Determinantes gravitacionales y competitividad de las
agroexportaciones no tradicionales peruanas (1999-2024)
Gravitational determinants and competitiveness of traditional Peruvian agroexports
(1999-2024)
Recibido: 24/03/2026 - Aceptado: 22/05/2026
Bruno Paolo Algalobo Távara
https://orcid.org/0000-0001-8563-0391
brunoalgalobo531@gmail.com
Universidad Nacional Pedro Ruiz Gallo. Trujillo, Perú
Teodoro Martínez Inoñán
https://orcid.org/0000-0002-8919-1522
tmartinez@unprg.edu.pe
Universidad Nacional Pedro Ruiz Gallo. Trujillo, Perú
Virginia Efigenia Mendoza Pescorán
https://orcid.org/0000-0002-3469-5969
vmendoza@unprg.edu.pe
Universidad Nacional Pedro Ruiz Gallo. Trujillo, Perú
Resumen
El objetivo de este artículo es analizar los determinantes gravitacionales y la competitividad de las
agroexportaciones no tradicionales peruanas (arándano, palta, mango y uva) entre 1999 y 2024. Desde la gerencia
estratégica, la investigación adopta un enfoque cuantitativo, explicativo y longitudinal. Se construyó un panel de
datos macroeconómico bilateral, procesado mediante el estimador estructural Pseudo Poisson Maximum
Likelihood (PPML), garantizando inferencias consistentes ante flujos comerciales nulos y heterocedasticidad. Los
resultados del modelo base demuestran que el tamaño del mercado de destino (PBI) impulsa significativamente
las exportaciones con una elasticidad de 0.528, mientras que la distancia física ejerce una severa fricción
estructural con un coeficiente penalizador de -0.767. Asimismo, la vigencia de los Tratados de Libre Comercio
(TLC) constituye el principal catalizador institucional con un coeficiente de 1.444, el cual se estabiliza de forma
robusta en 0.618 al controlar por efectos fijos de año y producto. Por el contrario, se identificó una profunda
penalización en el nivel de valor agregado (-2.915), evidenciando empíricamente que la ventaja competitiva del
sector permanece anclada en la exportación en fresco debido al bajo escalonamiento industrial.
Palabras clave: gerencia estratégica, modelo de gravedad, competitividad comercial, agroexportaciones, ventajas
competitivas.
Abstract
The objective of this article is to analyze the gravitational determinants and competitiveness of Peru’s non-traditional
agricultural exports (blueberries, avocados, mangoes, and grapes) between 1999 and 2024. From a strategic
management perspective, the research adopts a quantitative, explanatory, and longitudinal approach. A bilateral
macroeconomic data panel was constructed and analyzed using the Pseudo Poisson Maximum Likelihood (PPML)
structural estimator, ensuring consistent inferences in the presence of zero trade flows and heteroscedasticity. The
results of the baseline model show that the size of the destination market (GDP) significantly drives exports with an
elasticity of 0.528, while physical distance exerts a severe structural friction with a penalty coefficient of -0.767.
Likewise, the existence of Free Trade Agreements (FTAs) constitutes the main institutional catalyst with a coefficient
2
of 1.444, which robustly stabilizes at 0.618 when controlling for fixed effects of year and product. Conversely, a
significant negative effect was identified at the level of value added (-2.915), empirically demonstrating that the
sector’s competitive advantage remains anchored in fresh exports due to low industrial upgrading.
Keywords: strategic management, gravity model, market competitiveness, agricultural exports, competitive
advantages.
