa de Incentivos a la Mejora de la Gestión Municipal 
ha tenido un impacto positivo,  incrementando el gasto en la 
182 soles (per cápita) p < 0.01 Rechaza Positivo 
inversión pública en saneamiento de las municipalidades de la 
región Cusco, 2016-2018  
El Programa de Incentivos a la Mejora de la Gestión Municipal 
ha tenido un impacto positivo, incrementando el gasto en la 
667 soles (per cápita) p < 0.01 Rechaza Positivo 
inversión pública en protección social de las municipalidades de 
la región Cusco, 2016-2018 
 
 
  
82 
 
Anexo 3. Resultados de regresión discontinua 
 
Regresión discontinua para Anemia. Variable independiente: Gasto público por densidad poblacional, 
Covariate-adjusted sharp RD estimates using local polynomial regression. 
   Cutoff c = -500 | Left of c  Right of c            Number of obs =        277 
-------------------+----------------------            BW type       =      mserd 
     Number of obs |       130         147            Kernel        =    Uniform 
Eff. Number of obs |        47          58            VCE method    =         NN 
    Order est. (p) |         1           1 
    Order bias (q) |         2           2 
       BW est. (h) |   173.298     173.298 
       BW bias (b) |   281.380     281.380 
         rho (h/b) |     0.616       0.616 
        Unique obs |        45          51 
Outcome: PIMdensidad. Running variable: inversehogares. 
-------------------------------------------------------------------------------- 
            Method |   Coef.    Std. Err.    z     P>|z|    [95% Conf. Interval] 
-------------------+------------------------------------------------------------ 
      Conventional |   39363      21531   1.8282   0.068   -2836.91      81562.1 
            Robust |     -          -     1.5496   0.121   -11104.8      94964.8 
-------------------------------------------------------------------------------- 
Covariate-adjusted estimates. Additional covariates included: 4 
Estimates adjusted for mass points in the running variable. 
  
83 
 
Regresión discontinua para Saneamiento. Variable independiente: Gasto público por densidad poblacional. 
Covariate-adjusted sharp RD estimates using local polynomial regression. 
 
   Cutoff c = -500 | Left of c  Right of c            Number of obs =        296 
-------------------+----------------------            BW type       =      mserd 
     Number of obs |       140         156            Kernel        =    Uniform 
Eff. Number of obs |        44          60            VCE method    =         NN 
    Order est. (p) |         1           1 
    Order bias (q) |         2           2 
       BW est. (h) |   150.340     150.340 
       BW bias (b) |   263.350     263.350 
         rho (h/b) |     0.571       0.571 
        Unique obs |        46          51 
 
Outcome: PIMdensidad. Running variable: inversehogares. 
-------------------------------------------------------------------------------- 
            Method |   Coef.    Std. Err.    z     P>|z|    [95% Conf. Interval] 
-------------------+------------------------------------------------------------ 
      Conventional |   88084      42797   2.0582   0.040    4203.32       171964 
            Robust |     -          -     2.3183   0.020    17872.9       213373 
-------------------------------------------------------------------------------- 
Covariate-adjusted estimates. Additional covariates included: 4 
Estimates adjusted for mass points in the running variable. 
  
84 
 
Regresión discontinua para Asistencia. Variable independiente: Gasto público por densidad poblacional. 
Covariate-adjusted sharp RD estimates using local polynomial regression. 
 
   Cutoff c = -500 | Left of c  Right of c            Number of obs =         30 
-------------------+----------------------            BW type       =      mserd 
     Number of obs |        13          17            Kernel        =    Uniform 
Eff. Number of obs |         7          17            VCE method    =         NN 
    Order est. (p) |         1           1 
    Order bias (q) |         2           2 
       BW est. (h) |   792.535     792.535 
       BW bias (b) |  1133.842    1133.842 
         rho (h/b) |     0.699       0.699 
        Unique obs |         7          10 
 
Outcome: PIMdensidad. Running variable: inversehogares. 
-------------------------------------------------------------------------------- 
            Method |   Coef.    Std. Err.    z     P>|z|    [95% Conf. Interval] 
-------------------+------------------------------------------------------------ 
      Conventional |   89045      72301   1.2316   0.218   -52663.3       230753 
            Robust |     -          -     0.3732   0.709    -174110       256019 
-------------------------------------------------------------------------------- 
Covariate-adjusted estimates. Additional covariates included: 4 
  
85 
 
Regresión discontinua para Anemia. Variable independiente: Gasto público per cápita. 
Covariate-adjusted sharp RD estimates using local polynomial regression. 
 
   Cutoff c = -500 | Left of c  Right of c            Number of obs =        277 
-------------------+----------------------            BW type       =      mserd 
     Number of obs |       130         147            Kernel        =    Uniform 
Eff. Number of obs |        62         111            VCE method    =         NN 
    Order est. (p) |         1           1 
    Order bias (q) |         2           2 
       BW est. (h) |   292.963     292.963 
       BW bias (b) |   417.903     417.903 
         rho (h/b) |     0.701       0.701 
        Unique obs |        45          51 
 
Outcome: PIMpercapita. Running variable: inversehogares. 
-------------------------------------------------------------------------------- 
            Method |   Coef.    Std. Err.    z     P>|z|    [95% Conf. Interval] 
-------------------+------------------------------------------------------------ 
      Conventional |  -34.45     83.598   -0.4121  0.680     -198.3        129.4 
            Robust |     -          -     -0.5587  0.576   -286.623      159.467 
-------------------------------------------------------------------------------- 
Covariate-adjusted estimates. Additional covariates included: 4 
  
86 
 
Regresión discontinua para saneamiento. Variable independiente: Gasto público per cápita. 
Covariate-adjusted sharp RD estimates using local polynomial regression. 
 
   Cutoff c = -500 | Left of c  Right of c            Number of obs =        296 
-------------------+----------------------            BW type       =      mserd 
     Number of obs |       140         156            Kernel        =    Uniform 
Eff. Number of obs |        53          66            VCE method    =         NN 
    Order est. (p) |         1           1 
    Order bias (q) |         2           2 
       BW est. (h) |   180.461     180.461 
       BW bias (b) |   316.310     316.310 
         rho (h/b) |     0.571       0.571 
        Unique obs |        46          51 
 
Outcome: PIMpercapita. Running variable: inversehogares. 
-------------------------------------------------------------------------------- 
            Method |   Coef.    Std. Err.    z     P>|z|    [95% Conf. Interval] 
-------------------+------------------------------------------------------------ 
      Conventional |  182.34     85.698   2.1278   0.033    14.3795       350.31 
            Robust |     -          -     2.3011   0.021    34.4778      430.673 
-------------------------------------------------------------------------------- 
Covariate-adjusted estimates. Additional covariates included: 4 
  
87 
 
Regresión discontinua para asistencia. Variable independiente: Gasto público per cápita. 
Covariate-adjusted sharp RD estimates using local polynomial regression. 
 
   Cutoff c = -500 | Left of c  Right of c            Number of obs =         30 
-------------------+----------------------            BW type       =      mserd 
     Number of obs |        13          17            Kernel        =    Uniform 
Eff. Number of obs |         9          17            VCE method    =         NN 
    Order est. (p) |         1           1 
    Order bias (q) |         2           2 
       BW est. (h) |  1047.095    1047.095 
       BW bias (b) |  1014.424    1014.424 
         rho (h/b) |     1.032       1.032 
        Unique obs |         7          10 
 
Outcome: PIMpercapita. Running variable: inversehogares. 
-------------------------------------------------------------------------------- 
            Method |   Coef.    Std. Err.    z     P>|z|    [95% Conf. Interval] 
-------------------+------------------------------------------------------------ 
      Conventional |  667.26     243.88   2.7360   0.006    189.266      1145.25 
            Robust |     -          -     1.5582   0.119   -179.342      1570.38 
-------------------------------------------------------------------------------- 
Covariate-adjusted estimates. Additional covariates included: 4 
 
 
  
  
88 
 
Anexo 4. Extracto de data utilizada 
Comando para extraer data en Stata 15: 
list year distrito provincia departamento clasificacion PIM Avance hogares_urbanos poblacion 
superficie densidad 
Output: 
     +---------------------------------------------------------------------------------------------------------------------------------+ 
     | year           distrito       provincia   depart~o   clasif~n         PIM   Avance   hogar~os   poblac~n   superfi~e   densidad | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
  1. | 2016             Ccorca           Cusco      Cusco          D       31305     90.5        211       2483      188.56   13.16822 | 
  2. | 2017             Ccorca           Cusco      Cusco          D       75383     68.1        211       2483      188.56   13.16822 | 
  3. | 2017             Ccorca           Cusco      Cusco          D     2159511     92.5        211       2483      188.56   13.16822 | 
  4. | 2018             Ccorca           Cusco      Cusco          D      382150     61.9        211       2483      188.56   13.16822 | 
  5. | 2018             Ccorca           Cusco      Cusco          D       49834     73.4        211       2483      188.56   13.16822 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
  6. | 2016             Ccorca           Cusco      Cusco          D     1469283     20.4        211       2483      188.56   13.16822 | 
  7. | 2016              Poroy           Cusco      Cusco          D      978204     91.6        324       8020       14.96   536.0963 | 
  8. | 2017              Poroy           Cusco      Cusco          D       17385     79.2        324       8020       14.96   536.0963 | 
  9. | 2016              Poroy           Cusco      Cusco          D       24770     72.9        324       8020       14.96   536.0963 | 
 10. | 2017              Poroy           Cusco      Cusco          D      519679     66.8        324       8020       14.96   536.0963 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 11. | 2018              Poroy           Cusco      Cusco          D      506715     91.7        324       8020       14.96   536.0963 | 
 12. | 2018              Poroy           Cusco      Cusco          D       37145     96.2        324       8020       14.96   536.0963 | 
 13. | 2018             Saylla           Cusco      Cusco          D        9500        0        365       5599       28.38   197.2868 | 
 14. | 2018             Saylla           Cusco      Cusco          D        4200      100        365       5599       28.38   197.2868 | 
 15. | 2016             Saylla           Cusco      Cusco          D       61235     17.2        365       5599       28.38   197.2868 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 16. | 2018             Saylla           Cusco      Cusco          D      452415     48.9        365       5599       28.38   197.2868 | 
 17. | 2016             Saylla           Cusco      Cusco          D      599927     95.4        365       5599       28.38   197.2868 | 
 18. | 2017             Saylla           Cusco      Cusco          D       69598     50.3        365       5599       28.38   197.2868 | 
 19. | 2017             Saylla           Cusco      Cusco          D       16818       97        365       5599       28.38   197.2868 | 
 20. | 2016            Acomayo         Acomayo      Cusco          C     2021539     76.1        643       5627      141.27   39.83153 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 21. | 2016            Acomayo         Acomayo      Cusco          C       92505     89.2        643       5627      141.27   39.83153 | 
 22. | 2018            Acomayo         Acomayo      Cusco          C       37832      100        643       5627      141.27   39.83153 | 
 23. | 2017            Acomayo         Acomayo      Cusco          C       12104      100        643       5627      141.27   39.83153 | 
 24. | 2018            Acomayo         Acomayo      Cusco          C      607300     79.1        643       5627      141.27   39.83153 | 
 25. | 2017            Acomayo         Acomayo      Cusco          C     1547901     91.3        643       5627      141.27   39.83153 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 26. | 2018             Acopia         Acomayo      Cusco          D       31780     99.4        501       2336       91.72   25.46882 | 
 27. | 2016             Acopia         Acomayo      Cusco          D        6600      100        501       2336       91.72   25.46882 | 
 28. | 2018             Acopia         Acomayo      Cusco          D       34765     57.5        501       2336       91.72   25.46882 | 
 29. | 2016             Acopia         Acomayo      Cusco          D       22326     99.6        501       2336       91.72   25.46882 | 
 30. | 2017             Acopia         Acomayo      Cusco          D       24082     99.7        501       2336       91.72   25.46882 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 31. | 2018               Acos         Acomayo      Cusco          C     3537787     91.4        665       2286      137.55   16.61941 | 
 32. | 2016               Acos         Acomayo      Cusco          C     1689213     60.7        665       2286      137.55   16.61941 | 
 33. | 2016               Acos         Acomayo      Cusco          C           0        0        665       2286      137.55   16.61941 | 
 34. | 2017               Acos         Acomayo      Cusco          C     3950072     96.4        665       2286      137.55   16.61941 | 
 35. | 2018       Mosoc Llacta         Acomayo      Cusco          D       90469     64.1        235       2321       43.61   53.22174 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 36. | 2016       Mosoc Llacta         Acomayo      Cusco          D       25660       89        235       2321       43.61   53.22174 | 
89 
 
