El territorio del Perú, según límites políticos, se organiza en 24 departamentos (en adelante regiones) y una provincia constitucional (Callao) espacialmente ubicada en Lima, la capital nacional. Otra característica -sensible al tomar decisiones- es la naturaleza del producto bruto interno (PBI) entre formal (82.3%) e informal (17.7%), vinculante con empleo y trabajo, y el 55.8% de la población económicamente activa (PEA) es informal.

Perú tenía en 2021 una población estimada en 33 035 300 habitantes. El sector informal estaba conformado en ese año por 7 815 000 unidades productivas. La producción del sector informal representó el 17.6% del PBI . Tres de cada cuatro (76.8%) trabajadores de la PEA ocupada se desempeñaban en un empleo informal, el 62.4% en un empleo informal dentro del sector informal y el 14.4% en un empleo informal fuera del sector informal (INEI, 2022, p. 7).

La estructura productiva peruana se concentra sustancialmente en extracción de petróleo, gas y minerales y en otros servicios (restaurantes, comercio, turismo, etc.), ocupaciones donde la informalidad está presente según la complejidad productiva, el nivel de financiamiento demandado -comparativamente- o las regulaciones y la participación de una o más entidades administrativas, según actividades dominantes (véase Cuadro 2).

CUADRO 1

Región	Superficie (km2)	Habitantes (miles)	Región	Superficie (km2)	Habitantes (miles)
Amazonas	39 49.13	428.5	Lambayeque	14 231.30	1 325.9
Ancash	35 914.81	1 188.4	Lima-Callao	34 948.57	11 966.0
Apurímac	20 895.79	430.6	Loreto	368 851.95	1 037.1
Arequipa	63 345.39	1 526.7	Madre de Dios	85 300.54	179.7
Ayacucho	43 814.80	670.0	Moquegua	15 733.97	195.2
Cajamarca	33 317.54	1 455.2	Pasco	25 319.59	270.8
Cusco	71 986.50	1 369.9	Piura	35 892.49	2 077.0
Huancavelica	22 131.47	358.4	Puno	71 999.00	1 233.3
Huánuco	36 848.85	758.4	San Martín	51 253.31	912.7
Ica	21 327.83	998.1	Tacna	16 075.89	377.8
Junín	44 197.23	1 369.0	Tumbes	4 669.20	255.7
La Libertad	25 499.90	2 048.5	Ucayali	102 410.55	602.4

Fuente: Elaboración propia con base en INEI (2021, pp. 8-17).

La informalidad emerge globalmente en forma y magnitud diversas, y según las características propias de cada país y su dinámica económica y social. Citando a Deléchat y Medina (2021):

Alonso (1990) conceptualiza la informalidad como la generación de ingresos económicos fuera de instituciones sociales, en las que actividades semejantes están legalmente reguladas. Afirma que existe un proceso de «informalización», en el cual la ausencia de regulación institucional afecta el trabajo. Define el sector informal como la producción no regulada de bienes lícitos. Resalta la formación de un modelo descentralizado de organización económica en que grandes empresas modernas no se organizan para hacer desaparecer el sector informal, sino para apoyarse en él a partir de la subcontratación. Esto crea una tendencia al crecimiento y la multiplicación de microempresas aparejada a la reducción de costos de producción. Con ello, lo referente al trabajo y los efectos de la informalización también son evidentes: se debilita el poder de lucha de las organizaciones laborales; proliferan las relaciones de trabajo inestables y carentes de protección; los talleres domiciliarios sustituyen a las fábricas; la fuerza de trabajo se segmenta de acuerdo con la edad, el género y las identidades étnicas (pp. 192-195).

CUADRO 2

Región	Agricultura, ganadería, caza y silvicultura (%)	Extracción de petróleo, gas y minerales (%)	Manufactura (%)	Electricidad, gas y agua (%)	Otros servicios (%)
Amazonas	2007 (38.0)
	2021 (30.5)
Ancash		2007 (55.0)
		2021 (44.4)
Apurímac		2007 (28.5)
		2021 (58.2)
Arequipa		2007 (26.7)
		2021 (30.9)
Ayacucho		2007 (23.4)			2021 (20.2)
Cajamarca		2007 (30.5)			2021 (24.4)
Cusco		2007 (33.6)
		2021 (41.5)
Huancavelica				2007 (29.7)
				2021 (32.0)
Huánuco	2007 (23.0)
	2021 (19.8)
Ica		2021 (19.4)	2007 (20.0)
Junín		2007 (30.0)
		2021 (28.1)
La Libertad					2007 (19.4)
					2021 (21.5)
Lambayeque					2007 (30.5)
					2021 (27.0)
Lima y Callao					2007 (32.9)
					2021 (34.1)
Loreto		2007 (35.0)			2021 (23.8)
Madre de Dios		2007 (53.0)			2021 (22.4)
Moquegua		2007 (40.0)	2021 (44.1)
Pasco		2007 (76.4)
		2021 (54.6)
Piura					2007 (19.2)
					2021 (20.6)
Puno					2007 (23.1)
					2021 (23.3)
San Martín	2007 (26.8)
	2021 (26.8)
Tacna		2007 (48.5)
		2021 (47.4)
Tumbes					2007 (20.9)
					2021 (20.3)
Ucayali			2007 (19.8)		2021 (23.2)

Fuente: Elaboración propia con base en INEI (2023, Cuadros 2 y 3).

El Banco Mundial (2007) señala que existen y concurren diversas condiciones que las personas deben aceptar o que, aun cuando lo intentan, les resultan difíciles de cumplir. Irrumpe así en la economía lo «informal», que es lo opuesto, lo ilegal o las industrias del crimen, a lo que se suma el «escape» de la formalidad o la «exclusión». Argumentan que escogen su nivel óptimo de vinculación con los mandatos y las instituciones del Estado, lo cual depende de la valoración de los beneficios netos asociados con la formalidad y los esfuerzos y la capacidad del Estado para hacer cumplir la ley. Es decir, hacen el análisis costo-beneficio implícito para decidir si deben pasar o no a la formalidad, y con frecuencia deciden en contra de esto (p. 2).