Introducción
En las últimas dos décadas, el Perú ha experimentado una transformación estructural sin precedentes,
consolidándose como un referente global en la agroexportación de alto valor. Malca et al. (2025) resalta cómo la
flexibilidad relacional (RF) es un activo intangible que mejora las capacidades y recursos de las Pymes
exportadoras, lo que les permite generar ventajas competitivas y mejorar su desempeño exportador (EP).Este
dinamismo, a menudo denominado el "milagro agroexportador", ha sido impulsado por una mejora sostenida en la
Productividad Total de los Factores (PTF) y una apertura comercial agresiva que ha permitido reducir brechas
económicas significativas (Banco Mundial, 2017). Bajo este escenario, las agroexportaciones no tradicionales se
han erigido como un motor resiliente de crecimiento, registrando impactos positivos tanto en el corto como en el
largo plazo sobre el Producto Bruto Interno (PBI) nacional (Navarro-Soto et al., 2023; Mandujano-Allpocc et al.,
2025; Rodríguez Abraham, 2025).
Dentro de este ecosistema, Perú se ha posicionado como un nodo estratégico para la producción de
superfoods (arándano, palta, mango y uva), capturando una porción creciente de la demanda internacional. No
obstante, la sostenibilidad de este liderazgo regional se enfrenta a desafíos estructurales en términos de
infraestructura logística y acceso a tecnologías modernas, factores que condicionan la competitividad de los
productores locales (Zapata Sánchez et al., 2024). Salas-Canales (2020) menciona que el dinamismo
agroexportador peruano no solo responde al crecimiento de productos no tradicionales, sino también a la necesidad
de analizar sus determinantes de competitividad en regiones estratégicas del Perú. Tintinapón et al. (2025) refieren
que, aunque Perú es un nodo estratégico de superfoods, su competitividad es vulnerable ante brechas logísticas
y choques climáticos que elevan la morosidad empresarial. Sostener este liderazgo exige una urgente reconversión
gerencial para transformar sus ventajas naturales en ventajas competitivas sostenibles. En este sentido,
comprender y optimizar los determinantes comerciales a través del enfoque gravitacional resulta fundamental para
incrementar la competitividad directa de las pequeñas y medianas organizaciones productoras agroindustriales
frente a gigantes del mercado internacional(Alarcón et al., 2021).La gestión de estas variables de entorno es crítica,
ya que el desempeño agroexportador del país no solo dinamiza la economía regional, sino que exige una
reconversión gerencial para transitar de las ventajas comparativas naturales hacia ventajas competitivas
sostenibles (Escalante Yaulilahua et al., 2023; Morán-Santamaría et al., 2026).
Desde la perspectiva de la gerencia estratégica, la competitividad sistémica del sector ya no depende
exclusivamente de la eficiencia en el campo, sino de la optimización de la cadena de valor global. En Perú, esto
implica la adopción ineludible de estrategias de logística verde para mitigar las externalidades ambientales y reducir
los costos de transacción(Candiotti Viera et al., 2023). Asimismo, ante la creciente exigencia de los mercados de
destino por estándares éticos, la integración de certificaciones de sostenibilidad, como el comercio justo
(Fairtrade),según refieren Merbah & Benito-Hernández( 2024) las etiquetas de sostenibilidad, como Fairtrade y
UTZ, tienen un impacto significativo en la competitividad de los productos agrícolas al permitir a los consumidores
tomar decisiones informadas, lo que aumenta la disposición a pagar una prima por productos más sostenibles.
Aunado a ello surgen como una oportunidad para diferenciar la oferta y capturar valor agregado intangible en un
entorno altamente comoditizado (Ríos Ccama et al., 2024; Lozano Paredes et al., 2025).
A pesar del avance en la literatura, los estudios previos en el ámbito de la gerencia comercial a menudo
se han centrado en análisis descriptivos o en productos individuales. En esta misma línea editorial, destacan
esfuerzos por modelar flujos específicos como el cacao mediante enfoques gravitacionales. Sin embargo, existe
3
una necesidad apremiante de emplear herramientas de inteligencia de mercados y modelos gravitacionales
estructurales que permitan identificar mercados potenciales no explotados para la canasta diversificada del Perú
(Altamirano-Gonzales & Morán-Santamaría, 2026). Tal como evidencia la literatura reciente en sectores de alto
valor estratégico, el uso de estos modelos econométricos permite precisamente medir y fortalecer dicha ventaja
competitiva desde un enfoque corporativo (Kuik et al., 2019).