 37. | 2016       Mosoc Llacta         Acomayo      Cusco          D       47317     93.8        235       2321       43.61   53.22174 | 
 38. | 2017       Mosoc Llacta         Acomayo      Cusco          D       36750     93.6        235       2321       43.61   53.22174 | 
 39. | 2018         Pomacanchi         Acomayo      Cusco          C      191473     72.1       1582       9092      275.56   32.99463 | 
 40. | 2018         Pomacanchi         Acomayo      Cusco          C      304336     93.7       1582       9092      275.56   32.99463 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 41. | 2016         Pomacanchi         Acomayo      Cusco          C       12971     75.4       1582       9092      275.56   32.99463 | 
 42. | 2017         Pomacanchi         Acomayo      Cusco          C      247306     76.5       1582       9092      275.56   32.99463 | 
 43. | 2016         Pomacanchi         Acomayo      Cusco          C     7380992       88       1582       9092      275.56   32.99463 | 
 44. | 2017         Pomacanchi         Acomayo      Cusco          C     1670499     93.9       1582       9092      275.56   32.99463 | 
 45. | 2017           Rondocan         Acomayo      Cusco          C        6954     99.9        663       2281      180.22   12.65675 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 46. | 2016           Rondocan         Acomayo      Cusco          C       32755     99.9        663       2281      180.22   12.65675 | 
 47. | 2018           Rondocan         Acomayo      Cusco          C      351234     68.5        663       2281      180.22   12.65675 | 
 48. | 2018           Rondocan         Acomayo      Cusco          C       12000     72.2        663       2281      180.22   12.65675 | 
 49. | 2017           Rondocan         Acomayo      Cusco          C      441731       83        663       2281      180.22   12.65675 | 
 50. | 2016           Rondocan         Acomayo      Cusco          C           0        0        663       2281      180.22   12.65675 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 51. | 2016           Rondocan         Acomayo      Cusco          C      238163     96.9        663       2281      180.22   12.65675 | 
 52. | 2017          Sangarara         Acomayo      Cusco          C      436535     55.2       1026       3733       78.29    47.6817 | 
 53. | 2016          Sangarara         Acomayo      Cusco          C      303916     97.2       1026       3733       78.29    47.6817 | 
 54. | 2018          Sangarara         Acomayo      Cusco          C      365426     94.9       1026       3733       78.29    47.6817 | 
 55. | 2017               Anta            Anta      Cusco          C      223528     58.5       1973      16833      202.58    83.0931 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 56. | 2017               Anta            Anta      Cusco          C      809799        0       1973      16833      202.58    83.0931 | 
 57. | 2016               Anta            Anta      Cusco          C        9826     96.2       1973      16833      202.58    83.0931 | 
 58. | 2018               Anta            Anta      Cusco          C      846349     84.9       1973      16833      202.58    83.0931 | 
 59. | 2018               Anta            Anta      Cusco          C     1855850     18.2       1973      16833      202.58    83.0931 | 
 60. | 2018               Anta            Anta      Cusco          C     2197839     14.5       1973      16833      202.58    83.0931 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 61. | 2016               Anta            Anta      Cusco          C        4185        0       1973      16833      202.58    83.0931 | 
 62. | 2017               Anta            Anta      Cusco          C      366784     98.8       1973      16833      202.58    83.0931 | 
 63. | 2017          Ancahuasi            Anta      Cusco          C      155121     99.6        506       7015      123.58   56.76485 | 
 64. | 2017          Ancahuasi            Anta      Cusco          C     2497046      8.9        506       7015      123.58   56.76485 | 
 65. | 2018          Ancahuasi            Anta      Cusco          C      213576     63.6        506       7015      123.58   56.76485 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 66. | 2016          Ancahuasi            Anta      Cusco          C       10624     94.2        506       7015      123.58   56.76485 | 
 67. | 2016          Ancahuasi            Anta      Cusco          C        5293     56.5        506       7015      123.58   56.76485 | 
 68. | 2018          Ancahuasi            Anta      Cusco          C     9839984     79.9        506       7015      123.58   56.76485 | 
 69. | 2017          Cachimayo            Anta      Cusco          D       12010      100        494       2274       43.28   52.54159 | 
 70. | 2017          Cachimayo            Anta      Cusco          D      186567     17.8        494       2274       43.28   52.54159 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 71. | 2018          Cachimayo            Anta      Cusco          D      634092     87.5        494       2274       43.28   52.54159 | 
 72. | 2016          Cachimayo            Anta      Cusco          D     1416118     99.8        494       2274       43.28   52.54159 | 
 73. | 2016          Cachimayo            Anta      Cusco          D     3342005     99.6        494       2274       43.28   52.54159 | 
 74. | 2016          Cachimayo            Anta      Cusco          D       45979     23.9        494       2274       43.28   52.54159 | 
 75. | 2018      Chinchaypujio            Anta      Cusco          D     7381045     77.4        314       4434      390.58   11.35235 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 76. | 2017      Chinchaypujio            Anta      Cusco          D      198000      100        314       4434      390.58   11.35235 | 
 77. | 2018      Chinchaypujio            Anta      Cusco          D     1100466     30.7        314       4434      390.58   11.35235 | 
 78. | 2017      Chinchaypujio            Anta      Cusco          D       70536     32.6        314       4434      390.58   11.35235 | 
 79. | 2016      Chinchaypujio            Anta      Cusco          D       92933     91.6        314       4434      390.58   11.35235 | 
 80. | 2018      Chinchaypujio            Anta      Cusco          D       11804     91.5        314       4434      390.58   11.35235 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 81. | 2017      Chinchaypujio            Anta      Cusco          D       25407     71.4        314       4434      390.58   11.35235 | 
 82. | 2016      Chinchaypujio            Anta      Cusco          D      500916      100        314       4434      390.58   11.35235 | 
90 
 