Tal dimensión de «escape» se resalta poco en la literatura: trabajadores, empresas y familias, descontentas con el desempeño del Estado o por no contar con beneficio alguno en la interacción con éste, optan por la informalidad.

El Instituto Nacional de Estadística e Informática (INEI) de Perú, para orientar el registro consistente de informalidad y generar el proceso y la formulación de la Cuenta Satélite de la Economía Informal, indica:

Precisa el INEI que la economía informal tiene dos dimensiones distintas: el sector informal, el cual comprende las unidades productivas no constituidas en sociedad, que no se encuentran registradas en la administración tributaria, y el empleo informal, constituido por los ausentes de los beneficios estipulados por ley como seguridad social, gratificaciones, vacaciones pagadas, etcétera (INEI, 2012, p. 9).

Para influir en la informalidad, el Ministerio de Economía y Finanzas de Perú formula el Plan Nacional de Competitividad y Productividad 2019-2030,¹ que busca impulsar el crecimiento económico a mediano y largo plazo mediante objetivos prioritarios (OP).

Para el OP capital humano, establece que existe aún población que intenta insertarse en el mercado laboral con sólo estudios de secundaria completa o incompleta (70%). Asimismo, prevalece la anemia en niñas y niños de seis a 35 meses, que es mayor del 40% y causa deterioros irreversibles en el desarrollo cognitivo de quienes la sufren en la primera infancia. La Encuesta Demográfica y de Salud Familiar 2018 del INEI revela que existe un elevado riesgo de que los niños no alcancen la plenitud de su potencial, pues el 12.2% de los menores de cinco años es de talla baja, el 22.6% nacieron prematuramente y el 7.3% presentaron bajo peso al nacer. Además, casi 1.5 millones de jóvenes de entre 15 y 29 años no estudia ni trabaja («ninis»), lo cual representa el 19.2% de la población joven.

CUADRO 3

Departamento		Empleo informal
	Total (%)	Dentro del sector (%)	Fuera del sector (%)
Huancavelica	94.8	87.3	7.5
Apurímac	90.6	82.1	8.4
Puno	90.4	81.7	8.6
Huánuco	89.9	82.6	7.3
Cajamarca	89.4	81.6	7.8
San Martín	89.3	79.0	10.3
Ayacucho	88.8	79.5	9.3
Amazonas	88.3	80.6	7.7
Cusco	87.2	78.1	9.1
Loreto	85.9	73.4	12.5
Pasco	85.5	76.4	9.0
Junín	85.3	74.1	11.2
Ucayali	85.3	70,7	14.6
Ancash	83.3	72.2	11.1
Piura	82.1	70.9	11.3
Tumbes	81.9	68.6	13.3
Madre de Dios	80.4	71.3	9.1
Tacna	77.9	62.0	15.8
Lambayeque	76.2	60.6	15.6
La Libertad	73.3	59.6	13.7
Moquegua	70.1	55.4	14.7
Arequipa	69.1	52.5	16.6
Ica	69.0	54.4	14.6
Lima	63.4	42.2	21.2
Total nacional	76.8	62.4	14.4

Fuente: INEI (2025, Cuadro 1.3; 2021b). También pueden existir empleos informales en sectores institucionales que por definición son «formales»: sociedades financieras y no financieras, instituciones sin fines de lucro y gobierno.

En cuanto al OP mercado laboral, según el INEI en 2017 al menos nueve de cada diez trabajadores de jornadas a tiempo parcial laboran sin contrato alguno y empresas con menos de diez trabajadores concentran al 72.4% de los asalariados privados (en 2018 sólo 8% de los trabajadores formales estaban contratados bajo el régimen especial de microempresa), y el desempleo de jóvenes de 15 a 29 años aumentó de 7.6% en 2014 a 8.5% en 2018, la gran mayoría de ellos (78.0%) en empleos informales, y el 62.1% de quienes cuentan con estudios superiores muestran una alta tasa de inadecuación ocupacional (INEI, 2022).

Respecto al OP financiamiento, según la Superintendencia de Banca, Seguros y AFP (SBS) y el Ministerio de la Producción (PRODUCE), sólo el 6.0% de las micro y pequeñas empresas formales accede al sistema financiero, pero a tasas de interés hasta cuatro veces más costosas que las de grandes empresas.

Según la Encuesta Nacional de Innovación en la Industria Manufacturera 2015, levantada por el INEI en coordinación con el produce, en Perú el 31.9% de las empresas mencionó como obstáculo para el desarrollo de innovación la escasez de personal calificado, el costo elevado de la innovación (37.5%) y la falta de fondos (33.7%).

En Perú la informalidad se explica por diversos factores y sustancialmente interpretaciones antagónicas, que van desde la intromisión del Estado mediante regulaciones excesivas, injerencia en la economía y no neutralidad² hasta posturas políticas sobre el papel estatal y la exclusión derivada de su intervención en favor de ciertos grupos, posturas que no han sido probadas categóricamente. En relación con el trabajo informal, una investigación referida a la realidad de la informalidad en el país previa a su bicentenario lo asocia con pobreza, poca productividad, pocos ingresos económicos y bajos niveles educativos, como causas de que no se crean suficientes puestos laborales adecuados y productivos para la cantidad de jóvenes que se integran a la PEA (Kamichi, 2023, p. 15).

Puesto que resulta problemática la desproporción entre trabajo informal y empleo formal, el objetivo de este artículo es establecer el impacto del trabajo informal respecto a las características regionales del país a corto y largo plazo. Para ello es necesario identificar la relevancia de los factores determinantes y la influencia del Estado para revertirlo y analizar la informalidad mediante el modelo ARDL, estructurado sobre un set de variables para estimar los efectos de corto y largo plazo. El ARDL es un modelo econométrico que facilita examinar las relaciones a largo plazo y la dinámica a corto plazo entre variables.

