UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA Caracterización de los municipios de la provincia de Lima usando los indicadores de gestión municipal mediante análisis factorial y análisis cluster Capítulo6. Aplicaciones MONOGRAFÍA Para optar el Título de Licenciado en Estadística AUTOR Edith Delia Chávez Ramírez Naky Katy López Ribeiro LIMA PERÚ 2005

54 CAPÍTULO VI APLICACIONES 6.1 ANÁLISIS DE LOS INDICADORES DE GESTIÓN MUNICIPAL Se analizará los 08 indicadores de Gestión Municipal, inicialmente seleccionados, para mayor detalle ver los anexos anexo A4 y A5. Analizamos el comportamiento del indicador Autonomía Financiera, en los 43 municipios distritales de la Provincia de Lima, observamos que el municipio de Miraflores, tiene el más alto índice de autonomía financiera (0.99); indica que el 99% de sus ingresos totales corresponden a ingresos corrientes, en segundo lugar se encuentra el municipio de San Borja (0.97) y en tercer lugar el municipio de Jesús Maria (0.96), por lo tanto son municipios con un alto grado de autonomía financiera, es decir tienen una alta capacidad para sostener la administración municipal y cubrir las necesidades sociales con los ingresos corrientes generados. Caso contrario a lo que ocurre en los municipios de Villa El Salvador, Villa María del Triunfo y San Juan de Lurigancho, en promedio solo el 30% de sus ingresos totales corresponde a ingresos corrientes, considerados como los municipios con más baja autonomía financiera. (Ver Anexo A4) El 50% de los municipios presentan una autonomía financiera con valor menor o igual que 0.70. (Ver cuadro 6.1) Cuadro Nº 6.1.-Indicador Autonomía Financiera según cuartiles Cuartil Autonomía Financiera Primer 0.51 Mediana 0.70 Tercer 0.82 Los municipios de los distritos de Cieneguilla, Pueblo Libre y San Luis presentan los más altos valores del indicador Autonomía tributaria, 0.44, 0.37 y 0.36 respectivamente, indican que son muy bueno recaudadores de sus

55 impuestos, cabe indicar que los impuestos son parte de los ingresos que recaudan, a diferencia de los municipios de Santa Rosa, Villa María del Triunfo y Ancón en los cuales su recaudación por impuesto es baja, mostrando índices de 0.08, 0.09 y 0.10 respectivamente, los impuestos en estos distritos representan un proporción pequeña del total de sus ingresos. (Ver anexo A4) En el cuadro Anexo A5, muestra que la mediana del indicador Autonomía Tributaria de los 43 municipios analizados, se ubica en 0.20, esto quiere decir que la mitad de los municipios distritales presentan una proporción pequeña del total de sus ingresos. En el gráfico Nº 6.1 se observa que los municipios distritales de Cieneguilla y Pueblo Libre se encuentra por encima del total de municipios, esto es evidente dado que son los distritos con índice de alta automomía financiera, en términos estadísticos se les conoce como observaciones atípicas. Gráfico Nº 6.1.-Indicador Autonomía Tributaria.5 Cieneguilla.4 Pueblo Libre.3.2.1 0.0 N = 43 Autonomía tributaria Por otro lado los municipios con mayor Capacidad financiera relativa, según este indicador son Lima Cercado (1.37), San Borja (1.36) y Miraflores (1.15), significa que sus ingresos corrientes superan en más del 100% el total de sus gastos corrientes, son 16 municipios que presentan esta situación, en otras palabras son considerados solventes. También hay municipios que tienen valores bajos en este indicador, como es el caso de Pachacamac (0.40), Villa El Salvador (0.40) y Villa María del Triunfo (0.37), la mitad de los municipios de la provincia de Lima, tiene un valor menor o igual que 0.89. (Ver anexo A4)