 83. | 2018         Huarocondo            Anta      Cusco          C       65006     56.8        816       5875      228.62   25.69766 | 
 84. | 2018         Huarocondo            Anta      Cusco          C     1016803     95.6        816       5875      228.62   25.69766 | 
 85. | 2016         Huarocondo            Anta      Cusco          C      381787     99.9        816       5875      228.62   25.69766 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 86. | 2017         Huarocondo            Anta      Cusco          C       61173     90.6        816       5875      228.62   25.69766 | 
 87. | 2017         Huarocondo            Anta      Cusco          C     1910317     90.4        816       5875      228.62   25.69766 | 
 88. | 2016         Huarocondo            Anta      Cusco          C       67504     91.5        816       5875      228.62   25.69766 | 
 89. | 2016          Limatambo            Anta      Cusco          D      170541      100        379       9813      512.92   19.13164 | 
 90. | 2018          Limatambo            Anta      Cusco          D      676594     78.3        379       9813      512.92   19.13164 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 91. | 2018          Limatambo            Anta      Cusco          D       33400     63.3        379       9813      512.92   19.13164 | 
 92. | 2016          Limatambo            Anta      Cusco          D      142218     99.9        379       9813      512.92   19.13164 | 
 93. | 2017          Limatambo            Anta      Cusco          D      155767     95.8        379       9813      512.92   19.13164 | 
 94. | 2017          Limatambo            Anta      Cusco          D      207548     96.2        379       9813      512.92   19.13164 | 
 95. | 2016          Mollepata            Anta      Cusco          D       72727     72.5        481       2674      284.48   9.399607 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
 96. | 2016          Mollepata            Anta      Cusco          D        2341        0        481       2674      284.48   9.399607 | 
 97. | 2017          Mollepata            Anta      Cusco          D       15000      100        481       2674      284.48   9.399607 | 
 98. | 2018          Mollepata            Anta      Cusco          D       32361     98.5        481       2674      284.48   9.399607 | 
 99. | 2017          Mollepata            Anta      Cusco          D       22751      100        481       2674      284.48   9.399607 | 
100. | 2017            Pucyura            Anta      Cusco          D     1545742     51.4        354       4242       37.75   112.3709 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
101. | 2016            Pucyura            Anta      Cusco          D      130639       59        354       4242       37.75   112.3709 | 
102. | 2018            Pucyura            Anta      Cusco          D     1913545     84.2        354       4242       37.75   112.3709 | 
103. | 2016            Pucyura            Anta      Cusco          D      613519     48.8        354       4242       37.75   112.3709 | 
104. | 2017            Pucyura            Anta      Cusco          D      121708       73        354       4242       37.75   112.3709 | 
105. | 2018            Pucyura            Anta      Cusco          D     1224856     91.1        354       4242       37.75   112.3709 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
106. | 2017             Zurite            Anta      Cusco          D           0        0        397       3714       52.33   70.97267 | 
107. | 2016             Zurite            Anta      Cusco          D        7000     34.3        397       3714       52.33   70.97267 | 
108. | 2016             Zurite            Anta      Cusco          D       99098      100        397       3714       52.33   70.97267 | 
109. | 2018             Zurite            Anta      Cusco          D       39481     78.7        397       3714       52.33   70.97267 | 
110. | 2017             Zurite            Anta      Cusco          D        7753     97.2        397       3714       52.33   70.97267 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
111. | 2018             Zurite            Anta      Cusco          D       28650     30.2        397       3714       52.33   70.97267 | 
112. | 2017              Calca           Calca      Cusco          C      128788     80.7       2666      23824      311.01   76.60204 | 
113. | 2016              Calca           Calca      Cusco          C     2226311     88.8       2666      23824      311.01   76.60204 | 
114. | 2018              Calca           Calca      Cusco          C       53373     79.6       2666      23824      311.01   76.60204 | 
115. | 2016              Calca           Calca      Cusco          C      247759     82.2       2666      23824      311.01   76.60204 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
116. | 2018              Calca           Calca      Cusco          C     5889322     91.1       2666      23824      311.01   76.60204 | 
117. | 2017              Calca           Calca      Cusco          C     6681694     58.2       2666      23824      311.01   76.60204 | 
118. | 2016               Coya           Calca      Cusco          D     2518789     17.7        450       4034       71.43   56.47487 | 
119. | 2018               Coya           Calca      Cusco          D     2765815     62.6        450       4034       71.43   56.47487 | 
120. | 2017               Coya           Calca      Cusco          D      235000        6        450       4034       71.43   56.47487 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
121. | 2016               Coya           Calca      Cusco          D       47000        0        450       4034       71.43   56.47487 | 
122. | 2018               Coya           Calca      Cusco          D        5000     87.4        450       4034       71.43   56.47487 | 
123. | 2017              Lamay           Calca      Cusco          D       89000     73.3        440       5821       94.22   61.78094 | 
124. | 2018              Lamay           Calca      Cusco          D      201200     90.2        440       5821       94.22   61.78094 | 
125. | 2016              Lamay           Calca      Cusco          D       11668      100        440       5821       94.22   61.78094 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
126. | 2016              Lamay           Calca      Cusco          D      590659      100        440       5821       94.22   61.78094 | 
127. | 2017              Lamay           Calca      Cusco          D      623017     96.2        440       5821       94.22   61.78094 | 
128. | 2018              Lamay           Calca      Cusco          D      414159     96.5        440       5821       94.22   61.78094 | 
91 
 
129. | 2017              Lares           Calca      Cusco          C         569        0        703       7227      527.26   13.70671 | 
130. | 2016              Lares           Calca      Cusco          C        6912        0        703       7227      527.26   13.70671 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
131. | 2018              Lares           Calca      Cusco          C     2111492     68.1        703       7227      527.26   13.70671 | 
132. | 2016              Lares           Calca      Cusco          C     2973401      9.1        703       7227      527.26   13.70671 | 
133. | 2018              Lares           Calca      Cusco          C       26223     48.2        703       7227      527.26   13.70671 | 
134. | 2017              Lares           Calca      Cusco          C     3353029     80.2        703       7227      527.26   13.70671 | 
135. | 2016              Pisac           Calca      Cusco          C           0        0        841      10285      148.25   69.37605 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
136. | 2017              Pisac           Calca      Cusco          C     2156046     97.4        841      10285      148.25   69.37605 | 
137. | 2016              Pisac           Calca      Cusco          C     5639944     89.3        841      10285      148.25   69.37605 | 
138. | 2018              Pisac           Calca      Cusco          C      104876       99        841      10285      148.25   69.37605 | 
139. | 2018              Pisac           Calca      Cusco          C     1111141     83.7        841      10285      148.25   69.37605 | 
140. | 2017              Pisac           Calca      Cusco          C      136968     90.4        841      10285      148.25   69.37605 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
141. | 2018              Pisac           Calca      Cusco          C       35000     57.4        841      10285      148.25   69.37605 | 
142. | 2016              Pisac           Calca      Cusco          C      256763     38.2        841      10285      148.25   69.37605 | 
143. | 2017       San Salvador           Calca      Cusco          D      419669     96.8        405       5674      128.07    44.3039 | 
144. | 2017       San Salvador           Calca      Cusco          D       66063      100        405       5674      128.07    44.3039 | 
145. | 2016       San Salvador           Calca      Cusco          D      439006     97.8        405       5674      128.07    44.3039 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
146. | 2018       San Salvador           Calca      Cusco          D       78890     93.7        405       5674      128.07    44.3039 | 
147. | 2018       San Salvador           Calca      Cusco          D      137050      100        405       5674      128.07    44.3039 | 
148. | 2016       San Salvador           Calca      Cusco          D      423140      100        405       5674      128.07    44.3039 | 
149. | 2018              Taray           Calca      Cusco          D       34210     80.7        178       4745       53.78   88.22983 | 
150. | 2017              Taray           Calca      Cusco          D     1160341     80.2        178       4745       53.78   88.22983 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
151. | 2016              Taray           Calca      Cusco          D       31445     81.1        178       4745       53.78   88.22983 | 
152. | 2017              Taray           Calca      Cusco          D       27708     97.9        178       4745       53.78   88.22983 | 
153. | 2016              Taray           Calca      Cusco          D     1073773     95.6        178       4745       53.78   88.22983 | 
154. | 2018              Taray           Calca      Cusco          D      745197     96.5        178       4745       53.78   88.22983 | 
155. | 2018           Yanatile           Calca      Cusco          C     1671162     95.9        670      13588    3,080.47   4.411015 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
156. | 2016           Yanatile           Calca      Cusco          C     4647732     99.8        670      13588    3,080.47   4.411015 | 
157. | 2017           Yanatile           Calca      Cusco          C       62815      100        670      13588    3,080.47   4.411015 | 
158. | 2018           Yanatile           Calca      Cusco          C       52792      100        670      13588    3,080.47   4.411015 | 
159. | 2016           Yanatile           Calca      Cusco          C       18831      100        670      13588    3,080.47   4.411015 | 
160. | 2017           Yanatile           Calca      Cusco          C     3333246     96.1        670      13588    3,080.47   4.411015 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
161. | 2018            Yanaoca           Canas      Cusco          C       39908       51        825      10178      292.97   34.74076 | 
162. | 2016            Yanaoca           Canas      Cusco          C     1966362     52.4        825      10178      292.97   34.74076 | 
163. | 2018            Yanaoca           Canas      Cusco          C       34942     87.9        825      10178      292.97   34.74076 | 
164. | 2016            Yanaoca           Canas      Cusco          C       94782     77.9        825      10178      292.97   34.74076 | 
165. | 2017            Yanaoca           Canas      Cusco          C       33331     98.6        825      10178      292.97   34.74076 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
166. | 2017            Yanaoca           Canas      Cusco          C     1053909     95.8        825      10178      292.97   34.74076 | 
167. | 2017             Checca           Canas      Cusco          D           0        0        103       6315      503.76   12.53573 | 
168. | 2017             Checca           Canas      Cusco          D     4381797     97.5        103       6315      503.76   12.53573 | 
169. | 2016             Checca           Canas      Cusco          D    14269390     85.5        103       6315      503.76   12.53573 | 
170. | 2018             Checca           Canas      Cusco          D     4339103      9.4        103       6315      503.76   12.53573 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
171. | 2016             Checca           Canas      Cusco          D           0        0        103       6315      503.76   12.53573 | 
172. | 2017        Kunturkanki           Canas      Cusco          C     1257186      5.1        633       5781      376.19   15.36723 | 
173. | 2018        Kunturkanki           Canas      Cusco          C     2388896     99.9        633       5781      376.19   15.36723 | 
174. | 2016        Kunturkanki           Canas      Cusco          C       63893     83.6        633       5781      376.19   15.36723 | 
92 
 