El enfoque Toda-Yamamoto facilita identificar relaciones causales, especialmente si las variables son sensibles a efectos de retroalimentación o exhibir dinámicas no lineales o posibles problemas de endogeneidad, controlando otros factores contextualmente, y procura investigar si cambios en una variable conducen a cambios en otra, o viceversa.

Intuitivamente, el trabajo informal se gesta sustancialmente en organizaciones de igual clase. Se perciben limitaciones del Estado o gobierno (administración elegida) en cuanto a la generación de condiciones para crear empresas que empleen personal, y cuando son creadas el sector privado considera que no son adecuadas; o bien las oportunidades empresariales demandan montos de financiamiento crítico (segregación financiera negativa) o recursos urgentes para subsistir que gatillen cualquier actividad no formalizada, en que la informalidad e ilegalidad podrían mimetizarse. De otro lado, la preparación para el trabajo y su divergencia respecto al tipo de actividad empleadora (tarea reguladora de la educación) no sigue sustancialmente las tendencias de los inversores privados o las preferencias (actividades primarias, secundarias o terciarias), los mecanismos de transmisión o se evidencia la distorsión de mercados por posición dominante.

Ello implica diseño de política económica³ o de instrumentos compensatorios territoriales y de un marco de economía política⁴ integrador, entendiendo la informalidad como un rasgo residual⁵ en que el enfoque territorial debe ser abordado mediante la economía espacial como marco perfecto para explorar el efecto en el espacio. Ello supera el propósito de este artículo, que es establecer, dados ciertos factores determinantes, la interrelación en las 24 regiones del Perú, la influencia del Estado para revertirlo y el impacto regional, en un marco limitado de análisis similares al caso peruano.

La hipótesis de investigación es que el trabajo informal en Perú es influido por el PBI per cápita, el empleo formal, la calidad regulatoria, el gasto público, el consumo de energía eléctrica y la industria (contribuyentes), y tienden a dejar de incrementarse tales variables.

Se analiza y correlaciona la informalidad con tales variables, que se consideran consistentes y compatibles con el análisis y la revisión de literatura vinculada. Se fundamenta el análisis del problema mediante el modelo ARDL, considerando varios factores: 1) el incremento del PBI per cápita, que implica mejorar la capacidad de gasto individual y familiar para una mayor producción (eventualmente productividad) empresarial y capacidad de emplear y cumplir regulaciones laborales; 2) el aumento del empleo formal, lo cual induce que personas que previamente se encontraban en la economía informal se trasladen a empleos con mayor estabilidad, mejor condición laboral y beneficios como seguridad social, jubilación y seguro de salud, lo que reduce la cantidad de personas empleadas en el sector informal e induce el derrame económico; 3) el incremento de la calidad regulatoria, que mejora las condiciones empresariales, facilita el cumplimiento normativo y crea incentivos para que empresas y trabajadores se integren al sector formal; 4) el aumento del gasto público, que implica que el gobierno invierta mejor en áreas estratégicas como infraestructura, educación, salud o programas sociales, lo cual impulsa los empleos directos (programas y proyectos del sector público) e indirectos (empresas privadas que contratan para proyectos gubernamentales, que suelen estar formalizados), y que programas de subsidios, créditos o capacitación incentiven la formalización de micro y pequeñas empresas; 5) el aumento del consumo de energía eléctrica, que por su conexión con el desarrollo económico facilita la modernización productiva y ampliación del ciclo productivo y el mercado laboral, lo que formaliza actividades económicas, y 6) el incremento de la industria (contribuyentes activos); al ampliarse la base tributaria, una mayor parte de la actividad económica pasa al sistema formal y se reduce la informalidad, lo que refleja políticas públicas en favor de la formalización como simplificación de trámites, reducción de costos fiscales o regímenes especiales (funcionales y verificables) para pequeños contribuyentes y un clima adecuado para invertir.

Se resalta que no se analiza de manera independiente la correlación entre tasa de informalidad laboral y ciclos si la economía se contrae o expande (respectivamente expansión y contracción informal), pues la informalidad se considera estructural o de largo plazo.

En esta sección se revisan los aportes significativos de la literatura en relación con el trabajo informal, a partir de la formulación de sus análisis.

La producción económica de bienes y servicios, tanto formal como informal, demanda factores, y éstos, a su vez, recursos para diferentes procesos. La regulación y burocracia excesivas conducen directamente a la informalidad, así como las prácticas vetadas (corruptas) y las distorsiones institucionales. La Organización Internacional de Empleadores (OIE) señala:

Muchos estudios se concentran en analizar la relación entre consumo de energía y producción agregada. Marroquín et al., (2015), quienes investigan empíricamente la relación del consumo de energía con la producción y el empleo industrial en México durante el periodo 2003-2012 en las distintas clases manufactureras aplicando pruebas de causalidad de Granger, pruebas de cointegración de panel y el modelo de corrección de errores, entre otros hallazgos, encuentran que la producción industrial depende del uso de energía (y viceversa), que el sector manufacturero influye en la economía y que el papel de la energía adquiere mayor relevancia (p. 397).

Ameyaw et al. (2017) analizan la correspondencia entre consumo eléctrico y crecimiento en Ghana y contrastan la hipótesis de que el crecimiento del consumo de energía conduce al crecimiento económico. Encuentran que existe una causalidad unidireccional entre ambos factores y que las políticas relacionadas con la conservación de la energía pueden instrumentarse sin ningún efecto sobre el crecimiento económico (pp. 4-5).

El consumo de energía, la producción y el comercio en América Latina son analizados por Sadorsky (2012). Este autor estudia una extensa bibliografía que se ocupa de la relación entre el consumo de energía y la producción económica, y otra bibliografía aún más extensa que analiza la relación entre la producción económica y las exportaciones; pero revisa poca literatura que reúna estas dos corrientes por separado. Encuentra que a corto y largo plazo hay una relación de retroalimentación entre exportaciones y consumo de energía, lo cual implica que si los elementos del crecimiento asociados no son incorporados en la gestión, probablemente subestimarán la demanda de energía (pp. 485-487).