56 En el gráfico Nº 6.2, se observa que no hay presencia de municipalidades atípicas para este indicador, existe una ligera asimetría negativa, a través del anexo A5, se observa que el 50% de los municipios presentan un índice Capacidad Financiera Relativa menor o igual al 0.89, tambien existe un 25% de municipalidades que superar sus ingresos corrientes al total de sus gastos corrientes. Gráfico Nº 6.2.-Indicador Capacidad Financiera Relativa 1.6 1.4 1.2 1.0.8.6.4.2 N = 43 Capacidad financiera Los municipios de San Isidro(0.0), Miraflores(0.0), Santiago de Surco(0.02) muestran muy poca Dependencia del fondo, según los resultados de este índice, caso contrario al municipio del distrito de San Juan de Lurigancho, que presenta un dependencia del 0.45, esto indica que los ingresos obtenidos por el Fondo de Compensación Municipal, representa el 45% del total de los ingresos obtenidos. En general en la mitad de los municipios el fondo de compensación Municipal representa valores iguales o menores 0.14. Cuadro Nº 6.2.-Indicador Dependencia del Fondo según cuartiles Cuartil Dependencia del Fondo Primer 0.07 Mediana 0.14 Tercer 0.22

57 En cuanto al indicador Gasto Corriente, el municipio de San Martín de Porres presentó un índice de 0.98, indica que los gastos realizados por este municipio fueron destinados primordialmente al pago de personal, bienes y servicios, obligaciones previsionales, y otros gastos municipales, lo mismo que los distritos de Jesús Maria (0.95) y Santiago de Surco (0.90). Un caso interesante y poco común lo presenta el municipio del distrito de Lima Cercado, donde sus gastos corrientes solo representan el 59% del total de sus gastos, siguen este comportamiento pero con mayor indicador los municipios de Ate y Santa María del Mar. En la mitad de los municipios de la provincia de Lima, el gasto corriente representa porcentajes menores o iguales que el 86% del total de sus gastos (gastos corrientes, gastos de capital y servicio de la deuda). (Ver anexo A4) Cuadro Nº 6.3.-Indicador Gasto Corriente según cuartiles Cuartil Gasto Corriente Primer 0.83 Mediana 0.86 Tercer 0.90 El indicador Razón de gasto en personal, nos da una aproximación más exacta de los gastos municipales en personal y obligaciones en relación a su total de ingresos corrientes, es así que el municipio de Lima Cercado, utiliza menos los ingresos corrientes en gastos de personal y gasto de bienes, presentando un valor de 0.12 para este indicador, a diferencia del municipio de Santa Rosa, que destina la mayor cantidad de sus ingresos en gastos de personal y obligaciones propiamente dicho, presenta un indicador de 0.80. En el gráfico Nº 6.3, se puede corroborar que el municipio de Santa Rosa se encuentre alejado del resto de municipios en este indicador por lo ya mencionado anteriormente, presenta un ligera asimetría positiva.

58 Gráfico Nº 6.3.-Indicador Razón de Gasto en Personal 1.0.8 Santa Rosa.6.4.2 0.0 N = 43 Razón de gastos en p El indicador Inversión sobre transferencia de capital, muestra que los distritos de Miraflores(4.17), Magdalena del Mar (2.93) y San Isidro (1.56), son aquellos con más altos valores en este indicador, la característica de estos municipios es que gastan mucho más en obras de inversión del total que reciben a través de las transferencias, como el caso de Miraflores que el dinero invertido en las inversiones es cuatro veces al total obtenido de las transferencias que reciben este municipio. A diferencia de otros municipios que no ocurre, como el caso de Pachácamac, San Martín de Porrees y Carabayllo, que su inversión es mínima en relación al dinero que reciben por transferencias. (Ver anexo A4). Según el gráfico Nº 6.4, podemos corroborar lo que anteriormente se mencionó,, se observa que los distritos de Miraflores, Magdalena, son municipios que se encuentran más alejados del resto de municipios y en términos estadísticos considerados como municipios influyentes, Santa María del Mar, Santiago de Surco y San Miguel considerados como municipios atípicos, dado los valores altos de este indicador inversión sobre transferencia de capital, que los ponen por encima del resto de los municipios distritales.