Bajo esta premisa, el presente artículo tiene como objetivo analizar los determinantes gravitacionales de
las agroexportaciones no tradicionales de Perú en el periodo 1999-2024. Para garantizar la solidez de las
inferencias en un nivel explicativo (Supo , 2025), se utiliza el estimador de Pseudo Poisson Maximum Likelihood
(PPML). Esta especificación técnica supera las limitaciones del método de Mínimos Cuadrados Ordinarios en
modelos log-lineales, ya que permite obtener estimaciones consistentes ante heterocedasticidad y presencia de
flujos comerciales iguales a cero(Santos Silva & Tenreyro, 2006; Tonon Ordóñez et al., 2022; Ayuda et al., 2022).
Marco Teórico y Revisión de Literatura
La construcción de una ventaja competitiva sostenible en el sector agroindustrial peruano requiere un
análisis que trascienda la dotación de recursos naturales. Desde la perspectiva de la gerencia estratégica, la
competitividad sistémica se configura a través de la interacción de determinantes estructurales, variables de
infraestructura y capacidades tecnológicas que facilitan la inserción en los mercados globales.
El fundamento analítico de esta investigación reside en la Teoría del Modelo de Gravedad, la cual postula
que los flujos comerciales entre naciones son directamente proporcionales a su tamaño económico e inversamente
proporcionales a la distancia física e institucional (Grandez-Alberca et al., 2025). Históricamente, estudios
fundamentales sobre integración económica en naciones en vías de desarrollo han validado la robustez de este
modelo para evaluar cómo los acuerdos comerciales generan efectos de creación o desviación de comercio
(Ekanayake et al., 2010). En la literatura contemporánea, se ha transitado hacia modelos de gravedad estructural
que permiten parametrizar la "fricción" comercial generada por los costos de transporte y la falta de
conectividad(Santos Silva & Tenreyro, 2006; Tonon Ordóñez et al., 2022). El uso de estos modelos permite
parametrizar la "fricción" que generan la distancia física y las barreras institucionales en la toma de decisiones
corporativas, entendiendo que la gestión adecuada del entorno regulatorio y las variables institucionales inciden
directamente en el posicionamiento y éxito comercial en el exterior (Andrade Rojas, 2020).
Para el caso peruano, el uso de estimadores avanzados como el PPML resulta imperativo para gestionar
la heterocedasticidad y los flujos nulos, garantizando una base robusta para la toma de decisiones gerenciales en
mercados de exportación altamente sensibles al factor distancia (Caravaggio & Conigliani, 2026; Hong Tsui et al.,
2025).
El dinamismo de las agroexportaciones en el Perú es el resultado de un proceso de modernización que ha
permitido "tomar impulso" mediante el aumento de la Productividad Total de los Factores (PTF). Según el Banco
Mundial (2017), la agricultura peruana ha logrado tasas de crecimiento destacables en la costa; sin embargo,
persiste una brecha tecnológica significativa que limita el escalonamiento de valor y la sostenibilidad estructural
del sector. Para la gerencia estratégica, la adopción de innovaciones tecnológicas y la digitalización de procesos
no son solo opciones operativas, sino activos críticos necesarios para mitigar la volatilidad de los términos de
intercambio y asegurar una inserción eficiente en cadenas de valor globales (Rodríguez Abraham, 2024;
Altamirano-Gonzales y Morán-Santamaría, 2026).