Del Hoyo et al. (2011) se enfocan en las relaciones dinámicas entre el consumo de electricidad y el PBI y analizan tanto la dirección de causalidad como la estabilidad de tal relación mediante funciones de correlación cruzada en España durante el período de 1970 a 2010. Utilizan como filtro del modelo univariante la tasa de variación del PBI y el procedimiento de dos filtros, incorporando el de tasa de variación del consumo de electricidad, y contrastan su validez tanto con toda la muestra como a lo largo de ella (estabilidad paramétrica). Sus resultados indican que existe relación de causalidad entre el PBI y el consumo de energía eléctrica, una relación significativa y estable a lo largo del periodo estudiado (p. 489).

En un estudio para Chile durante el período 1975-2011, Galindo (2014) emplea como variables el crecimiento económico y el consumo de energía eléctrica, incluye el empleo como tercera variable de análisis y aplica la metodología de causalidad trivariada de Odhiambo (2009) para establecer su orden de integración y verificar la relación de cointegración entre estos factores mediante la prueba de cointegración de Johansen y la causalidad en sentido de Granger por medio del modelo de corrección de error (MCE). Encuentra que al 5% de significancia no existe relación de causalidad entre el consumo de energía eléctrica y el crecimiento económico, pero sí del consumo de energía eléctrica y el crecimiento económico con el empleo. Al 10% de significancia encuentra relación de causalidad del consumo de electricidad con el crecimiento económico (pp. 33-34).

En su trabajo sobre variables de consumo de energía (agregada, combustibles y energía eléctrica, producción manufacturera y nivel de empleo) en México entre 2003 y 2012, Neme et al. (2015) encuentran que existe relación de causalidad tanto a corto como a largo plazo entre la producción manufacturera y el consumo de energía en el sector, y parece comprobarse la hipótesis de realimentación. En los dos enfoques temporales hay relación de causalidad bidireccional del consumo de energía agregada, electricidad y combustibles y lubricantes con el valor agregado y el empleo; no existe evidencia para aceptar las hipótesis de crecimiento, conservación o neutralidad y se establece que la producción industrial depende del uso de energía y viceversa. Dado que el sector manufacturero influye en la economía mexicana, el papel de la energía adquiere mayor relevancia. La evolución de la oferta y los precios de la energía impacta la producción industrial y, aunque en menor medida, el empleo (pp. 138-140).

Marroquín y Ríos (2017) efectúan una evaluación empírica sobre el papel de los precios de la energía en el crecimiento económico de México entre 2000 y 2014. Mediante un modelo de crecimiento endógeno de dos sectores que muestra la relación entre precios de energía y crecimiento del producto y el consumo de energía, encuentran que la tasa de crecimiento de la producción y el consumo de energía se ven afectados negativamente por la tasa de crecimiento del precio de la energía. Por lo tanto, el crecimiento económico futuro dependerá del progreso tecnológico, ya que de ello depende el uso eficiente de energía, que podría verse afectado por la demanda mundial de energéticos (pp. 397-398).

Luego de una investigación exploratoria, descriptiva y correlacional sobre Ecuador para el lapso de 1980 a 2016, aplicando datos del PBI y consumo de energía y utilizando un modelo de vectores autorregresivos (VAR) y otro de corrección de errores (VEC) de series de tiempo, Jima (2019) concluye que el consumo de energía eléctrica no afecta positivamente el PBI, por lo que agrega como variable de control la PEA para mejorar el modelo. Encuentra incidencia positiva yendo del PBI al consumo de energía eléctrica y la PEA; por lo tanto, a mayor crecimiento económico, mayor consumo energético y PEA (pp. 72-73).

Enfocado en la relación informalidad-crecimiento económico, Céspedes (2015), utilizando un modelo de elección discreta en un estudio sobre el tema en Perú para el período de 2004 a 2014, destaca que, dada la oferta de información estadística, resulta necesario un indicador con mayor desagregación, por lo que considera el consumo de electricidad como indicador alternativo de actividad económica. Puntualiza que el consumo de electricidad está altamente correlacionado con ella, y establece y valida con diferentes estudios que el consumo de energía es un determinante del crecimiento económico, especialmente en economías en desarrollo (pp. 9-10).

Osorio y Perea (2019) ejecutan correlaciones de las variables PBI, PBI per cápita y empleo departamental con el crecimiento del consumo energético para el departamento del Tolima, Colombia, de 2004 a 2016, con el fin de conocer los factores macroeconómicos de la producción y el empleo que inciden en el consumo de energía. Utilizan un modelo econométrico correlacional que muestra una correlación moderada con significancia del 10% entre variables macroeconómicas y consumo energético, sin rechazar la hipótesis nula (H ₀), la cual establece que no existe relación entre estas dinámicas (pp. 213-215).

Puicón et al. (2020) efectúan una investigación descriptiva, causal y aplicada en la que analizan el impacto que tiene el crecimiento económico sobre el empleo en la región Lambayeque de Perú de 2001 a 2015, y establecen la existencia de una relación de dependencia entre ambos factores. Aunque la economía regional se mostró creciente y fluctuante, el estudio demuestra que existe una débil incidencia del crecimiento económico en la generación de empleo y que ante un aumento del 1.0% en el crecimiento económico, el nivel de empleo experimentó una variación de 0.21% (pp. 417-418).

Rodas et al. (2022) muestran evidencia empírica de distintas relaciones entre las variables consumo eléctrico, crecimiento económico y exportaciones en Honduras de 2005 a 2020. Mediante el análisis de series de tiempo y pruebas de estacionariedad para determinar el orden de integración, y empleando Dickey Fuller aumentada y prueba Phillips-Perrón, encuentran que existe relación de causalidad bidireccional entre el consumo eléctrico y el PBI, de forma que el consumo de energía eléctrica puede no ser significativo en relación con el comportamiento del PBI. Concluyen que en el crecimiento, cuya producción se explica no sólo por factores tradicionales como capital y trabajo, los insumos energéticos desempeñan un papel importante para entender la producción nacional (pp. 138-139).