59 Gráfico Nº 6.4.-Indicador Inversión sobre transferencia de capital 5 4 Miraflores 3 Magdalena 2 Santiago Santa María de Surco del Mar San Miguel 1 0-1 N = 43 Inversión sobre tras En cuanto a los resultados de este último indicador Endeudamiento financiero, debemos mencionar que el municipio de Lima Cercado, tiene mayor valor en este indicador (0.23), seguido lejanamente por el municipio de Pucusana (0.07) y el municipio de Breña(0.07), lo que indica que tienen gastos por servicio de la deuda (intereses y cargos de la deuda) que tiene que pagar, a diferencia de la gran mayoría de los municipios que no presentan este comportamiento. (Ver anexo A4). Del gráfico Nº 6.5, observamos que Lima Cercado podría considerarse como municipio que se diferencia marcadamente de los otro municipios, esto es debido al valor de su indicador. Gráfico Nº 6.5.-Indicador Endeudamiento Financiero.3 Lima Cercado.2.1 0.0 -.1 N = 43 Endeudamiento financ

60 6.2 APLICACIÓN DEL ANÁLISIS FACTORIAL La aplicación del Análisis Factorial se efectúa para reducir los conceptos de los ocho indicadores a conceptos más pequeños, lo que permitirá un mejor análisis y caracterización de los municipios de la Provincia de Lima en relación a su gestión. De acuerdo a la metodología indicada en la sección 4.6, analizaremos en primer lugar la matriz de correlación, comprobaremos el grado de asociación entre los indicadores, verificaremos la adecuación del modelo, luego realizaremos la extracción y definición de factores y finalmente calcularemos los puntajes factoriales. Como primer resultado de la aplicación del análisis factorial tenemos a la matriz de correlaciones. La matriz de correlación es una matriz simétrica cuyos coeficientes de correlación se muestran por encima y por debajo de la diagonal principal (formada por uno). Esta matriz contiene los coeficientes de correlación de Pearson (medida de asociación lineal entre las variables). La magnitud y el signo del coeficiente determinan el grado y sentido de la relación entre los indicadores. Cuanto mayor sea el valor del coeficiente mayor será la relación entre los indicadores, además, si el coeficiente es positivo entonces la relación entre los indicadores es directa, pero si el signo es negativo la relación es inversa. Mientras más cerca a uno se encuentren los coeficientes de correlación implica que la relación entre los indicadores es mayor, mientras que los valores próximos a cero implican ausencia de la correlación (relación). Para que el análisis factorial sea apropiado, se espera que la mayoría de correlaciones sean altas. Al analizar la matriz de correlaciones en general el 57% de los correlaciones tiene valores superiores a 0.30; es decir los indicadores se encuentran en su mayoría relacionados. Por citar algunos casos de indicadores altamente relacionados, se mencionan al indicador Dependencia del fondo y la Autonomía financiera, con un coeficiente de correlación negativa de (-0.88), es decir tienen una relación inversa, las variables Capacidad financiera relativa y Autonomía financiera, muestran un coeficiente de correlación positivo también alto (0.87), lo cual indica que están fuertemente relacionados y esa relación es directa, como tercer par de variables más correlacionadas se encuentra la Capacidad financiera relativa y la Dependencia del Fondo (-0.83), que se