En el marco de la Nueva Geografía Económica, la infraestructura de transporte y conectividad define la
frontera de posibilidad comercial de un país. En el Perú, la competitividad de las agroexportaciones no tradicionales
se ve condicionada por deficiencias estructurales en puertos, aeropuertos y redes viales, lo que eleva los costos
de transacción y reduce el margen de maniobra de las empresas (Zapata Sánchez et al., 2024). Esta vulnerabilidad
exige que las organizaciones desarrollen capacidades de logística verde y optimización de la cadena de suministro
para compensar la fricción geográfica (Candiotti Viera et al., 2023).La infraestructura portuaria y la gestión eficiente
4
de la cadena de frío actúan como determinantes gravitacionales que, en conjunto con los acuerdos comerciales,
definen la viabilidad de los envíos de productos altamente perecederos o superfoods (Hong Tsui et al., 2025; Rios
Ccama et al., 2024)
Finalmente, la competitividad sistémica en el Perú depende de la alineación entre las capacidades internas
de las firmas y el soporte institucional del Estado. La evidencia regional demuestra que el desempeño exportador
no solo está limitado por factores externos, sino que a menudo se ve severamente restringido por factores
nacionales, tales como políticas ineficientes, gestión deficiente de las instituciones públicas y una alta tramitología
burocrática (Quiñónez Cabeza et al., 2021). En contraparte, la seguridad jurídica proporcionada por los Tratados
de Libre Comercio (TLC) funciona como un catalizador que reduce esta incertidumbre institucional, permitiendo a
las pequeñas y medianas empresas (Pymes) desarrollar recursos organizacionales orientados a la exportación
(Aparicio et al., 2024; Malca et al., 2025). Aunado a esto, Liu (2025) refiere que la entrada en vigor de los Tratados
de Libre Comercio marca el nacimiento del acuerdo de libre comercio más grande del mundo, y los productos
agrícolas de la región podrán lograr comercio sin aranceles en el futuro, lo que también traerá un gran crecimiento
al comercio de exportación .Castillero (2020) subraya la importancia de intensificar la producción para asegurar la
competitividad en mercados globales, un concepto que también se aplica a la competitividad de las
agroexportaciones de Perú en el mercado internacional. La gestión exitosa de estas agroexportaciones requiere,
por tanto, una visión integral que combine la inteligencia comercial con inversiones en tecnología agrícola e
infraestructura logística, superando los enfoques tradicionales de mera explotación de ventajas comparativas
(Escalante Yaulilahua et al., 2023; Morán-Santamaría et al., 2026).
Metodología
La presente investigación adopta un enfoque cuantitativo, de alcance explicativo y diseño longitudinal no
experimental. Para capturar la dinámica de las agroexportaciones peruanas, se construyó un panel de datos
macroeconómico que abarca el periodo 1999-2024. La unidad de análisis se definió a nivel de flujos comerciales
agregados por año, país de destino, tipo de producto y nivel de valor agregado. La canasta de estudio se concentró
en los principales superfoods de exportación no tradicional: mango, palta, arándano y uva. Para evaluar el impacto
de la transformación agroindustrial, se categorizó cada producto mediante una variable dicotómica de valor
agregado, distinguiendo entre presentaciones frescas e iteraciones con procesamiento (congelado o seco). La
consolidación de la base maestra requirió la integración de tres fuentes de información secundarias:
- Comercio Exterior: Los flujos bilaterales de exportación (Valor FOB en USD y Peso Neto) se extrajeron de los
registros aduaneros consolidados por Infotrade.
- Masa Económica: Los datos del Producto Bruto Interno (PBI) de los países de destino se obtuvieron de los
Indicadores de Desarrollo Mundial del Banco Mundial.
- Fricción Geográfica e Institucional: Las variables gravitacionales estructurales, tales como la distancia física
ponderada, la contigüidad y el idioma oficial compartido, se extraen de la base de datos del Centre d'Études
Prospectives et d'Informations Internationales (CEPII). Asimismo, se construyó una variable dicotómica de política
comercial para capturar la vigencia de Tratados de Libre Comercio (TLC) entre Perú y las economías receptoras.