En su estudio sobre calidad regulatoria en 22 países desarrollados y 53 en desarrollo -21 de América Latina, 22 de África y Medio Oriente y 10 de Asia-,Loayza et al. (2008) desarrollaron siete indicadores sintéticos y examinaron los efectos de la regulación, el crecimiento económico y la informalidad mediante mínimos cuadrados. Entre otros hallazgos, al evaluar los efectos de la regulación en el tamaño del sector informal en relación con el PBI encontraron que un aumento en el mercado de productos o regulación laboral conduce a una expansión de la informalidad y que se ralentiza tal efecto pernicioso a medida que mejora la gobernanza y, por lo tanto, la calidad regulatoria (pp. 10-11).

Rei y Bhattacharya (2008) analizaron mediante un data panel no balanceado de 111 países si la calidad y las regulaciones influyen en la informalidad. Utilizaron un índice de regulaciones del mercado laboral, un índice de restricciones regulatorias a las empresas, un índice de derechos de los trabajadores, un índice de derechos sociales de las mujeres, el indicador del nivel de democracia en el proceso político, un conjunto de indicadores de gobernanza del Banco Mundial que miden la voz y rendición de cuentas, la efectividad del gobierno, el Estado de derecho y el control de la corrupción. Concluyeron que no hay evidencia generalizada de que una mayor tributación o regulación del mercado laboral promueva la economía informal. Encontraron resultados opuestos cuando la regulación o los impuestos se combinan con una mejor gobernanza (incluido control de corrupción), pues la regulación del mercado laboral como fiscalidad ayuda a reducir la economía informal cuando actúa con gobernanza eficaz, y un mayor tamaño del gobierno ayuda a reducir la economía informal. Pero, más allá de un punto, un mayor crecimiento del tamaño del gobierno produce resultados opuestos (pp. 33-34).

En un estudio sobre América Latina realizado utilizando diversos modelos y ecuaciones estructurales y datos de 1989 a 2006, Perry y Maloney (2007) establecen lo siguiente sobre la vinculación entre el gasto público, la fiscalidad y la informalidad como evasión de la responsabilidad social que implica el aspecto fiscal contributivo:

Finalmente, Varela y Retamoza (2023) encuentran en un estudio sobre México hecho con datos trimestrales de 2005 a 2019 que la informalidad deviene recurrente en la literatura sobre mercados laborales, sobre todo por su persistencia en países en vías de desarrollo. Para responder la pregunta de qué factores la explican, estiman modelos autorregresivos de rezagos distribuidos en los que la informalidad laboral es la variable de interés. Establecen que a largo plazo el crecimiento económico per cápita real y una escolaridad de nivel medio y superior contribuyen a reducir la informalidad, y que la acción del gobierno mediante gasto público per cápita atenúa la informalidad (pp. 77-79).

La hipótesis formulada para este trabajo se prueba aplicando una metodología de estudio exploratorio correlacional. Puesto que la producción de literatura científica ad hoc no es suficiente en Perú, se requiere un mejor análisis para el diseño de políticas y gestión pública. Además, el análisis es no experimental y se basa en la recolección de datos y en procesos estadísticos aplicando un modelo econométrico ARDL .

La estadística se ordena como datos de panel -balanceado y completo, con observaciones de corte transversal y de sección cruzada-, lo que permite estructurar y probar modelos complejos sin demasiadas restricciones; incluye heterogeneidad inobservable, a condición de que cambien poco o nada en el tiempo.

Se elige el modelo autorregresivo de rezagos distribuidos o ARDL entre otras opciones técnicas porque tiene la ventaja de que permite trabajar con variables de distintos órdenes de integración: I(0)I(0)I(0) (estacionarias en niveles) e I(1)I(1)I(1) (no estacionarias en niveles pero estacionarias en primeras diferencias). A diferencia de modelos de cointegración como Engle-Granger o Johansen, que requieren que todas las variables sean I(1)I(1)I(1), ARDL es más flexible pues permite una combinación de I(0)I(0) I(0) e I(1)I(1)I(1) y, además, descomponer la relación entre variables en sus efectos de corto plazo, a través de rezagos, y de largo plazo, mediante el término de equilibrio, así como ofrecer estimaciones más eficientes y robustas en muestras pequeñas en comparación con otros métodos de cointegración.

La estructura funcional ARDL típica es:

∆Yit=β0+∑k-1p-1βi∆yi,t-k+∑k=0q-1δik∆xi,t-k+φ1∆yi,t-1+φ2∆xi,t-1+μit (1)

El componente del corto plazo es: ∑k-1p-1βi∆yi,t-k+∑k=0q-1δik∆xi,t-k.

El componente del largo plazo es: φ1∆yi,t-1+φ2∆xi,t-1.

Los coeficientes del corto plazo son ß y δ, y los de largo plazo son φ₁ y φ₂.

El término de ruido blanco es µ.

Se espera signo negativo del coeficiente de cointegración a corto plazo y probabilidad significativa al 90%, 95% o 99%.

El enfoque Toda-Yamamoto (1995), relacional de causalidad de Granger, está basa-do en un vector aumentado autorregresivo (VAR) en niveles. Contrariamente al estándar Granger, este enfoque incorpora retrasos adicionales liderado por el orden probable de integración; se emplea la prueba de Wald de exogeneidad de bloques en un modelo VAR aumentado (Hacker y Hatemi, 2006, p. 5; Lach, 2010, p. 40; Mehrara, 2014, pp. 67-68). Esta prueba relaja los problemas vinculados a valores críticos asintóticos inexactos conexos al proceso de pruebas de causalidad dentro de series cointegradas o no estacionarias; se estima un vector autorregresivo con orden de retraso (k + d_MAX), que utiliza el orden potencial máximo de integración indicado por (d) e ignora el verdadero orden de retraso representado por (k). La prueba de causalidad de Granger se realiza utilizando las pruebas de hipótesis dentro del VAR relajando retrasos adicionales (k + 1, ..., k + d).