61 relacionan en forma inversa, es decir, si uno de ellos presenta un valor alto, entonces para el mismo municipio el otro indicador presentará un valor bajo. (Ver anexo A6 ) En conclusión, existen en su mayoría correlaciones altas, pero también existen correlaciones bajas o cercanas a cero, sin embargo, es importante hacer notar que todos los indicadores tienen al menos un coeficiente de correlación significativo en la matriz. (Ver anexo A6 ). Otra forma de comprobar el grado de asociación entre los indicadores, es a través del análisis de la determinante de la matriz de correlaciones. En este caso, como el determinante es muy bajo pero no es cero (matriz no singular), pues esto indicaría que algunas de las variables son linealmente dependientes y no se podrían realizar ciertos cálculos necesarios en el Análisis Factorial. Por lo tanto, tomando en cuenta el valor de la determinante de la matriz de correlaciones (0.001), podemos decir que existen altas interrelaciones entre los indicadores, lo que significa que es posible aplicar el análisis factorial (Ver anexo A6 ) Es importante recordar que el propósito de análisis factorial es reducir el número de indicadores correlacionadas a un conjunto de variables no correlacionadas, llamadas factores, entonces esperemos encontrar indicadores correlacionadas que se agrupen y formen factores. Verificaremos la adecuación del modelo, mediante la prueba de Kaiser-Meyer- Olkin (KMO) el cual estima un valor que de acuerdo a su ubicación en una escala permitirá concluir si la aplicación del análisis factorial es adecuado o no. Este KMO se basa en la relación entre los coeficientes de correlación de Pearson y los coeficientes de correlación parcial entre los indicadores. En la medida en que las correlaciones de Pearson sean más altos, el valor estimado estará mas cerca de uno, y por tanto el modelo factorial empleado será más efectivo. El KMO calculado es igual a 0.72, y según la clasificación de Kaiser, es adecuado la aplicación del análisis factorial, lo cual otorgaría resultados aceptables en la reducción del número de indicadores. (Ver cuadro Nº 6.1).

62 Cuadro Nº 6.1.- Prueba de KMO Kaiser-Meyer-Olkin Measure of Sampling Adequacy..722 Los valores obtenidos fuera de la diagonal en la matriz anti-imagen en términos absolutos son pequeños, y se observa además que la medida de adecuación muestral de cada indicador la cuales se encuentran en la diagonal de esta matriz, son altos; tomando el cuenta la clasificación de Kaiser, según el KMO de cada uno, se encuentran dentro de la categoría de aceptables y buenos. (Ver anexo A7). Todo lo anteriormente expuesto nos lleva a concluir que el análisis factorial que se va a aplicar en este trabajo resulta pertinente y puede dar resultados satisfactorios. Una vez, comprobado que es adecuado la aplicación del Análisis Factorial y según los resultados obtenidos, analizaremos las comunalidades. La comunalidad, es una medida del aporte de los factores a la explicación de los indicadores, mientras más próximos a uno estén las comunalidades, significa que los factores explican en su totalidad la variabilidad de los indicadores. Analizando las comunalidades del Cuadro Nº 6.2, observamos que el 91.5% de la variabilidad de la Autonomía Financiera es compartida con el resto de variables a través de los factores comunes, o que el 91.5% de la variabilidad del indicador autonomía financiera es explicada por los dos factores; por otro lado, sólo el 49.4% de la variabilidad del indicador Inversión sobre transferencias de capital es explicada por los dos factores. Se observa que en su gran mayoría las comunalidades son altas, esto quiere decir que los dos factores explican la mayor parte de la variabilidad o comportamiento de los indicadores.

63 Cuadro Nº 6.2.- Comunalidades con dos factores Autonomía financiera Autonomía tributaria Dependencia del fondo Gasto corriente Razón de gastos en personal Inversión sobre trasnferencia de capital Apalancamiento financiero Capacidad financiera relativa Inicial Extracción 1.915 1.626 1.855 1.818 1.660 1.494 1.737 1.891 Método de Extracción: Componentes Principales. Seguidamente realizaremos la extracción de los factores para ello utilizaremos El Método de Componentes Principales, cuyo objetivo es resumir la información; es decir, permite reducir la dimensionalidad. El Cuadro 6.3 muestra el porcentaje de varianza del modelo que es explicado por los dos factores. Indica que el primer factor explica el 52.7% de la variación total y el segundo factor explica el 22.2% de la variabilidad total de los indicadores. En suma los dos factores extraídos explican el 75% del comportamiento de los indicadores. Para determinar el número de factores, según el Método de Kaiser se consideran aquellos factores con autovalores mayores que 1. En nuestro caso los dos primero factores tienen valores mayores a la unidad, indicando que estos factores son capaces de explicar el 74.9% de la variabilidad total de los indicadores. Además se nota que el porcentaje de variación explicado crece en relación directa a la magnitud de los autovalores, de esta manera los dos primeros factores son los que explican una mayor variabilidad del comportamiento de los indicadores