175. | 2017        Kunturkanki           Canas      Cusco          C        7313     99.6        633       5781      376.19   15.36723 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
176. | 2017             Langui           Canas      Cusco          D     3114140     93.8        125       2567      187.10   13.71994 | 
177. | 2017             Langui           Canas      Cusco          D        9000     46.3        125       2567      187.10   13.71994 | 
178. | 2016             Langui           Canas      Cusco          D     2327482     65.9        125       2567      187.10   13.71994 | 
179. | 2018             Langui           Canas      Cusco          D        4709       83        125       2567      187.10   13.71994 | 
180. | 2018             Langui           Canas      Cusco          D      794700     80.1        125       2567      187.10   13.71994 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
181. | 2016             Langui           Canas      Cusco          D       16243     18.6        125       2567      187.10   13.71994 | 
182. | 2016               Layo           Canas      Cusco          D      150000        0        298       6447      452.56   14.24562 | 
183. | 2017               Layo           Canas      Cusco          D      361785     93.2        298       6447      452.56   14.24562 | 
184. | 2018               Layo           Canas      Cusco          D      519087     23.3        298       6447      452.56   14.24562 | 
185. | 2017               Layo           Canas      Cusco          D       16196     50.2        298       6447      452.56   14.24562 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
186. | 2016               Layo           Canas      Cusco          D       46902       87        298       6447      452.56   14.24562 | 
187. | 2018               Layo           Canas      Cusco          D       92896        8        298       6447      452.56   14.24562 | 
188. | 2016         Pampamarca           Canas      Cusco          D           0        0        282       2075       29.91   69.37479 | 
189. | 2018         Pampamarca           Canas      Cusco          D       40819     96.6        282       2075       29.91   69.37479 | 
190. | 2016         Pampamarca           Canas      Cusco          D           0        0        282       2075       29.91   69.37479 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
191. | 2017         Pampamarca           Canas      Cusco          D      125439     64.6        282       2075       29.91   69.37479 | 
192. | 2018         Pampamarca           Canas      Cusco          D        1344      100        282       2075       29.91   69.37479 | 
193. | 2016         Pampamarca           Canas      Cusco          D      223268       87        282       2075       29.91   69.37479 | 
194. | 2017             Quehue           Canas      Cusco          D       24000      100        103       3578      143.46   24.94075 | 
195. | 2017             Quehue           Canas      Cusco          D       15889     91.7        103       3578      143.46   24.94075 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
196. | 2016             Quehue           Canas      Cusco          D       70997     96.8        103       3578      143.46   24.94075 | 
197. | 2018             Quehue           Canas      Cusco          D       32500     32.8        103       3578      143.46   24.94075 | 
198. | 2016             Quehue           Canas      Cusco          D      470348     96.6        103       3578      143.46   24.94075 | 
199. | 2018             Quehue           Canas      Cusco          D       76339     89.7        103       3578      143.46   24.94075 | 
200. | 2016        Tupac Amaru           Canas      Cusco          D       57146     85.5        162       2961      117.81   25.13369 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
201. | 2018        Tupac Amaru           Canas      Cusco          D      173655     95.2        162       2961      117.81   25.13369 | 
202. | 2017        Tupac Amaru           Canas      Cusco          D       80311     97.6        162       2961      117.81   25.13369 | 
203. | 2017        Tupac Amaru           Canas      Cusco          D       13730     92.4        162       2961      117.81   25.13369 | 
204. | 2016        Tupac Amaru           Canas      Cusco          D       11639     93.5        162       2961      117.81   25.13369 | 
205. | 2018        Tupac Amaru           Canas      Cusco          D        8795     65.9        162       2961      117.81   25.13369 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
206. | 2017          Checacupe         Canchis      Cusco          C      153695     60.7        817       4984      962.34   5.179043 | 
207. | 2018          Checacupe         Canchis      Cusco          C      113037       62        817       4984      962.34   5.179043 | 
208. | 2016          Checacupe         Canchis      Cusco          C       52405     54.9        817       4984      962.34   5.179043 | 
209. | 2018          Checacupe         Canchis      Cusco          C      166409     51.1        817       4984      962.34   5.179043 | 
210. | 2017          Checacupe         Canchis      Cusco          C      119079     41.6        817       4984      962.34   5.179043 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
211. | 2016          Checacupe         Canchis      Cusco          C      704040     93.7        817       4984      962.34   5.179043 | 
212. | 2017          Combapata         Canchis      Cusco          C       32989      100        581       5432      182.50   29.76438 | 
213. | 2016          Combapata         Canchis      Cusco          C     6391028      1.2        581       5432      182.50   29.76438 | 
214. | 2018          Combapata         Canchis      Cusco          C      575457     21.7        581       5432      182.50   29.76438 | 
215. | 2017          Combapata         Canchis      Cusco          C     6376249     91.9        581       5432      182.50   29.76438 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
216. | 2018          Combapata         Canchis      Cusco          C       27102     94.4        581       5432      182.50   29.76438 | 
217. | 2016          Combapata         Canchis      Cusco          C       53430      100        581       5432      182.50   29.76438 | 
218. | 2018          Marangani         Canchis      Cusco          C      583517     87.1        923      11287      432.65   26.08806 | 
219. | 2017          Marangani         Canchis      Cusco          C       39824     86.3        923      11287      432.65   26.08806 | 
220. | 2018          Marangani         Canchis      Cusco          C       93327     98.9        923      11287      432.65   26.08806 | 
93 
 
     |---------------------------------------------------------------------------------------------------------------------------------| 
221. | 2016          Marangani         Canchis      Cusco          C       22373     46.1        923      11287      432.65   26.08806 | 
222. | 2017          Marangani         Canchis      Cusco          C     1647606     95.5        923      11287      432.65   26.08806 | 
223. | 2016          Marangani         Canchis      Cusco          C       66438     65.7        923      11287      432.65   26.08806 | 
224. | 2016          Marangani         Canchis      Cusco          C     2352313     96.1        923      11287      432.65   26.08806 | 
225. | 2018          Pitumarca         Canchis      Cusco          C     3201532     97.2       1185       7616    1,117.54   6.814969 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
226. | 2017          Pitumarca         Canchis      Cusco          C      186838     89.8       1185       7616    1,117.54   6.814969 | 
227. | 2017          Pitumarca         Canchis      Cusco          C     2642567     79.1       1185       7616    1,117.54   6.814969 | 
228. | 2016          Pitumarca         Canchis      Cusco          C      210061     92.2       1185       7616    1,117.54   6.814969 | 
229. | 2018          Pitumarca         Canchis      Cusco          C      117065     99.4       1185       7616    1,117.54   6.814969 | 
230. | 2016          Pitumarca         Canchis      Cusco          C      467694     99.6       1185       7616    1,117.54   6.814969 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
231. | 2018          San Pablo         Canchis      Cusco          C       83326     73.9        608       4557      524.06   8.695569 | 
232. | 2016          San Pablo         Canchis      Cusco          C      167660     75.6        608       4557      524.06   8.695569 | 
233. | 2018          San Pablo         Canchis      Cusco          C      131199     89.9        608       4557      524.06   8.695569 | 
234. | 2017          San Pablo         Canchis      Cusco          C       71696     96.5        608       4557      524.06   8.695569 | 
235. | 2017          San Pablo         Canchis      Cusco          C      175703       97        608       4557      524.06   8.695569 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
236. | 2016          San Pablo         Canchis      Cusco          C     1591015     96.4        608       4557      524.06   8.695569 | 
237. | 2018          San Pedro         Canchis      Cusco          C      720054     93.1        564       2773       54.91   50.50082 | 
238. | 2017          San Pedro         Canchis      Cusco          C      250817     97.4        564       2773       54.91   50.50082 | 
239. | 2018          San Pedro         Canchis      Cusco          C           0        0        564       2773       54.91   50.50082 | 
240. | 2016          San Pedro         Canchis      Cusco          C       82400     93.2        564       2773       54.91   50.50082 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
241. | 2016          San Pedro         Canchis      Cusco          C       10500      100        564       2773       54.91   50.50082 | 
242. | 2016              Tinta         Canchis      Cusco          C      139186      100        947       5642       79.39   71.06689 | 
243. | 2018              Tinta         Canchis      Cusco          C      132585       80        947       5642       79.39   71.06689 | 
244. | 2017              Tinta         Canchis      Cusco          C      368462     95.9        947       5642       79.39   71.06689 | 
245. | 2016              Tinta         Canchis      Cusco          C       15170       99        947       5642       79.39   71.06689 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
246. | 2018              Tinta         Canchis      Cusco          C        5269     95.2        947       5642       79.39   71.06689 | 
247. | 2017              Tinta         Canchis      Cusco          C        5433      100        947       5642       79.39   71.06689 | 
248. | 2017        Santo Tomas    Chumbivilcas      Cusco          C      146281     90.6       3190      26992    1,924.08   14.02852 | 
249. | 2018        Santo Tomas    Chumbivilcas      Cusco          C       90576     97.3       3190      26992    1,924.08   14.02852 | 
250. | 2018        Santo Tomas    Chumbivilcas      Cusco          C     2867535     88.1       3190      26992    1,924.08   14.02852 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
251. | 2016        Santo Tomas    Chumbivilcas      Cusco          C      228931     87.6       3190      26992    1,924.08   14.02852 | 
252. | 2017        Santo Tomas    Chumbivilcas      Cusco          C     2622671     95.6       3190      26992    1,924.08   14.02852 | 
253. | 2016        Santo Tomas    Chumbivilcas      Cusco          C     4327083     90.9       3190      26992    1,924.08   14.02852 | 
254. | 2018         Capacmarca    Chumbivilcas      Cusco          D     2665371     21.7        272       4620      271.81   16.99717 | 
255. | 2016         Capacmarca    Chumbivilcas      Cusco          D     2560932     53.3        272       4620      271.81   16.99717 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
256. | 2016         Capacmarca    Chumbivilcas      Cusco          D       10583      100        272       4620      271.81   16.99717 | 
257. | 2017         Capacmarca    Chumbivilcas      Cusco          D        2290     78.4        272       4620      271.81   16.99717 | 
258. | 2017         Capacmarca    Chumbivilcas      Cusco          D     2246598     99.3        272       4620      271.81   16.99717 | 
259. | 2017            Chamaca    Chumbivilcas      Cusco          D    14458660     84.3        411       8971      674.19   13.30634 | 
260. | 2018            Chamaca    Chumbivilcas      Cusco          D     5097692     65.6        411       8971      674.19   13.30634 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
261. | 2016            Chamaca    Chumbivilcas      Cusco          D     6307404     38.7        411       8971      674.19   13.30634 | 
262. | 2016            Chamaca    Chumbivilcas      Cusco          D       23060     98.3        411       8971      674.19   13.30634 | 
263. | 2017            Chamaca    Chumbivilcas      Cusco          D      158832     57.5        411       8971      674.19   13.30634 | 
264. | 2018            Chamaca    Chumbivilcas      Cusco          D     6821518     91.8        411       8971      674.19   13.30634 | 
265. | 2016        Colquemarca    Chumbivilcas      Cusco          D       36093     91.7        419       8630      449.49   19.19954 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
94 
 