Para estimar los determinantes de las exportaciones agrícolas, se partió de la forma estructural del modelo
de gravedad. Dado que el estimador tradicional de Mínimos Cuadrados Ordinarios (MCO) en su forma log-lineal
genera sesgos de inconsistencia ante la presencia de flujos comerciales nulos y heterocedasticidad, se adoptó el
estimador Pseudo Poisson Maximum Likelihood (PPML) dado que Navarro-Soto et al.(2023) refiere que garantiza
la solidez de las inferencias en un nivel explicativo, se utiliza el estimador de Pseudo Poisson Maximum Likelihood
(PPML). Esta especificación técnica es considerada el estándar de oro en la economía internacional
contemporánea, dado que supera las limitaciones del método de Mínimos Cuadrados Ordinarios (MCO)
estimaciones consistentes ante heterocedasticidad y presencia de flujos comerciales iguales a cero. La
especificación econométrica principal se define mediante la siguiente ecuación:
5
𝐹𝑂𝐵𝑗𝑝𝑡 = exp (𝛽0 + 𝛽1 ln (𝑃𝐵𝐼𝑗𝑡) + 𝛽2 ln (𝐷𝑖𝑠𝑡𝑗) + 𝛽3 𝑇𝐿𝐶𝑗𝑡 + 𝛽4 𝑉𝐴𝑝 + 𝛽5 𝐶𝑜𝑛𝑡𝑖𝑔𝑗
+ 𝛽6 𝐶𝑜𝑚𝑙𝑎𝑛𝑔𝑗 + 𝜆𝑡 + 𝜂𝑝) + 𝜀𝑗𝑝𝑡
- Exportaciones Agroindustriales (FOB
jpt
): Es la variable dependiente y representa el valor total anual, en dólares
FOB, de los envíos de mango, arándano, uva y palta hacia el mercado de destino j en el año t. Esta variable resulta
de la consolidación y colapso de microdatos aduaneros, permitiendo capturar el flujo comercial agregado por tipo
de producto.
- Masa Económica (PBI
jt
): Variable que actúa como proxy del tamaño del mercado y la capacidad de absorción de
la demanda en el destino. Se utiliza el Producto Bruto Interno (PBI) de los países socios, el cual fue transformado
de una estructura transversal a una longitudinal y vinculado mediante códigos internacionales ISO-3.
- Fricción Geográfica (Dist
j
): Representa la distancia física en kilómetros entre el puerto de origen (Perú) y el centro
económico del país importador. Es una variable fundamental en la teoría de gravedad para parametrizar los costos
de transporte y la logística internacional.
- Tratado de Libre Comercio (TLC
jt
): Variable institucional dicotómica (1 si existe acuerdo, 0 en caso contrario). Su
construcción requirió una programación específica para identificar la entrada en vigencia de los tratados,
incluyendo el tratamiento de bloques económicos complejos como la Unión Europea a partir de 2013.
- Nivel de Valor Agregado (VA
p
): Variable de control que categoriza la sofisticación del producto. Toma el valor de
1 si la exportación corresponde a productos procesados (congelados o secos) y 0 si se trata de productos frescos.
Esta variable permite analizar si la industrialización del agro ayuda a superar las barreras de la distancia.
- Variables de Control Geocultural (Contig
j
y Comlang
j
): Variables binarias que capturan si el país de destino
comparte frontera física (contigüidad) o el idioma oficial con Perú. Estas variables permiten aislar el efecto de la
proximidad cultural y geográfica en la reducción de los costos de transacción.
- Efectos Fijos de Tiempo (λ
t
): Conjunto de variables binarias por año incorporadas para capturar choques externos,
crisis globales o cambios en los términos de intercambio que afectan de manera común a las agroexportaciones
en un periodo determinado.
-Efectos Fijos de Producto (η
p
): Controlan diferencias estructurales propias de cada producto, tales como
perecibilidad, requerimientos de cadena de frío, complejidad logística y condiciones específicas de
comercialización.
- Término de Error (ε
jpt
): Recoge los factores no observados que afectan el valor exportado del producto p hacia el
país j en el año t y que no son explicados directamente por las variables incluidas en la especificación.