64 Factores 1 2 3 4 5 6 7 8 Cuadro Nº 6.3.- Varianza Total Explicada Autovalores iniciales % de varianza % de varianza Total % de varianza acumulada Total % de varianza acumulada 4.219 52.742 52.742 4.219 52.742 52.742 1.777 22.215 74.958 1.777 22.215 74.958.684 8.554 83.512.457 5.708 89.220.440 5.503 94.723.268 3.349 98.072.124 1.550 99.622 3.023E-02.378 100.000 Extraction Method: Principal Component Analysis. Extracción Según el gráfico de Catell (Gráfico Nº 6.1), en el se representan en el eje de las abcisas el número total de factores y en el eje de ordenadas su valor numérico y el punto de inflexión de la curva, señala el número ideal de factores a determinar. Desde que la magnitud del coeficiente mide el poder explicativo, se puede inferir que conforme se calculen más factores el poder explicativo decrece. En este caso el gráfico confirma que el número ideal de factores es dos Grafico Nº 6.1.- Gráfico de Catell 5 4 Autovalores 3 2 1 0 1 2 3 4 5 6 7 8 Número de Factores Posteriormente una vez determinado el número de factores, se analiza la matriz de pesos o cargas factoriales. En el cuadro Nº 6.4, tenemos los resultados de la matriz de pesos factoriales, no rotada, esta matriz mide la correlación entre cada variable y el factor. Es decir, muestra el grado de importancia de los indicadores en el factor, como por ejemplo en el primer

65 factor los indicadores de mayor importancia son Autonomía Financiera, Dependencia del Fondo y Capacidad Financiera Relativa; por otro lado en el segundo factor el indicador más importante o más representativo es Gasto Corriente. Como podemos observar los pesos factoriales en su gran mayoría son altas, con valores muy próximos a 1. Se han eliminado los pesos con valores inferiores a 0.30 para realizar una mejor visualización e interpretar mejor los resultados. No ha sido necesario la rotación de factores, puesto que estos no presentan dificultad para su interpretación. Cuadro Nº 6.4.- Matriz de Pesos Factoriales Factores Autonomía financiera Autonomía tributaria Dependencia del fondo Gasto corriente Razón de gastos en personal Inversión sobre trasnferencia de capital Apalancamiento financiero Capacidad financiera relativa 1 2.932.736 -.924.903 -.778.701 -.853.921 Método de Extracción: Componentes Principales Del cuadro anterior, según los pesos factoriales de cada indicador en los factores, podemos decir que: El primer factor, está conformado por los siguientes indicadores, pues estos están fuertemente correlacionados a este factor: Autonomía Financiera Autonomía Tributaria Dependencia del Fondo Razón de gasto en personal Inversión sobre transferencia de capital Capacidad financiera relativa

66 Como las cargas factoriales de estos indicadores sobre este factor son altas, esto significa que ellos se encuentran bien representados por el primer factor, y por la naturaleza de estos, que se refieren a autonomía, capacidad financiera, ingresos recaudados por tributos, entre otros; a este factor lo denominaremos como Factor de Solvencia Económica. El segundo factor, está conformado por los siguientes indicadores, que cargan o saturan fuertemente al segundo factor: Gasto corriente Endeudamiento financiero En este caso ambos indicadores se refieren a gastos, por lo tanto, por la propia naturaleza de las variables a este factor lo llamaremos Factor de Gastos de Operación. El Factor de Solvencia Económica, se relaciona directamente con el indicador autonomía financiera (carga positiva 0.932) e inversamente con el indicador dependencia del fondo (carga es negativa -0.924); es decir es un factor bipolar. Estas altas correlaciones nos indican que ambos indicadores están bien representados en este factor, esto tiene un significado teórico, puesto que la solvencia económica está directamente relacionada con la autonomía financiera, e inversamente relacionada con la dependencia del fondo. Esto es, los municipios con mayor solvencia económica son aquellos que tienen mayor autonomía financiera y menos dependencia del fondo. (Ver Cuadro 6.4) De igual manera el segundo Factor Gastos de Operación también es bipolar, pues tiene una relación directa con el indicador gasto corriente (carga positiva 0.903) y una relación inversa con el indicador endeudamiento financiero (carga negativa -0.853). Esto podría traducirse en que los municipios con mayores gastos de operación tienen mayores gastos corrientes y menores son sus gastos debidos a deudas. En el gráfico Nº 6.2, tenemos la ubicación de los indicadores según los factores, es una manera rápida de ver las correlaciones entre las variables y el factor. Se puede apreciar que la razón de gasto en personal y dependencia