266. | 2017        Colquemarca    Chumbivilcas      Cusco          D           0        0        419       8630      449.49   19.19954 | 
267. | 2016        Colquemarca    Chumbivilcas      Cusco          D     2832670     60.9        419       8630      449.49   19.19954 | 
268. | 2018        Colquemarca    Chumbivilcas      Cusco          D     3605952     62.3        419       8630      449.49   19.19954 | 
269. | 2017        Colquemarca    Chumbivilcas      Cusco          D     6445790     93.3        419       8630      449.49   19.19954 | 
270. | 2017           Livitaca    Chumbivilcas      Cusco          D    17303698     30.2        306      13526      758.20   17.83962 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
271. | 2017           Livitaca    Chumbivilcas      Cusco          D       10012      100        306      13526      758.20   17.83962 | 
272. | 2018           Livitaca    Chumbivilcas      Cusco          D    17876914     80.8        306      13526      758.20   17.83962 | 
273. | 2016           Livitaca    Chumbivilcas      Cusco          D      109464     79.3        306      13526      758.20   17.83962 | 
274. | 2016           Livitaca    Chumbivilcas      Cusco          D     6372157     40.4        306      13526      758.20   17.83962 | 
275. | 2016             Llusco    Chumbivilcas      Cusco          D       32200     98.1        279       7173      315.42   22.74111 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
276. | 2017             Llusco    Chumbivilcas      Cusco          D     3018595     99.6        279       7173      315.42   22.74111 | 
277. | 2018             Llusco    Chumbivilcas      Cusco          D     2020622     52.4        279       7173      315.42   22.74111 | 
278. | 2016             Llusco    Chumbivilcas      Cusco          D     1362988     97.3        279       7173      315.42   22.74111 | 
279. | 2016             Llusco    Chumbivilcas      Cusco          D      296632      100        279       7173      315.42   22.74111 | 
280. | 2018             Llusco    Chumbivilcas      Cusco          D     5377542     86.1        279       7173      315.42   22.74111 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
281. | 2017             Llusco    Chumbivilcas      Cusco          D       30000     43.7        279       7173      315.42   22.74111 | 
282. | 2017             Llusco    Chumbivilcas      Cusco          D     1082399     68.6        279       7173      315.42   22.74111 | 
283. | 2018             Llusco    Chumbivilcas      Cusco          D        5000       26        279       7173      315.42   22.74111 | 
284. | 2018            Quiñota    Chumbivilcas      Cusco          D      840291     87.4        262       4990      221.05   22.57408 | 
285. | 2016            Quiñota    Chumbivilcas      Cusco          D     3952294     79.4        262       4990      221.05   22.57408 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
286. | 2017            Quiñota    Chumbivilcas      Cusco          D     1607177     53.6        262       4990      221.05   22.57408 | 
287. | 2016            Quiñota    Chumbivilcas      Cusco          D        1997     75.4        262       4990      221.05   22.57408 | 
288. | 2017            Quiñota    Chumbivilcas      Cusco          D         490     99.9        262       4990      221.05   22.57408 | 
289. | 2018            Quiñota    Chumbivilcas      Cusco          D           0        0        262       4990      221.05   22.57408 | 
290. | 2018            Velille    Chumbivilcas      Cusco          C     3423955     97.8        804       8580      756.84   11.33661 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
291. | 2016            Velille    Chumbivilcas      Cusco          C     1674420     94.1        804       8580      756.84   11.33661 | 
292. | 2017            Velille    Chumbivilcas      Cusco          C     2389398     13.6        804       8580      756.84   11.33661 | 
293. | 2018            Velille    Chumbivilcas      Cusco          C     1964089     84.2        804       8580      756.84   11.33661 | 
294. | 2016            Velille    Chumbivilcas      Cusco          C     5229480     96.6        804       8580      756.84   11.33661 | 
295. | 2017            Velille    Chumbivilcas      Cusco          C     1901108     62.6        804       8580      756.84   11.33661 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
296. | 2018          Condoroma         Espinar      Cusco          D       25225     79.3        175       1431      513.36   2.787518 | 
297. | 2016          Condoroma         Espinar      Cusco          D       42321     63.4        175       1431      513.36   2.787518 | 
298. | 2017          Condoroma         Espinar      Cusco          D       12320     90.9        175       1431      513.36   2.787518 | 
299. | 2018          Condoroma         Espinar      Cusco          D        5000        0        175       1431      513.36   2.787518 | 
300. | 2017          Condoroma         Espinar      Cusco          D       51000     58.8        175       1431      513.36   2.787518 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
301. | 2016          Coporaque         Espinar      Cusco          D    10616178     69.5        240      18004    1,564.46   11.50812 | 
302. | 2016          Coporaque         Espinar      Cusco          D      256815     90.3        240      18004    1,564.46   11.50812 | 
303. | 2017          Coporaque         Espinar      Cusco          D     7823093     96.4        240      18004    1,564.46   11.50812 | 
304. | 2017          Coporaque         Espinar      Cusco          D        2142       98        240      18004    1,564.46   11.50812 | 
305. | 2018          Coporaque         Espinar      Cusco          D      403701     99.8        240      18004    1,564.46   11.50812 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
306. | 2018          Coporaque         Espinar      Cusco          D     8283194     64.1        240      18004    1,564.46   11.50812 | 
307. | 2016            Ocoruro         Espinar      Cusco          D      457337     88.3         68       1588      353.15   4.496673 | 
308. | 2016            Ocoruro         Espinar      Cusco          D        2589     53.7         68       1588      353.15   4.496673 | 
309. | 2017            Ocoruro         Espinar      Cusco          D        5352      100         68       1588      353.15   4.496673 | 
310. | 2018            Ocoruro         Espinar      Cusco          D      776813     66.8         68       1588      353.15   4.496673 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
311. | 2017            Ocoruro         Espinar      Cusco          D      237328     81.3         68       1588      353.15   4.496673 | 
95 
 
312. | 2018           Pallpata         Espinar      Cusco          C      358011     98.1        585       5593      815.56   6.857864 | 
313. | 2017           Pallpata         Espinar      Cusco          C     4293214     97.1        585       5593      815.56   6.857864 | 
314. | 2016           Pallpata         Espinar      Cusco          C      171086      100        585       5593      815.56   6.857864 | 
315. | 2017           Pallpata         Espinar      Cusco          C      209101     94.7        585       5593      815.56   6.857864 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
316. | 2018           Pallpata         Espinar      Cusco          C     2804703     96.8        585       5593      815.56   6.857864 | 
317. | 2016           Pallpata         Espinar      Cusco          C     3572309     65.1        585       5593      815.56   6.857864 | 
318. | 2018           Pichigua         Espinar      Cusco          D     2476894     99.4        318       3629      288.76   12.56753 | 
319. | 2017           Pichigua         Espinar      Cusco          D     3917017     85.8        318       3629      288.76   12.56753 | 
320. | 2017           Pichigua         Espinar      Cusco          D       17610     69.7        318       3629      288.76   12.56753 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
321. | 2016           Pichigua         Espinar      Cusco          D      455718       76        318       3629      288.76   12.56753 | 
322. | 2016           Pichigua         Espinar      Cusco          D       22151     83.9        318       3629      288.76   12.56753 | 
323. | 2018           Pichigua         Espinar      Cusco          D        6000        0        318       3629      288.76   12.56753 | 
324. | 2016        Suyckutambo         Espinar      Cusco          D       65741      100         95       2781      652.13   4.264487 | 
325. | 2017        Suyckutambo         Espinar      Cusco          D       20670     90.3         95       2781      652.13   4.264487 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
326. | 2017        Suyckutambo         Espinar      Cusco          D      209189      100         95       2781      652.13   4.264487 | 
327. | 2018        Suyckutambo         Espinar      Cusco          D     1269164     82.8         95       2781      652.13   4.264487 | 
328. | 2018        Suyckutambo         Espinar      Cusco          D        2250     77.8         95       2781      652.13   4.264487 | 
329. | 2016        Suyckutambo         Espinar      Cusco          D      218458      100         95       2781      652.13   4.264487 | 
330. | 2018      Alto Pichigua         Espinar      Cusco          D       12335       50        106       3171      375.89   8.435979 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
331. | 2017      Alto Pichigua         Espinar      Cusco          D     1339743     23.4        106       3171      375.89   8.435979 | 
332. | 2016      Alto Pichigua         Espinar      Cusco          D      508141     94.6        106       3171      375.89   8.435979 | 
333. | 2017      Alto Pichigua         Espinar      Cusco          D        3570     60.6        106       3171      375.89   8.435979 | 
334. | 2018      Alto Pichigua         Espinar      Cusco          D      333657       94        106       3171      375.89   8.435979 | 
335. | 2016      Alto Pichigua         Espinar      Cusco          D        3516      100        106       3171      375.89   8.435979 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
336. | 2016           Echarate   La Convencion      Cusco          C     7715879     87.8       1410      37130   19,135.50   1.940373 | 
337. | 2018           Echarate   La Convencion      Cusco          C    16137042     88.8       1410      37130   19,135.50   1.940373 | 
338. | 2017           Echarate   La Convencion      Cusco          C          60        0       1410      37130   19,135.50   1.940373 | 
339. | 2017           Echarate   La Convencion      Cusco          C     6541483     80.5       1410      37130   19,135.50   1.940373 | 
340. | 2016           Echarate   La Convencion      Cusco          C           0        0       1410      37130   19,135.50   1.940373 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
341. | 2016           Echarate   La Convencion      Cusco          C    42787981     49.6       1410      37130   19,135.50   1.940373 | 
342. | 2018           Echarate   La Convencion      Cusco          C     3031626     60.2       1410      37130   19,135.50   1.940373 | 
343. | 2017           Echarate   La Convencion      Cusco          C   1.092e+08      7.1       1410      37130   19,135.50   1.940373 | 
344. | 2016          Huayopata   La Convencion      Cusco          C      714600       98        786       4539      524.02   8.661883 | 
345. | 2017          Huayopata   La Convencion      Cusco          C     1575490     99.5        786       4539      524.02   8.661883 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
346. | 2018          Huayopata   La Convencion      Cusco          C       69696      100        786       4539      524.02   8.661883 | 
347. | 2016          Huayopata   La Convencion      Cusco          C     2032461     29.7        786       4539      524.02   8.661883 | 
348. | 2017          Huayopata   La Convencion      Cusco          C      473266     99.8        786       4539      524.02   8.661883 | 
349. | 2018          Huayopata   La Convencion      Cusco          C      480969     88.8        786       4539      524.02   8.661883 | 
350. | 2016           Maranura   La Convencion      Cusco          D     1107763     95.4        211       5949      150.30   39.58084 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
351. | 2017           Maranura   La Convencion      Cusco          D       50532     58.2        211       5949      150.30   39.58084 | 
352. | 2017           Maranura   La Convencion      Cusco          D      140154     89.2        211       5949      150.30   39.58084 | 
353. | 2018           Maranura   La Convencion      Cusco          D        7925     88.2        211       5949      150.30   39.58084 | 
354. | 2018           Maranura   La Convencion      Cusco          D     3147704     94.6        211       5949      150.30   39.58084 | 
355. | 2016           Maranura   La Convencion      Cusco          D       31300       92        211       5949      150.30   39.58084 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
356. | 2017           Ocobamba   La Convencion      Cusco          D       53251     97.4        132       6852      840.93   8.148122 | 
357. | 2016           Ocobamba   La Convencion      Cusco          D     1941655     28.4        132       6852      840.93   8.148122 | 
96 
 