Ello demanda determinar la longitud del indicador (k) y orden de integración (d) (Awokuse, 2003, pp. 5-6). Según su importancia, el retraso adicional se agrega a la variable (d) sin restricciones para mutarla en d_MAX (Lach, 2010).

El enfoque Toda-Yamamoto relaja pruebas previas subyacentes a raíces unitarias de baja potencia y pruebas de cointegración:

Yt=γ0+∑i-1k+dmaxα1iyt-1+∑i-1k+dmaxβ2ixt-1+ℇ1t (2)

Xt=γ0+∑i-1k+dmaxα1iyt-1+∑i-1k+dmaxβ2ixt-1+ℇ2t (3)

Luego, la hipótesis nula indica que la variable X Granger no causa la variable Y, o no hay causalidad directa de X a Y, y la hipótesis nula es H₀ * β_1i = 0.

Mientras que la hipótesis alternativa se establece como X Granger causa Y, lo cual indica que hay causalidad de X a Y, y la hipótesis alternativa es H₀ * β_1i ≠ 0.

Los análisis se desarrollan aplicando la plataforma Eviews 12 de IHS Markit (64 bits), con apoyo auxiliar de Excel de la plataforma Microsoft Office 2021.

En el Cuadro 4 se detallan las variables elegidas y sus características.

Las fuentes de información de las variables analizadas para el periodo de 2007 a 2021 se encuentran en el Cuadro 5 (p. 194-195).

Los datos seriales originales en panel balanceado, sin tratamientos ni cambios, se expresan en logaritmos (excepto Calidad regul, índice único territorial), lo cual aporta estabilidad a los regresores y armoniza observaciones atípicas, lo que facilita visiones menos extremas de la estimación.

De acuerdo con la literatura empírica, el modelo es:

Yt=β0+β1x1t+β2x2t+β3x3t+β4x4t+β5x5t+β6x6t+ℇit (4)

La formulación que se va a estimar es:

Informi,t=β0+β1pbi_pci,t+β2empleoi,t+β3calidad_regult+β4gpubi,t+β5con_eneri,t-1+β6industriai,t-1+ℇit (5)

Donde: i = regiones 1, … 24; t = 2007 … 2021.

Se analiza su estructura porcentual respecto a los coeficientes y la probabilidad que estima el modelo. Se halla que sólo Amazonas, Moquegua, Tacna, Huánuco y Cusco cumplen la condición de signo (-) y significancia (p <= 0.05). Tales regiones explican el 30.17% del total nacional. El 69.83% del PBI per cápita de las regiones restantes no muestra evidencia de ajuste hacia el equilibrio ni de relación estable entre la dinámica de corto y de largo plazo; no resulta que esta variable influya territorialmente sobre trabajo informal.

Destaca que los coeficientes regionales (sección cruzada) del modelo, contrastados con la vocación productiva (PBI por actividad económica, 2007 vs. 2021) de esas regiones, es divergente: Amazonas y Huánuco tienen como actividad principal agricultura, ganadería, caza y silvicultura; Moquegua migra de extracción de petróleo, gas y minerales a manufactura; Tacna y Cusco se mantienen en extracción de petróleo, gas y minerales. Esto puede consultarse en el Cuadro II del apéndice (p. 214).

CUADRO 11

Dependent Variable: D(LINFORM)
Method: ARDL
Date: 04/03/25 Time: 16:24
Sample: 2009 2021
Included observations: 312
Maximum dependent lags: 1 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (1 lag, automatic): (LPBI_ PC) (LEMPLEO)
(CALIDAD_REGUL) (LGPUB) D (LCON_ENER) D(LINDUSTRIA)
Fixed regressors:
Number of models evalulated: 1
Selected Model: ARDL (1, 1, 1, 1, 1, 1, 1)
Note: final equation sample is larger than selection sample
Variable	Coefficient	Std. Error	t-Statistic	Prob.*
Long Run Equation
LPBI_PC	-0.675669	0.021113	-32.00207	0.0000
LEMPLEO	0.151020	0.017890	8.441716	0.0000
CALIDAD_REGUL	-2.656704	0.266500	-9.968861	0.0000
LGPUB	0.864467	0.017984	48.06841	0.0000
D(LCON_ENER)	-0.250069	0.116174	-2.152543	0.0328
D(LINDUSTRIA)	1.209945	0.422740	2.862147	0.0048
Short Run Equation
COINTEQ01	-0.124085	0.021216	-5.848762	0.0000
D(LPBI_PC)	0.150021	0.082388	1.820914	0.0705
D(LEMPLEO)	-0.049853	0.048360	-1.030866	0.3041
D(CALIDAD_REGUL)	0.114963	0.063544	1.809186	0.0723
D(LGPUB)	-0.081064	0.034929	-2.320828	0.0215
D(LCON_ ENER,2)	0.020358	0.034004	0.598689	0.5502
D(LINDUSTRIA,2)	0.974489	0.430348	2.264423	0.0249
Root MSE	0.023239	Mean dependent var		0.013754
S.D. dependent var	0.060686	S.E. of regression		0.033468
Akaike info criterion	-3.500150	Sum squared resid		0.181452
Schwarz criterion	-1.523432	Log likelihood		762.0252
Hannan-Quinn criter.	-2.712175
*Nota: Los p-values y cualquier prueba subsecuente no cuenta para la selección del modelo.

Fuente: Cuadro en Eviews 12 ARDL_modelo_final.

CUADRO 12

Cross-Section Dependence Test
Series: RESID02
Null hypothesis: No cross-section dependence (correlation)
Sample: 2007 2021
Periods included: 13
Cross-sections included: 24
Total panel observations: 312
Note: non-zero cross-section means detected in data
Cross-section means were removed during computation of correlations
Test	Statistic	d.f.	Prob.
Breusch-Pagan LM	312.5710	276	0.0642
Pesaran scaled LM	1.556566		0.1196
Bias-corrected scaled LM	0.556566		0.5778
Pesaran CD	1.795335		0.0726

Fuente: Cuadro en Eviews 12 cross_section_dependence_ARDL.