67 del fondo, tienen una relación inversa con el factor de solvencia económica. Los indicadores autonomía financiera, autonomía tributaria, inversión sobre transferencias y capacidad financiera se relacionan directamente con el factor Solvencia Económica, esto es, si estos indicadores presentan un comportamiento ascendente, el factor de solvencia económica también presentará este comportamiento. Por otro lado el gasto corriente con el endeudamiento financiero se encuentran muy bien relacionados o representados con el factor Gastos de Operación, En este caso no ha sido necesario realizar la rotación debido que nuestros factores han podido ser fácilmente interpretados. Gráfico Nº 6.2.- Mapa Factorial de los Indicadores de Gestión Municipal 1.0 gasto corriente.5 razón de gastos en p autonomía tributaria autonomía financie dependencia 0.0 del fond inversión sobre tras Gastos de Operación -.5-1.0-1.0 -.5 apalancamiento finan 0.0.5 capacidad financier 1.0 Solvencia Económica Finalmente y continuando con nuestro procedimiento, analizamos las puntuaciones factoriales para cada municipio; esto es posible debido a que la identificación de estas dos dimensiones hace posible realizar el análisis de los

68 Municipios a partir de los dos factores pudiendo prescindir de los indicadores, ya que estos se encuentran bien representados. Ahora tenemos 2 factores, que representan bien a los 8 indicadores iniciales que describen de igual forma el comportamiento de los municipios en relación a al manejo de sus finanzas. Por lo tanto a partir de ellos se puede analizar el comportamiento de los municipios en relación a su gestión municipal; y algunas de las afirmaciones que podemos hacer en base a las puntuaciones factoriales y el posicionamiento de los 43 distritos de la provincia de Lima en relación a los factores es: En el gráfico Nº 6.3, En el primer factor, Solvencia económica, existen dos grupos de municipios y están separados por el promedio de las puntuaciones factoriales de ese factor, los municipios que se encuentran más a la derecha Miraflores(21), Magdalena (20), San Isidro (31), etc. y que han calificado por encima del promedio en el factor Solvencia Económico, representan el 51.2% de los municipios; así mismo los que se ubican a la izquierda con puntajes menores al promedio representan el 48.8% de los municipios. En el segundo factor, Gastos de Operación, se aprecia a un 34.9% de los municipios que han tenido puntuaciones altas por encima del promedio Punta Negra (27), Punta Hermosa (26), La Victoria(15),etc., el otro 65.1% está por debajo del promedio. (Ver Cuadro Nº 6.5). (Ver numeración de distrito en anexo). Cuadro Nº 6.5.- Porcentaje de municipios ubicados en el plano factorial Factor <Promedio % >Promedio % Solvencia Enconómica 21 48.8 22 51.2 Gasto de Operación 28 65.1 15 34.9

69 Gráfico Nº 6.3.- Dispersión de las puntuaciones factoriales (Factor 1 y 2) (Posicionamiento de los distritos de la Provincia de Lima) Gastos de Operación 2 1 0-1 -2-3 -4 35 34 31 40 36 30 39 28 27 26 15 11 7 1324 14 22 106 12 29 21 3243 18 19 16 9 37 42 33 41 17 5 4 25 8 2 38 20 3 23 34.9 % -5 1-6 -2-1 0 1 2 3 Solvencia Económica 48.8 % 51.2 % También se puede observar que la municipalidad de Lima Cercado, tiene un comportamiento diferente a los demás municipios en relación a la Solvencia Económica y Gastos de Operación. Este municipio goza de solvencia económica a igual que otros municipios; sin embargo, este alejamiento se podría explicar, por los Gastos de Operación que realiza. Basándonos en el análisis de indicadores asociado a este factor (que se hizo en capítulos anteriores), se observa que en el indicador endeudamiento financiero, esta municipalidad tiene un valor muy por encima del resto de municipalidades, esto significa que el municipio de Lima Cercado es el que tiene mayores obligaciones contraídas debido a deudas. Si observamos los gráficos de las puntuaciones factoriales, vemos que el distrito de Miraflores es el municipio que goza de mayor solvencia económica seguido de los distritos de San Borja, San Miguel y Santiago de Surco; caso