358. | 2017           Ocobamba   La Convencion      Cusco          D     2973407       94        132       6852      840.93   8.148122 | 
359. | 2016           Ocobamba   La Convencion      Cusco          D       66037      100        132       6852      840.93   8.148122 | 
360. | 2018           Ocobamba   La Convencion      Cusco          D       23442     94.3        132       6852      840.93   8.148122 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
361. | 2018           Ocobamba   La Convencion      Cusco          D      933762     91.5        132       6852      840.93   8.148122 | 
362. | 2016          Quellouno   La Convencion      Cusco          D     1030790     99.7        454      18320      799.68   22.90916 | 
363. | 2017          Quellouno   La Convencion      Cusco          D        4223      100        454      18320      799.68   22.90916 | 
364. | 2017          Quellouno   La Convencion      Cusco          D     3537835     90.3        454      18320      799.68   22.90916 | 
365. | 2018          Quellouno   La Convencion      Cusco          D     5407181       79        454      18320      799.68   22.90916 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
366. | 2017          Quellouno   La Convencion      Cusco          D     5618388     92.8        454      18320      799.68   22.90916 | 
367. | 2018          Quellouno   La Convencion      Cusco          D    14581234     92.3        454      18320      799.68   22.90916 | 
368. | 2018          Quellouno   La Convencion      Cusco          D      492466     29.6        454      18320      799.68   22.90916 | 
369. | 2016          Quellouno   La Convencion      Cusco          D    15290957     97.5        454      18320      799.68   22.90916 | 
370. | 2016          Quellouno   La Convencion      Cusco          D      195616     75.6        454      18320      799.68   22.90916 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
371. | 2017            Kimbiri   La Convencion      Cusco          C     3596046       99       1160      14893      905.69   16.44382 | 
372. | 2018            Kimbiri   La Convencion      Cusco          C    14620295     92.2       1160      14893      905.69   16.44382 | 
373. | 2018            Kimbiri   La Convencion      Cusco          C      141314     10.1       1160      14893      905.69   16.44382 | 
374. | 2016            Kimbiri   La Convencion      Cusco          C     2720741     27.1       1160      14893      905.69   16.44382 | 
375. | 2017            Kimbiri   La Convencion      Cusco          C    11101735     54.2       1160      14893      905.69   16.44382 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
376. | 2016            Kimbiri   La Convencion      Cusco          C     4219546     98.5       1160      14893      905.69   16.44382 | 
377. | 2016       Santa Teresa   La Convencion      Cusco          D      686828     96.3        463       6418    1,340.38   4.788194 | 
378. | 2016       Santa Teresa   La Convencion      Cusco          D      939805     92.3        463       6418    1,340.38   4.788194 | 
379. | 2018       Santa Teresa   La Convencion      Cusco          D     1916686       97        463       6418    1,340.38   4.788194 | 
380. | 2017       Santa Teresa   La Convencion      Cusco          D     2567297     96.4        463       6418    1,340.38   4.788194 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
381. | 2017       Santa Teresa   La Convencion      Cusco          D     1001271     86.4        463       6418    1,340.38   4.788194 | 
382. | 2018       Santa Teresa   La Convencion      Cusco          D     4327008     94.4        463       6418    1,340.38   4.788194 | 
383. | 2018         Vilcabamba   La Convencion      Cusco          D     4464851     95.8        108      13869    3,318.86   4.178844 | 
384. | 2017         Vilcabamba   La Convencion      Cusco          D      100597     94.5        108      13869    3,318.86   4.178844 | 
385. | 2018         Vilcabamba   La Convencion      Cusco          D       94753     99.9        108      13869    3,318.86   4.178844 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
386. | 2016         Vilcabamba   La Convencion      Cusco          D     9778909     93.3        108      13869    3,318.86   4.178844 | 
387. | 2016         Vilcabamba   La Convencion      Cusco          D       66150     92.6        108      13869    3,318.86   4.178844 | 
388. | 2017         Vilcabamba   La Convencion      Cusco          D     5561215     86.8        108      13869    3,318.86   4.178844 | 
389. | 2017            Pichari   La Convencion      Cusco          C     4132667       86       2242      20538      730.45   28.11691 | 
390. | 2017            Pichari   La Convencion      Cusco          C     3467592     64.3       2242      20538      730.45   28.11691 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
391. | 2017            Pichari   La Convencion      Cusco          C      621875     36.9       2242      20538      730.45   28.11691 | 
392. | 2016            Pichari   La Convencion      Cusco          C           0        0       2242      20538      730.45   28.11691 | 
393. | 2018            Pichari   La Convencion      Cusco          C     4721631       55       2242      20538      730.45   28.11691 | 
394. | 2018            Pichari   La Convencion      Cusco          C    16114934     55.9       2242      20538      730.45   28.11691 | 
395. | 2016            Pichari   La Convencion      Cusco          C        9375      100       2242      20538      730.45   28.11691 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
396. | 2016            Pichari   La Convencion      Cusco          C     8653554     97.7       2242      20538      730.45   28.11691 | 
397. | 2016           Inkawasi   La Convencion      Cusco                1214545     99.5          .       5109    1,101.65   4.637589 | 
398. | 2017           Inkawasi   La Convencion      Cusco                  43145     91.6          .       5109    1,101.65   4.637589 | 
399. | 2018           Inkawasi   La Convencion      Cusco                2453090     61.9          .       5109    1,101.65   4.637589 | 
400. | 2018       Villa Virgen   La Convencion      Cusco                  43531     78.4          .       2414      625.96   3.856477 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
401. | 2018       Villa Virgen   La Convencion      Cusco                  87004      8.1          .       2414      625.96   3.856477 | 
402. | 2017       Villa Virgen   La Convencion      Cusco                 413462     14.9          .       2414      625.96   3.856477 | 
403. | 2017       Villa Virgen   La Convencion      Cusco                  24094      100          .       2414      625.96   3.856477 | 
97 
 
404. | 2017   Villa Kintiarina   La Convencion      Cusco                1191923     40.1          .       2151      229.00   9.393013 | 
405. | 2016   Villa Kintiarina   La Convencion      Cusco                 337208     28.8          .       2151      229.00   9.393013 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
406. | 2018   Villa Kintiarina   La Convencion      Cusco                 879255     52.1          .       2151      229.00   9.393013 | 
407. | 2018          Megantoni   La Convencion      Cusco                5583942     82.4          .       8441   10,708.16   .7882773 | 
408. | 2017          Megantoni   La Convencion      Cusco               10053612     69.8          .       8441   10,708.16   .7882773 | 
409. | 2017          Megantoni   La Convencion      Cusco                3385420     79.4          .       8441   10,708.16   .7882773 | 
410. | 2018          Megantoni   La Convencion      Cusco                5554839     83.5          .       8441   10,708.16   .7882773 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
411. | 2018             Paruro          Paruro      Cusco          C       47000     93.4        612       3400      153.42   22.16139 | 
412. | 2017             Paruro          Paruro      Cusco          C     1900234     92.8        612       3400      153.42   22.16139 | 
413. | 2016             Paruro          Paruro      Cusco          C     3929532     78.8        612       3400      153.42   22.16139 | 
414. | 2017             Paruro          Paruro      Cusco          C        8367      100        612       3400      153.42   22.16139 | 
415. | 2016             Paruro          Paruro      Cusco          C       33869     54.7        612       3400      153.42   22.16139 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
416. | 2018             Paruro          Paruro      Cusco          C      678350     75.1        612       3400      153.42   22.16139 | 
417. | 2016              Accha          Paruro      Cusco          D           0        0        438       3839      244.75   15.68539 | 
418. | 2017              Accha          Paruro      Cusco          D           0        0        438       3839      244.75   15.68539 | 
419. | 2017              Accha          Paruro      Cusco          D       18969     58.3        438       3839      244.75   15.68539 | 
420. | 2018              Accha          Paruro      Cusco          D      498734     94.4        438       3839      244.75   15.68539 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
421. | 2016              Accha          Paruro      Cusco          D           0        0        438       3839      244.75   15.68539 | 
422. | 2018              Accha          Paruro      Cusco          D       28277     81.5        438       3839      244.75   15.68539 | 
423. | 2016              Accha          Paruro      Cusco          D       73016       40        438       3839      244.75   15.68539 | 
424. | 2016              Ccapi          Paruro      Cusco          D       25600      100        283       3749      334.85   11.19606 | 
425. | 2018              Ccapi          Paruro      Cusco          D     4873636      9.4        283       3749      334.85   11.19606 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
426. | 2016              Ccapi          Paruro      Cusco          D       22316      100        283       3749      334.85   11.19606 | 
427. | 2017              Ccapi          Paruro      Cusco          D       33773     98.5        283       3749      334.85   11.19606 | 
428. | 2017              Ccapi          Paruro      Cusco          D      279900     62.5        283       3749      334.85   11.19606 | 
429. | 2016             Colcha          Paruro      Cusco          C       26900     99.2        716       1189      139.98   8.494071 | 
430. | 2016             Colcha          Paruro      Cusco          C     2567159     56.1        716       1189      139.98   8.494071 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
431. | 2018             Colcha          Paruro      Cusco          C      129344     99.9        716       1189      139.98   8.494071 | 
432. | 2017             Colcha          Paruro      Cusco          C     1192571     99.7        716       1189      139.98   8.494071 | 
433. | 2017             Colcha          Paruro      Cusco          C       22438      100        716       1189      139.98   8.494071 | 
434. | 2018             Colcha          Paruro      Cusco          C       14782      100        716       1189      139.98   8.494071 | 
435. | 2018         Huanoquite          Paruro      Cusco          D      424330     14.4        392       5700      362.67   15.71677 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
436. | 2017         Huanoquite          Paruro      Cusco          D      319231      7.6        392       5700      362.67   15.71677 | 
437. | 2018         Huanoquite          Paruro      Cusco          D     1279039     50.4        392       5700      362.67   15.71677 | 
438. | 2016         Huanoquite          Paruro      Cusco          D      284588     90.8        392       5700      362.67   15.71677 | 
439. | 2016         Huanoquite          Paruro      Cusco          D       20189     93.6        392       5700      362.67   15.71677 | 
440. | 2017         Huanoquite          Paruro      Cusco          D     2374400     80.2        392       5700      362.67   15.71677 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
441. | 2018             Omacha          Paruro      Cusco          D      507311     97.3        472       7205      436.21   16.51727 | 
442. | 2016             Omacha          Paruro      Cusco          D     1548589     98.2        472       7205      436.21   16.51727 | 
443. | 2017             Omacha          Paruro      Cusco          D     2633472     99.9        472       7205      436.21   16.51727 | 
444. | 2017             Omacha          Paruro      Cusco          D      244480     95.6        472       7205      436.21   16.51727 | 
445. | 2016             Omacha          Paruro      Cusco          D      426354     99.9        472       7205      436.21   16.51727 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
446. | 2018             Omacha          Paruro      Cusco          D     1560390     95.9        472       7205      436.21   16.51727 | 
447. | 2016             Omacha          Paruro      Cusco          D           0        0        472       7205      436.21   16.51727 | 
448. | 2016       Paccaritambo          Paruro      Cusco          D      156479     92.6        342       2076      142.61   14.55718 | 
449. | 2016       Paccaritambo          Paruro      Cusco          D        7900     98.6        342       2076      142.61   14.55718 | 
98 
 