Para mitigar el sesgo por variables omitidas y mejorar la robustez de la especificación gravitacional, el
modelo incorpora efectos fijos de año λₜ y efectos fijos de producto ηₚ. Los efectos fijos de año permiten controlar
choques macroeconómicos comunes, crisis internacionales o cambios globales en los términos de intercambio que
afectan simultáneamente a las agroexportaciones en un periodo determinado. Por su parte, los efectos fijos de
producto controlan diferencias estructurales entre arándano, palta, mango y uva, tales como perecibilidad,
requerimientos de cadena de frío, complejidad logística y condiciones específicas de comercialización. En el caso
de la heterogeneidad por país de destino, esta se aproxima mediante controles gravitacionales observables como
distancia, contigüidad e idioma común, debido a que la inclusión simultánea de efectos fijos completos por país
absorbería variables invariantes en el tiempo, especialmente la distancia geográfica. Este tratamiento permite
reducir el sesgo por heterogeneidad no observada sin perder la identificación de las principales fricciones
comerciales del modelo.
La estructuración del panel multidimensional requirió un exhaustivo proceso de ingeniería y depuración de
datos, dado que las fuentes primarias de aduanas presentaban una estructura de microdatos a nivel de transacción
individual que debía ser agregada sistemáticamente a flujos macroeconómicos bilaterales. Este procesamiento
intensivo se ejecutó mediante rutinas programadas en Stata y parte del análisis exploratorio se desarrollaron en el
6
entorno RStudio, abordando los siguientes desafíos técnicos: Automatización y Parametrización de Atributos: Para
procesar los registros fraccionados de las exportaciones, se diseñó un algoritmo iterativo (loop) que consolidó de
forma automatizada los archivos dispersos por tipo de producto (mango, palta, arándano, uva) y presentación.
Durante esta fase, se extrajeron cadenas de texto (strings) de la nomenclatura de los archivos para generar
dinámicamente la variable dicotómica de valor agregado (VA_p), discriminando algorítmicamente las
presentaciones con transformación industrial (congelado y seco) de los envíos en fresco.
Armonización Temporal y Agregación Macro: Las fechas de embarque primarias, registradas en formatos
de cadena de texto irregulares, fueron transformadas computacionalmente para extraer el componente anual
numérico. Sobre esta base temporal limpia, se aplicó un algoritmo de colapso (collapse) para transitar de la unidad
de análisis empresarial a la agregación total bilateral, sumando el valor FOB y el peso neto por año, país de destino,
producto y valor agregado. Estandarización Relacional de Claves Geográficas: El desafío más significativo para
la integración del modelo radicó en la heterogeneidad de la nomenclatura de los países de destino. Se programó
una rutina de homologación exhaustiva para traducir denominaciones comerciales irregulares y sinónimos (por
ejemplo, homologar "Países Bajos" y "Países Bajos (Holanda)", o "Corea del Sur" y "Corea, República de") al
estándar internacional de códigos alfanuméricos ISO 3166-1 alfa-3. Esta estandarización constituyó la llave
relacional indispensable para el emparejamiento exacto (merge) con las bases institucionales y geográficas.
Integración de Covariables y Fricciones Estructurales: Los indicadores de la masa económica global (PBI)
requirieron una transformación topológica de una estructura transversal ancha a un formato longitudinal largo
(reshape long) previo a su cruce con el panel base. De manera similar, la construcción de la variable institucional
referida a los Tratados de Libre Comercio exigió una imputación condicional compleja que capturara la entrada en
vigencia escalonada de los acuerdos por año y país, requiriendo un tratamiento vectorizado específico para agrupar
las economías del bloque de la Unión Europea.