Se analiza esta variable respecto a los coeficientes y la probabilidad estimados por el modelo. Cumplen Huánuco, San Martín, Huancavelica, Apurímac, Arequipa, Cusco, Pasco, Tacna, Moquegua, Ayacucho, Cajamarca, Lambayeque, Loreto, Piura, Puno, Tumbes y Ucayali la condición de signo (-) y la significancia (p < = 0.05). Tales regiones concentran el 32.81% del empleo formal nacional. Del 67.19% restante, Lima (49.66%) y regiones de mayor crecimiento económico, sustancialmente costeros (Piura 5.39%, La Libertad 6.39%, Ica 4.19%), explican sustancialmente el comportamiento de esta variable.

De las regiones que cumplen con dichas condiciones, Huánuco y San Martín tienen por actividad principal agricultura, ganadería, caza y silvicultura; Apurímac, Arequipa, Cusco, Pasco y Tacna, extracción de petróleo, gas y minerales; Huancavelica, electricidad, gas y agua; Lambayeque y Tumbes, otros servicios. Moquegua migra de extracción de petróleo, gas y minerales a manufactura, y Ucayali, de manufactura a otros servicios.

CUADRO 13

VAR Lag Order Selection Criteria
Endogenous variables: LINFORM LPBI_PC LEMPLEO CALIDAD_ REGUL LGPUB D(LCON_ENER) D(LINDUSTRIA)
Exogenous variables: c
Date: 05/08/23 Time: 22:35
Sample: 2007 2021
Included observations: 264
Lag	LogL	LR	FPE	AIC	SC	HQ
0	238.9440	NA	4.07e-10	-1.757152	-1.662335	-1.719051
1	2113.765	3636.016	4.00e-16	-15.58913	-14.83059	-15.28433
2	2353.134	451.5369	9.47e-17	-17.03132	-15.60906*	-16.45981
3	2454.938	186.6409*	6.36e-17*	-17.43135*	-15.34538	-16.59314*
* Indicates lag order selected by the criterion.
LR: sequential modified LR test statistic (each test at 5% level).
FPE: final prediction error.
AIC: Akaike information criterion.
SC: Schwarz information criterion.
HQ: Hannan-Quinn information criterion

Fuente: Cuadro en Eviews12 lag_order_var

Estos resultados pueden reflejar una doble actividad laboral (personas con empleo formal que también tienen actividad informal) y baja calidad del empleo formal, pues se ayudan con trabajo informal. En esta condición destacan Ica (0.8255) y Ancash (0.1259) con efectos más elevados, lo que coincide con los resultados del Cuadro 3. Al respecto puede consultarse el Cuadro III del apéndice (p. 215).

Se analiza su estructura porcentual respecto a los coeficientes y la probabilidad estimados por el modelo. Se encuentra que de 24 regiones analizadas sólo Pasco, Cusco, Arequipa, Huancavelica, La Libertad, Tacna, Ucayali, Moquegua y Puno no cumplen la condición de signo (-) y significancia (p < = 0.05). Las regiones que cumplen las condiciones suman 80.21% del gasto público total. Si bien es cierto que más gasto público se asocia con menos trabajo informal (relación inversa), ello no se verifica según la información (véase el Cuadro 3 y el V del apéndice) dual analizada de gasto público y trabajo informal; Lima tiene 50.41% y 63.4%, Piura 3.89% y 8.1%, Ancash 3.37% y 83.3%, Cajamarca 3.18% y 89.4%, Loreto 3.03% y 85.9% y Junín 2.84% y 85.3%, respectivamente. Estos son los mayores porcentajes. Ello podría explicarse por desviación del gasto a sectores menos productivos o clientelismo, o por programas asistenciales, que no generan empleos formales sostenibles o sin supervisión o con mecanismos ineficaces para reducir la informalidad. Es posible también que regiones con mayor informalidad reciban más recursos públicos y se generen relaciones espurias. Al respecto puede consultarse el Cuadro V del apéndice (p. 216).

Se analiza su estructura porcentual respecto a los coeficientes y la probabilidad estimados por el modelo. Se halla que sólo La Libertad, Ica, Ancash, San Martín, Piura, Loreto, Arequipa, Huancavelica y Junín cumplen la condición de signo (-) y significancia (p < =0.05). Este conjunto de regiones explica el 35.83% del consumo de energía eléctrica; Lima tiene (sin cumplir las condiciones requeridas) el 40.55% del consumo energético total y las demás regiones el 23.6% restante. En principio, implicaría que un mayor consumo de energía eléctrica (indicador de mayor actividad económica o formalización de procesos productivos) se relaciona con reducción de trabajo informal, lo que tomando Lima como ejemplo no evidencia que se cumpla; no obstante, para las nueve regiones citadas se acredita que más consumo de energía eléctrica se asocia a menor trabajo informal (relación negativa significativa).

Según su actividad económica productiva, Ancash, Arequipa y Junín se consolidan en la extracción de petróleo, gas y minerales; Huancavelica en electricidad, gas y agua; San Martín en agricultura, ganadería, caza y silvicultura, y La Libertad y Piura, en otros servicios. Loreto e Ica migran de extracción de petróleo, gas y minerales a manufactura.

Al respecto se puede consultar el Cuadro VI del apéndice (p. 216).