450. | 2017       Paccaritambo          Paruro      Cusco          D        3354     99.7        342       2076      142.61   14.55718 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
451. | 2018       Paccaritambo          Paruro      Cusco          D       95647     89.9        342       2076      142.61   14.55718 | 
452. | 2018       Paccaritambo          Paruro      Cusco          D           0        0        342       2076      142.61   14.55718 | 
453. | 2017       Paccaritambo          Paruro      Cusco          D      914665       85        342       2076      142.61   14.55718 | 
454. | 2017          Pillpinto          Paruro      Cusco          C     1239753       83        585       1254       79.13   15.84734 | 
455. | 2016          Pillpinto          Paruro      Cusco          C     1652794     95.4        585       1254       79.13   15.84734 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
456. | 2017          Pillpinto          Paruro      Cusco          C           0        0        585       1254       79.13   15.84734 | 
457. | 2018          Pillpinto          Paruro      Cusco          C      134552     39.6        585       1254       79.13   15.84734 | 
458. | 2016          Pillpinto          Paruro      Cusco          C       11600     39.7        585       1254       79.13   15.84734 | 
459. | 2017          Yaurisque          Paruro      Cusco          D       11374     47.2        168       2522       90.80   27.77533 | 
460. | 2016          Yaurisque          Paruro      Cusco          D       21553      100        168       2522       90.80   27.77533 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
461. | 2016          Yaurisque          Paruro      Cusco          D      106325     96.7        168       2522       90.80   27.77533 | 
462. | 2018          Yaurisque          Paruro      Cusco          D      105900     82.1        168       2522       90.80   27.77533 | 
463. | 2017          Yaurisque          Paruro      Cusco          D       51600      100        168       2522       90.80   27.77533 | 
464. | 2018          Yaurisque          Paruro      Cusco          D       11600     76.3        168       2522       90.80   27.77533 | 
465. | 2018        Paucartambo     Paucartambo      Cusco          C     1499087     43.9       1312      13491    1,079.23   12.50058 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
466. | 2017        Paucartambo     Paucartambo      Cusco          C      929841     94.3       1312      13491    1,079.23   12.50058 | 
467. | 2017        Paucartambo     Paucartambo      Cusco          C      516016     94.4       1312      13491    1,079.23   12.50058 | 
468. | 2018        Paucartambo     Paucartambo      Cusco          C      630279       87       1312      13491    1,079.23   12.50058 | 
469. | 2016        Paucartambo     Paucartambo      Cusco          C      771859     98.8       1312      13491    1,079.23   12.50058 | 
470. | 2016        Paucartambo     Paucartambo      Cusco          C      676271      100       1312      13491    1,079.23   12.50058 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
471. | 2016             Caicay     Paucartambo      Cusco          D      159364     90.2        257       2768      110.72         25 | 
472. | 2017             Caicay     Paucartambo      Cusco          D      102559      100        257       2768      110.72         25 | 
473. | 2016             Caicay     Paucartambo      Cusco          D           0        0        257       2768      110.72         25 | 
474. | 2018             Caicay     Paucartambo      Cusco          D      509466     98.6        257       2768      110.72         25 | 
475. | 2017             Caicay     Paucartambo      Cusco          D     2505649     98.3        257       2768      110.72         25 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
476. | 2018             Caicay     Paucartambo      Cusco          D      559136     74.6        257       2768      110.72         25 | 
477. | 2018        Challabamba     Paucartambo      Cusco          D       26297      100        256      11389      746.56    15.2553 | 
478. | 2018        Challabamba     Paucartambo      Cusco          D     4302537      7.8        256      11389      746.56    15.2553 | 
479. | 2017        Challabamba     Paucartambo      Cusco          D      426602     96.3        256      11389      746.56    15.2553 | 
480. | 2017        Challabamba     Paucartambo      Cusco          D       53702       92        256      11389      746.56    15.2553 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
481. | 2016        Challabamba     Paucartambo      Cusco          D     1115309       99        256      11389      746.56    15.2553 | 
482. | 2016        Challabamba     Paucartambo      Cusco          D       84574      100        256      11389      746.56    15.2553 | 
483. | 2017         Colquepata     Paucartambo      Cusco          D      453855      100        218      10767      467.68   23.02215 | 
484. | 2016         Colquepata     Paucartambo      Cusco          D      665821     89.7        218      10767      467.68   23.02215 | 
485. | 2016         Colquepata     Paucartambo      Cusco          D     1484999      100        218      10767      467.68   23.02215 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
486. | 2018         Colquepata     Paucartambo      Cusco          D     1777471     92.1        218      10767      467.68   23.02215 | 
487. | 2017         Colquepata     Paucartambo      Cusco          D      404292     99.8        218      10767      467.68   23.02215 | 
488. | 2018         Colquepata     Paucartambo      Cusco          D       74204     98.2        218      10767      467.68   23.02215 | 
489. | 2016         Huancarani     Paucartambo      Cusco          D      693207     94.6        443       7774      145.14   53.56208 | 
490. | 2016         Huancarani     Paucartambo      Cusco          D      122431     70.8        443       7774      145.14   53.56208 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
491. | 2018         Huancarani     Paucartambo      Cusco          D       99165     99.9        443       7774      145.14   53.56208 | 
492. | 2018         Huancarani     Paucartambo      Cusco          D       32524      100        443       7774      145.14   53.56208 | 
493. | 2017         Huancarani     Paucartambo      Cusco          D      367056     99.5        443       7774      145.14   53.56208 | 
494. | 2017         Huancarani     Paucartambo      Cusco          D       87168       92        443       7774      145.14   53.56208 | 
495. | 2017          Kosñipata     Paucartambo      Cusco          D       46013     61.6        473       5692    3,745.68   1.519617 | 
99 
 
     |---------------------------------------------------------------------------------------------------------------------------------| 
496. | 2017          Kosñipata     Paucartambo      Cusco          D      125001     99.1        473       5692    3,745.68   1.519617 | 
497. | 2016          Kosñipata     Paucartambo      Cusco          D      154935     94.5        473       5692    3,745.68   1.519617 | 
498. | 2016          Kosñipata     Paucartambo      Cusco          D      135323      100        473       5692    3,745.68   1.519617 | 
499. | 2018          Kosñipata     Paucartambo      Cusco          D       69165      100        473       5692    3,745.68   1.519617 | 
500. | 2018          Kosñipata     Paucartambo      Cusco          D       23645      100        473       5692    3,745.68   1.519617 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
501. | 2018              Urcos    Quispicanchi      Cusco          C     1085345     68.3       1411       9412      134.65   69.89974 | 
502. | 2016              Urcos    Quispicanchi      Cusco          C     1097186     67.1       1411       9412      134.65   69.89974 | 
503. | 2016              Urcos    Quispicanchi      Cusco          C       82305     91.2       1411       9412      134.65   69.89974 | 
504. | 2018              Urcos    Quispicanchi      Cusco          C       29094     97.6       1411       9412      134.65   69.89974 | 
505. | 2017              Urcos    Quispicanchi      Cusco          C        9920      100       1411       9412      134.65   69.89974 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
506. | 2017              Urcos    Quispicanchi      Cusco          C     1786048       98       1411       9412      134.65   69.89974 | 
507. | 2016     Andahuaylillas    Quispicanchi      Cusco          C      284032     29.3        836       5558       84.60    65.6974 | 
508. | 2017     Andahuaylillas    Quispicanchi      Cusco          C      319878     94.1        836       5558       84.60    65.6974 | 
509. | 2018     Andahuaylillas    Quispicanchi      Cusco          C      143672     87.9        836       5558       84.60    65.6974 | 
510. | 2018     Andahuaylillas    Quispicanchi      Cusco          C      532258     92.7        836       5558       84.60    65.6974 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
511. | 2016     Andahuaylillas    Quispicanchi      Cusco          C       16522      100        836       5558       84.60    65.6974 | 
512. | 2017     Andahuaylillas    Quispicanchi      Cusco          C       18000     87.7        836       5558       84.60    65.6974 | 
513. | 2017            Camanti    Quispicanchi      Cusco          C       16546     35.5        248       2094    3,174.93   .6595421 | 
514. | 2017            Camanti    Quispicanchi      Cusco          C      279018       21        248       2094    3,174.93   .6595421 | 
515. | 2018            Camanti    Quispicanchi      Cusco          C       19866     94.4        248       2094    3,174.93   .6595421 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
516. | 2018            Camanti    Quispicanchi      Cusco          C      118411     95.2        248       2094    3,174.93   .6595421 | 
517. | 2016            Camanti    Quispicanchi      Cusco          C       37286     89.8        248       2094    3,174.93   .6595421 | 
518. | 2016            Camanti    Quispicanchi      Cusco          C      255625     89.2        248       2094    3,174.93   .6595421 | 
519. | 2017          Ccarhuayo    Quispicanchi      Cusco          C     1849423     14.6        154       3173      313.89   10.10864 | 
520. | 2018          Ccarhuayo    Quispicanchi      Cusco          C           0        0        154       3173      313.89   10.10864 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
521. | 2016          Ccarhuayo    Quispicanchi      Cusco          C           0        0        154       3173      313.89   10.10864 | 
522. | 2016          Ccarhuayo    Quispicanchi      Cusco          C           0        0        154       3173      313.89   10.10864 | 
523. | 2018          Ccarhuayo    Quispicanchi      Cusco          C     3105919     91.9        154       3173      313.89   10.10864 | 
524. | 2017             Ccatca    Quispicanchi      Cusco          C       56735       92        549      18128      307.72    58.9107 | 
525. | 2018             Ccatca    Quispicanchi      Cusco          C     4293523     61.6        549      18128      307.72    58.9107 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
526. | 2016             Ccatca    Quispicanchi      Cusco          C      127473       97        549      18128      307.72    58.9107 | 
527. | 2018             Ccatca    Quispicanchi      Cusco          C       75846       91        549      18128      307.72    58.9107 | 
528. | 2017             Ccatca    Quispicanchi      Cusco          C     2163312     95.9        549      18128      307.72    58.9107 | 
529. | 2016             Ccatca    Quispicanchi      Cusco          C       74608     95.1        549      18128      307.72    58.9107 | 
530. | 2016           Cusipata    Quispicanchi      Cusco          D       31225      100        432       4795      248.03   19.33234 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
531. | 2017           Cusipata    Quispicanchi      Cusco          D        3464     96.7        432       4795      248.03   19.33234 | 
532. | 2016           Cusipata    Quispicanchi      Cusco          D        9450      100        432       4795      248.03   19.33234 | 
533. | 2018           Cusipata    Quispicanchi      Cusco          D           0        0        432       4795      248.03   19.33234 | 
534. | 2017           Cusipata    Quispicanchi      Cusco          D       68710     11.6        432       4795      248.03   19.33234 | 
535. | 2018           Cusipata    Quispicanchi      Cusco          D     4404173       .7        432       4795      248.03   19.33234 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
536. | 2017              Huaro    Quispicanchi      Cusco          D       87700     48.1        692       4508      106.28   42.41626 | 
537. | 2018              Huaro    Quispicanchi      Cusco          D       71680      100        692       4508      106.28   42.41626 | 
538. | 2016              Huaro    Quispicanchi      Cusco          D       75495     54.3        692       4508      106.28   42.41626 | 
539. | 2017              Huaro    Quispicanchi      Cusco          D           0        0        692       4508      106.28   42.41626 | 
540. | 2017              Huaro    Quispicanchi      Cusco          D           0        0        692       4508      106.28   42.41626 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
100 
 