Resultados y discusión
Tabla 1. Resultados del Modelo Gravitacional con Estimador PPML para las Agroexportaciones
Variable
B
SE
Z
P
IC 95%
PBI (log)
0.528
0.057
9.23
< .001
[0.416, 0.640]
Distancia (log)
-0.767
0.141
-5.45
< .001
[-1.043, -0.491]
TLC
1.444
0.116
12.43
< .001
[1.216, 1.671]
Valor agregado
-2.915
0.101
-28.74
< .001
[-3.114, -2.716]
Idioma común
-0.143
0.212
-0.68
0.5
[-0.559, 0.273]
Contigüidad
-0.961
0.219
-4.38
< .001
[-1.391, -0.531]
Constante
7.915
1.574
5.03
< .001
[4.830, 11.000]
Nota. N = 3,627. Pseudo R² = .484. B representa los coeficientes del modelo de regresión Poisson. SE
indica los errores estándar robustos. IC = Intervalo de confianza. La variable dependiente es el valor FOB en
USD. Estimaciones realizadas mediante el software estadístico Stata 16.
7
Los resultados del modelo base confirman la pertinencia del enfoque gravitacional para explicar las
agroexportaciones no tradicionales peruanas. El tamaño económico del mercado de destino actúa como un factor
expansivo del comercio, mientras que la distancia geográfica mantiene un efecto restrictivo asociado a costos
logísticos y exigencias de transporte. Asimismo, los TLC muestran un efecto institucional favorable sobre los flujos
exportadores. En contraste, el coeficiente negativo del valor agregado evidencia que las presentaciones
procesadas aún enfrentan limitaciones de posicionamiento frente a los productos frescos. El idioma común no
presenta significancia estadística, lo que sugiere que la inserción de estos productos responde más a condiciones
de mercado, logística y demanda internacional que a factores culturales.
Tabla 2. Estimaciones del Modelo Gravitacional con Estimador PPML para Agroexportaciones: Comparación con
Efectos Fijos por Año y Producto
Variable
Modelo base PPML
PPML + EF año
PPML + EF año y
producto
PBI destino (log)
0.528*** (0.057)
0.572*** (0.056)
0.578*** (0.052)
Distancia (log)
-0.767*** (0.141)
-0.883*** (0.139)
-0.871*** (0.120)
TLC
1.444*** (0.116)
0.607*** (0.153)
0.618*** (0.153)
Valor agregado
-2.915*** (0.101)
-2.896*** (0.094)
-2.861*** (0.098)
Contigüidad
-0.961*** (0.219)
-1.248*** (0.240)
-1.289*** (0.236)
Idioma común
-0.143 (0.212)
-0.360 (0.239)
-0.313 (0.231)
Constante
7.915*** (1.574)
5.809*** (1.843)
5.993*** (1.862)
Efectos fijos de año
No
Sí
Sí
Efectos fijos de product
No
No
Sí
Observaciones
3,627
3,627
3,627
Pseudo R²
0.484
0.557
0.592
Nota. Errores estándar robustos entre paréntesis. *** p < .01. EF = efectos fijos. La variable dependiente
es el valor FOB en dólares estadounidenses. La tabla muestra las estimaciones de los coeficientes con sus
intervalos de confianza al 95% en tres modelos. Los resultados indican efectos significativos del PBI, TLC y
distancia en las agroexportaciones, mientras que el valor agregado y la contigüidad tienen efectos negativos
consistentes.
El análisis de robustez muestra que los signos y la significancia de los principales determinantes se
mantienen al incorporar efectos fijos de año y producto. El coeficiente del TLC se reduce de 1.444 a 0.618, lo que
sugiere que parte de su efecto inicial estaba asociado a choques temporales comunes. Sin embargo, su impacto
sigue siendo positivo y significativo. Asimismo, la distancia y el valor agregado conservan coeficientes negativos
en todas las especificaciones, confirmando que las restricciones logísticas y el bajo posicionamiento de las
presentaciones procesadas constituyen barreras estructurales para la competitividad agroexportadora.