70 contrario lo constituyen los municipios de San Juan de Lurigancho, Villa el Salvador y Villa María del Triunfo, que son distritos que tienen baja solvencia en relación a los otro distritos de la Provincia de Lima. (Ver gráfico Nº 6.4 ) Gráfico Nº 6.4.- Provincia de Lima: Factor de Solvencia Económica 2003 2.5 2 1.5 1 0.5 0-0.5-1 -1.5-2 -2.5 Según el gráfico de las puntuaciones factoriales del factor Gastos de Operación, los distritos con mayores gastos de operación son San Martin de Porres y San Luis; es decir son distritos que destinan altos recursos a los gastos corrientes y sus deudas son nulas; al otro extremo tenemos al distrito de Lima cercado que destina un porcentaje mucho menor de sus ingresos a gastos corrientes pero sus deudas (endeudamiento financiero) es mayor en relación a los otros municipios. (Ver gráfico Nº 6.5 )

71 Gráfico Nº 6.5.- Provincia de Lima: Factor de Gastos de Operación 2003 2 1 0-1 -2-3 -4-5 -6

72 6.3 APLICACIÓN DEL ANÁLISIS CLUSTER El análisis cluster es en esencia una técnica que sirve para clasificar al conjunto de municipalidades en un reducido número de grupos o conglomerados, a fin de sintetizar las características comunes de los mismos y descubrir similitudes y diferencias que no fueron descubiertas con el análisis descriptivo. Haremos uso del análisis Cluster Jerárquico, para analizar a las 43 municipalidades de los distritos de Lima. Este procedimiento permitirá agrupar municipios en grupos cada vez más grandes hasta que todos ellos forman parte de uno. Consideraremos en la formación de conglomerados la alta homogeneidad entre grupos y una alta heterogeneidad externa. Cabe mencionar que se ha trabajado con puntajes factoriales, por lo que no es necesario realizar estandarizaciones. Según los resultados observamos que la matriz de distancias euclideanas al cuadrado, nos da la distancia de cada distrito con respecto a los demás, cuanto mayor sea este valor, es menos probable que lleguen a formar un cluster, en caso que sea mínimo este valor, es mucho más probable que se lleguen a juntar en un cluster. El historial de conglomeración de la distancia euclideana cuadrada nos muestra que las distancias aumentan rápidamente conforme avanzan las etapas. Además muestra las distancias de conglomeración y los grupos que se han ido formando al aplicar el algoritmo. Así, en el primer paso se unieron el distrito 9(Cieneguilla) y el distrito 27(Punta Negra) a una distancia igual a 0,000256. Posteriormente se unieron los distritos 6 (Carabaillo) y 25 (Puente Piedra) formando otro grupo, todo ello a una distancia de aglomeración igual a 0,0007587 y así sucesivamente. Esta misma información la podemos obtener con el dendrograma de forma gráfica. (ver Anexo A.8 ) La formación de estos cluster se puede ver mejor en el gráfico de Carámbanos y si hacemos una línea horizontal sobre este, se pueden determinar la cantidad de cluster y los municipios que lo forman. Este gráfico debe leerse de abajo a arriba. Como puede observarse en el gráfico de carámbanos (Ver Anexo A8 y A9), el número de filas corresponde al número de clusters, trazamos una línea horizontal