Se analiza su estructura porcentual respecto a los coeficientes y la probabilidad estimados por el modelo. Se encuentra que sólo Ucayali, Loreto, Cajamarca, Apurímac y Madre de Dios cumplen la condición de signo (-) y significancia (p < = 0.05). Estas cinco regiones sólo explican el 7.47% de los contribuyentes activos registrados; el 92.53% restante, incluida Lima (49.22% del total de los contribuyentes), lo explican las demás regiones. De tales relación, variable y condiciones del modelo se deduce que se presenta la relación inversa esperada en regiones como Ucayali, Loreto y Cajamarca, donde más contribuyentes activos se asocian a reducción del trabajo informal, lo que refleja el efecto positivo de la formalización fiscal; la relación positiva inesperada en regiones como Lima, Arequipa y Moquegua, donde más contribuyentes activos se asocian a mayor trabajo informal sugiere la presencia de doble economía o subdeclaración; y la falta de relación significativa en varias regiones, como Piura y Lambayeque, donde la proporción de contribuyentes activos no tiene un impacto claro en el trabajo informal, indica una relación más compleja.

Debe resaltarse además que, vinculada a la incidencia del empleo informal dentro y fuera del sector informal, según el INEI respecto a cómo se distribuye el empleo informal en función del tipo de unidad económica donde se realiza la actividad laboral (Cuadro 3), las cinco regiones citadas muestran 85.3%, 85.9%, 89.4%, 90.6% y 80.4%, respectivamente, de trabajo informal, sin una relación clara entre el sector y la variable dependiente.

En cuanto a la vocación productiva de las cinco regiones citadas, sólo Apurímac se mantiene estable en extracción de petróleo, gas y minerales; Cajamarca, Loreto y Madre de Dios migran de extracción de petróleo, gas y minerales a otros servicios, y Ucayali migra de manufactura a otros servicios. Ello revela el fortalecimiento de la heterogeneidad regional, y es heterogénea la relación entre contribuyentes activos e informalidad.

Al respecto puede consultarse el Cuadro VII del apéndice.

Al año 2021, el sector informal estaba conformado por 7 815 000 unidades productivas, y su producción representó el 17.6% del PBI . La economía pública incide en las relaciones de empleo y precariedad social, con decisiones sobre gasto público (afectado ante la reducción de contribuyentes y las demandas sociales crecientes) y regulaciones concomitantes, que a corto plazo y territorialmente muestran efectos alternativos respecto a los de largo plazo, conforme a resultados de la aplicación del modelo ARDL .

Se establece la influencia de un conjunto de variables sobre trabajo informal a largo plazo, que según la hipótesis de investigación se reduciría si aumentasen el PBI per cápita, el empleo formal, la calidad regulatoria, el gasto público, el consumo de energía eléctrica y la industria. De acuerdo con la trayectoria de las variables (24 regiones, 14 años) y los resultados del modelo ARDL, a largo plazo la hipótesis sólo se evidencia como válida para calidad regulatoria (mayor peso específico), PBI per cápita (importante aunque moderado) y consumo de energía eléctrica (menos importante), y a corto plazo, examinando los efectos transitorios de cambios en las variables, es el gasto público (de escasa importancia) la variable relativamente más influyente, lo cual evidencia que los determinantes del trabajo informal cambian en el corto y largo plazo, y esto refleja diferencias en cómo las políticas económicas y las variables estructurales impactan la informalidad, según el horizonte temporal.

En el largo plazo, el crecimiento económico sostenido crea más empleos formales, aumenta salarios y genera entornos donde es más atractivo trabajar dentro del sector formal. Un marco legal más eficiente y claro reduce barreras a la formalización como medio de aprovechar el fortalecimiento de mercados, mejora el cumplimiento y disminuye los incentivos para operar en la informalidad, y el desarrollo de infraestructura energética y el acceso a servicios modernos favorecen la formalización.

El enfoque Toda-Yamamoto señala como causal de informalidad el PBI per cápita, la calidad regulatoria y el gasto público.

Territorialmente, conjugando la producción económica predominante de regiones y coeficientes (magnitud y signo, por sección cruzada del modelo ARDL), que indican la dimensión del efecto de cada variable sobre trabajo informal, reduciéndolo, se evidencia:

El PBI per cápita influye en Amazonas y Huánuco, cuya principal actividad es agricultura, ganadería, caza y silvicultura; en Cusco y Tacna predomina extracción de petróleo, gas y minerales, y en Moquegua la actividad principal es manufactura.

La acción estatal es percibida claramente por medio de la construcción y vigilancia del marco formal que estructura la regulación y el cumplimiento de sus objetivos; la variable calidad regulatoria, de largo plazo, y la asignación de recursos fiscales de distribución territorial e intersectorial, para el cumplimiento de competencias y funciones, así como las políticas públicas y la variable gasto público, de corto plazo. Esta última se articula a demandas regionales para dar cumplimiento a políticas públicas sectoriales e interinstitucionales. La inversión pública y los programas sociales, en los niveles nacional, regional y municipal del país, muestran muy poca articulación con otras variables; por ejemplo, el PBI per cápita, del que es insumo, sólo en Amazonas y Huánuco. Con la calidad regulatoria se relacionan sólo en Ancash, Ayacucho, Cajamarca, Loreto y Madre de Dios. De manera similar, el gasto público y la industria se relacionan sólo en Apurímac, Cajamarca, Loreto y Madre de Dios.

La asignación de recursos fiscales para el gasto público, que a corto plazo debiera dotar de sentido integrador al país, a largo plazo no desempeña este papel, por lo que requiere un nuevo enfoque. A su vez, la calidad regulatoria no está articulada a la vocación productiva regional, lo cual evidencia que existan actividades productivas principales similares en varias regiones, con tasas de informalidad distintas y que reaccionan de modo diferenciado ante similares regulaciones. Esto permite sugerir que se establezca la asignación de recursos fiscales con visión estratégica de largo plazo, estructurada desde el corto plazo pero en conjunción con calidad regulatoria que genere las condiciones para el tránsito de la informalidad a la formalidad, articulada a actividades productivas de efecto multiplicador favorable a la generación de PBI per cápita adicional al empleo formal. Y estructurar políticas alrededor de regiones contiguas y que comparten infraestructura, además de energética, de soporte a la actividad económica, para que el gasto público adquiera niveles de alto impacto.