541. | 2018              Huaro    Quispicanchi      Cusco          D           0        0        692       4508      106.28   42.41626 | 
542. | 2018              Huaro    Quispicanchi      Cusco          D           0        0        692       4508      106.28   42.41626 | 
543. | 2016              Huaro    Quispicanchi      Cusco          D      119437      100        692       4508      106.28   42.41626 | 
544. | 2016              Huaro    Quispicanchi      Cusco          D        6351      100        692       4508      106.28   42.41626 | 
545. | 2018              Lucre    Quispicanchi      Cusco          C        2000        0        956       4051      118.78   34.10507 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
546. | 2018              Lucre    Quispicanchi      Cusco          C      205122     70.3        956       4051      118.78   34.10507 | 
547. | 2016              Lucre    Quispicanchi      Cusco          C       49201      100        956       4051      118.78   34.10507 | 
548. | 2017              Lucre    Quispicanchi      Cusco          C       99059     99.3        956       4051      118.78   34.10507 | 
549. | 2016              Lucre    Quispicanchi      Cusco          C       50401     88.5        956       4051      118.78   34.10507 | 
550. | 2018          Marcapata    Quispicanchi      Cusco          D       13283     77.4        210       4533    1,687.91    2.68557 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
551. | 2017          Marcapata    Quispicanchi      Cusco          D      597772       86        210       4533    1,687.91    2.68557 | 
552. | 2016          Marcapata    Quispicanchi      Cusco          D       43553      100        210       4533    1,687.91    2.68557 | 
553. | 2018          Marcapata    Quispicanchi      Cusco          D      617049     98.6        210       4533    1,687.91    2.68557 | 
554. | 2016          Marcapata    Quispicanchi      Cusco          D       55385      100        210       4533    1,687.91    2.68557 | 
555. | 2017          Marcapata    Quispicanchi      Cusco          D        7500     53.3        210       4533    1,687.91    2.68557 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
556. | 2016          Marcapata    Quispicanchi      Cusco          D     1256164     93.3        210       4533    1,687.91    2.68557 | 
557. | 2017          Marcapata    Quispicanchi      Cusco          D       15000        0        210       4533    1,687.91    2.68557 | 
558. | 2016           Ocongate    Quispicanchi      Cusco          C      161799     71.9        626      15889      952.66   16.67856 | 
559. | 2017           Ocongate    Quispicanchi      Cusco          C      475000     87.4        626      15889      952.66   16.67856 | 
560. | 2018           Ocongate    Quispicanchi      Cusco          C     1124161     96.8        626      15889      952.66   16.67856 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
561. | 2016           Ocongate    Quispicanchi      Cusco          C     1715842     86.1        626      15889      952.66   16.67856 | 
562. | 2018           Ocongate    Quispicanchi      Cusco          C     1076107     78.1        626      15889      952.66   16.67856 | 
563. | 2017           Ocongate    Quispicanchi      Cusco          C     1077043     72.2        626      15889      952.66   16.67856 | 
564. | 2018            Oropesa    Quispicanchi      Cusco          D      233207       74       1764       7428       74.44   99.78506 | 
565. | 2017            Oropesa    Quispicanchi      Cusco          D       11975     19.7       1764       7428       74.44   99.78506 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
566. | 2016            Oropesa    Quispicanchi      Cusco          D     4117618     32.5       1764       7428       74.44   99.78506 | 
567. | 2017            Oropesa    Quispicanchi      Cusco          D     2971010     99.5       1764       7428       74.44   99.78506 | 
568. | 2016            Oropesa    Quispicanchi      Cusco          D       46465     96.6       1764       7428       74.44   99.78506 | 
569. | 2018            Oropesa    Quispicanchi      Cusco          D        2440      100       1764       7428       74.44   99.78506 | 
570. | 2018         Quiquijana    Quispicanchi      Cusco          C      127750     99.2        530      11100      360.90   30.75644 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
571. | 2017         Quiquijana    Quispicanchi      Cusco          C      229830     88.8        530      11100      360.90   30.75644 | 
572. | 2017         Quiquijana    Quispicanchi      Cusco          C     2895622     96.3        530      11100      360.90   30.75644 | 
573. | 2016         Quiquijana    Quispicanchi      Cusco          C     2552405     83.1        530      11100      360.90   30.75644 | 
574. | 2016         Quiquijana    Quispicanchi      Cusco          C       10000     17.9        530      11100      360.90   30.75644 | 
575. | 2018         Quiquijana    Quispicanchi      Cusco          C      401161     72.1        530      11100      360.90   30.75644 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
576. | 2017           Urubamba        Urubamba      Cusco          C      688083     17.4       2735      21424      128.28   167.0097 | 
577. | 2016           Urubamba        Urubamba      Cusco          C      611768     38.3       2735      21424      128.28   167.0097 | 
578. | 2017           Urubamba        Urubamba      Cusco          C      400723     76.8       2735      21424      128.28   167.0097 | 
579. | 2018           Urubamba        Urubamba      Cusco          C      111200     68.6       2735      21424      128.28   167.0097 | 
580. | 2016           Urubamba        Urubamba      Cusco          C      275108     64.1       2735      21424      128.28   167.0097 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
581. | 2018           Urubamba        Urubamba      Cusco          C      150822     97.8       2735      21424      128.28   167.0097 | 
582. | 2017          Chinchero        Urubamba      Cusco          C      152167     99.9        877       9896       94.57   104.6421 | 
583. | 2018          Chinchero        Urubamba      Cusco          C      596242     99.7        877       9896       94.57   104.6421 | 
584. | 2016          Chinchero        Urubamba      Cusco          C      230309     94.7        877       9896       94.57   104.6421 | 
585. | 2017          Chinchero        Urubamba      Cusco          C     6160889     98.5        877       9896       94.57   104.6421 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
586. | 2018          Chinchero        Urubamba      Cusco          C       89236     93.3        877       9896       94.57   104.6421 | 
101 
 
587. | 2016          Chinchero        Urubamba      Cusco          C     6280789     99.4        877       9896       94.57   104.6421 | 
588. | 2016       Huayllabamba        Urubamba      Cusco          D           0        0        439       5332      102.47   52.03474 | 
589. | 2016       Huayllabamba        Urubamba      Cusco          D       41960     84.7        439       5332      102.47   52.03474 | 
590. | 2018       Huayllabamba        Urubamba      Cusco          D       12317     96.6        439       5332      102.47   52.03474 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
591. | 2017       Huayllabamba        Urubamba      Cusco          D      485043       99        439       5332      102.47   52.03474 | 
592. | 2017       Huayllabamba        Urubamba      Cusco          D       45282       61        439       5332      102.47   52.03474 | 
593. | 2018       Huayllabamba        Urubamba      Cusco          D      323418     70.4        439       5332      102.47   52.03474 | 
594. | 2016       Huayllabamba        Urubamba      Cusco          D      545195     93.9        439       5332      102.47   52.03474 | 
595. | 2016        Machupicchu        Urubamba      Cusco          C       27341     93.2       1061       8471      271.44   31.20763 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
596. | 2018        Machupicchu        Urubamba      Cusco          C       83366     92.6       1061       8471      271.44   31.20763 | 
597. | 2017        Machupicchu        Urubamba      Cusco          C     4754355     96.1       1061       8471      271.44   31.20763 | 
598. | 2017        Machupicchu        Urubamba      Cusco          C      464915     19.9       1061       8471      271.44   31.20763 | 
599. | 2016        Machupicchu        Urubamba      Cusco          C     3253403       62       1061       8471      271.44   31.20763 | 
600. | 2018        Machupicchu        Urubamba      Cusco          C     4864823     94.1       1061       8471      271.44   31.20763 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
601. | 2016              Maras        Urubamba      Cusco          C      103400       90        516       5900      131.85   44.74782 | 
602. | 2016              Maras        Urubamba      Cusco          C     2056418     81.4        516       5900      131.85   44.74782 | 
603. | 2017              Maras        Urubamba      Cusco          C      123095     94.6        516       5900      131.85   44.74782 | 
604. | 2018              Maras        Urubamba      Cusco          C      224740       11        516       5900      131.85   44.74782 | 
605. | 2017              Maras        Urubamba      Cusco          C     2064902       91        516       5900      131.85   44.74782 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
606. | 2018              Maras        Urubamba      Cusco          C     1747371     94.7        516       5900      131.85   44.74782 | 
607. | 2016      Ollantaytambo        Urubamba      Cusco          C     6269185     70.4        640      11347      640.25   17.72276 | 
608. | 2016      Ollantaytambo        Urubamba      Cusco          C         684      100        640      11347      640.25   17.72276 | 
609. | 2017      Ollantaytambo        Urubamba      Cusco          C     4522348     94.9        640      11347      640.25   17.72276 | 
610. | 2017      Ollantaytambo        Urubamba      Cusco          C           0        0        640      11347      640.25   17.72276 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
611. | 2018      Ollantaytambo        Urubamba      Cusco          C      548850     88.8        640      11347      640.25   17.72276 | 
612. | 2017              Yucay        Urubamba      Cusco          C       11250     77.3        681       3390       70.57   48.03741 | 
613. | 2017              Yucay        Urubamba      Cusco          C      354465     65.1        681       3390       70.57   48.03741 | 
614. | 2018              Yucay        Urubamba      Cusco          C      411117     98.5        681       3390       70.57   48.03741 | 
615. | 2018              Yucay        Urubamba      Cusco          C       24094     97.9        681       3390       70.57   48.03741 | 
     |---------------------------------------------------------------------------------------------------------------------------------| 
616. | 2016              Yucay        Urubamba      Cusco          C       19300     92.1        681       3390       70.57   48.03741 | 
617. | 2016              Yucay        Urubamba      Cusco          C       69172     69.3        681       3390       70.57   48.03741 | 
     +---------------------------------------------------------------------------------------------------------------------------------+