73 en la línea 4, cortaremos tres barras blancas que dan origen a los 4 cluster o grupos y que se están conformando respectivamente: Cuadro Nº 6.6.- Grupos de municipios Cluster 1 Cluster 2 Cluster 3 Cluster 4 Miraflores Breña Puente Piedra Lima Cercado San Luis Los Olivos Rímac La Molina Pucusana Carabayllo Pueblo Libre Chorrillos Comas Jesús María Ate El Agustino Cieneguilla Santa Anita Independencia Lurín Surquillo Lurigancho San Miguel Barranco Chaclacayo Santiago de Surco Magdalena del Mar San Bartolo San Borja Santa María del Mar Punta Negra Lince San Isidro La Victoria Punta Hermosa Ancón San Martín de Porres San Juan de Lurigancho San Juan de Miraflores Villa María del Triunfo Villa El Salvador Pachacámac Santa Rosa Perfil de los Cluster Con los grupos de municipalidades obtenidos es posible determinar sus perfiles, haciendo especial énfasis en las características propias de cada grupo. Las características propias de cada grupo, se basan en el comportamiento de los municipios en relación a los factores extraídos a través del análisis factorial; lo cuales son factor de solvencia económica y factor de gastos de operación y los indicadores que están relacionados con ellos, los cuáles fueron descritos en el capítulo VI Sección 6.1. Los distritos que conforman el grupo 1, lo denominaremos municipios con Gestión Municipal Aceptable (cluster 1); pues según los factores estos distritos

74 en general poseen una solvencia económica alta;.caracterizándose por tener autonomía financiera, con mínima y casi nula dependencia del Fondo Compensación Municipal, (ver anexo A.4), y con inversiones altas en su distrito, son además distritos que tienen alta recaudación tributaria. En el segundo grupo, se encuentran los distritos que se caracterizan por tener solvencia económica aceptable; pues tienen autonomía económica aceptable; es decir son capaces de solventarse con los recursos recaudados de su comunidad, también realizan inversiones en sus jurisdicciones, presentan poca dependencia del fondo de compensación municipal. Son municipios que pueden mejorar su gestión y mejorar la administración de sus recursos; en general, son municipios con una administración regular, los denominaremos municipios con Gestión Municipal Regular. Al tercer grupo lo denominaremos municipios con Gestión Municipal Deficiente o Mala, la mayoría de estos municipios se caracterizan por su baja solvencia económica, pues tienen mayores egresos en gastos en personal; estos municipios son mayoritariamente dependientes de la trasferencias recibidas principalmente del Fondo de Compensación Municipal y realizan pocas inversiones en el distrito. Esto se ve reflejado en el análisis descriptivo de los indicadores. Y como cuarto grupo tenemos a Lima Cercado, lo llamaremos distrito con Gestión Municipal Equilibrada, dentro de sus principales características, es que goza de solvencia económica, mayor deuda que el resto de los distritos, pero logra mantener su equilibrio, destinando pocos ingresos a gastos de personal, realiza inversión en el distrito y es el que gasta en el funcionamiento del municipio en relación a su gasto corriente mucho menos que otros distritos. En forma gráfica tenemos a los grupos de municipios, clasificados según sus características de gestión municipal, donde se puede ver claramente que los municipios con gestión deficiente son distritos que se ubican en su mayoría en la periferia de la Provincia de Lima:

75 Gráfico Nº 6.6.- Municipios de la Provincia de Lima, agrupados según características de su Gestión Municipal Municipios con Gestión Municipal Aceptable Municipios con Gestión Municipal Regular Municipios con Gestión Municipal Deficiente Municipios con Gestión Municipal Equilibrada Distritos de la Provincia de Lima 1 - Cercado de Lima 17 - Magdalena del Mar 32 - San Miguel 3 - Ate 18 - Miraflores 33 - Santiago de Surco 4 - Barranci 21 - Pueblo Libre 34 - Surquillo 5 - Breña 22 - Puente Piedra 35 - Villa María del Triunfo 7 - Comas 25 - Rimac 36 - San Juan de Lurigancho 9 - Chorrillos 27 - San Isidro 38 - Santa Rosa 10 - El Agustino 28 - Independencia 39 - Los Olivos 11 - Jesús María 29 - San Juan de Miraflores 41 - San Borja 12 - La Molina 30 - San Luis 42 - Villa El Savador 13 - La Victoria 31 - San Martin de Porres 43 - Santa Anita 14 - Lince