8
Figura 1. Estimaciones de los Coeficientes del Modelo Gravitacional Estructural (Estimador PPML)
Nota. La figura presenta los coeficientes estimados del modelo PPML base con errores estándar robustos
e intervalos de confianza al 95%. La línea vertical en cero permite identificar la dirección y significancia estadística
de los efectos. Los coeficientes ubicados a la derecha indican efectos positivos sobre el valor FOB exportado,
mientras que los ubicados a la izquierda reflejan efectos restrictivos.
La Figura 1 sintetiza la dirección de los principales determinantes gravitacionales de las agroexportaciones
no tradicionales peruanas. El PBI del mercado de destino y los TLC muestran efectos positivos, lo que confirma la
importancia del tamaño económico y del soporte institucional en la expansión exportadora. En contraste, la
distancia, el valor agregado y la contigüidad presentan coeficientes negativos, reflejando restricciones logísticas,
limitaciones de posicionamiento de productos procesados y una orientación comercial más fuerte hacia mercados
globales de alto ingreso que hacía economías fronterizas. El idioma común no evidencia un efecto estadísticamente
concluyente.
Tabla 3. Resultados del modelo gravitacional de exportaciones por producto
Variables gravitacionales
(1)
Arándano
(4)
Uva
PBI destino (log)
0.786***
(0.128)
0.679***
(0.074)
Distancia (log)
-0.597***
(0.225)
-0.564***
(0.158)
9
TLC
1.088***
(0.374)
1.089***
(0.158)
Valor agregado
-2.497***
(0.189)
-4.711***
(0.357)
Constante
-0.526
(2.545)
2.208*
(1.239)
Observaciones
736
861
Pseudo R²
0.556
0.522
Nota. Errores estándar robustos entre paréntesis. *** p < .01, ** p < .05, * p < .10.
La estimación por producto revela diferencias relevantes en la sensibilidad de cada cultivo frente a los
determinantes gravitacionales. El arándano y la uva presentan mayor elasticidad respecto al PBI del destino, lo
que evidencia su orientación hacia mercados de alto poder adquisitivo. La distancia mantiene un efecto negativo
en los cuatro productos, aunque con distinta intensidad, reflejando diferencias en requerimientos logísticos y
cadena de frío. Los TLC conservan un efecto positivo transversal, destacando especialmente en la palta.
Finalmente, la penalización del valor agregado en todas las líneas confirma que la competitividad actual de la
canasta agroexportadora peruana continúa concentrada en la exportación en fresco, antes que en presentaciones
procesadas.
Figura 2. Evolución por producto
Nota. Valores expresados en millones de dólares FOB. La serie histórica refleja el comportamiento de los
principales superfoods de la canasta exportadora peruana: arándano, mango, palta y uva. Elaboración propia en
base a registros aduaneros de Infotrade, procesados íntegramente en el entorno RStudio 2026.
10
La Figura 2 muestra una expansión sostenida de la canasta agroexportadora analizada, aunque con
trayectorias diferenciadas entre productos. La uva, la palta y el arándano concentran el mayor dinamismo reciente,
especialmente durante la etapa posterior a 2010, periodo asociado a una mayor apertura comercial y consolidación
de mercados externos. El mango presenta un crecimiento más moderado, lo que sugiere una inserción
internacional más estable, pero menos acelerada. En conjunto, la evolución confirma que la competitividad
agroexportadora peruana se ha fortalecido principalmente en productos frescos con alta demanda internacional.
Figura 3. Relación gravitacional entre el PBI del destino y las agroexportaciones
Nota. Elaboración propia con el software RStudio 2026
La Figura 3 respalda visualmente la relación positiva prevista por el modelo de gravedad: los mercados
con mayor tamaño económico tienden a absorber mayores valores de agroexportaciones peruanas. Sin embargo,
la dispersión de las observaciones indica que el PBI no explica por sí solo el desempeño exportador. Esta
variabilidad refuerza la necesidad de incorporar otros determinantes, como distancia, acuerdos comerciales,
condiciones logísticas y características del producto, para comprender de forma más completa la competitividad
internacional de la canasta analizada.
11
Figura 4. Impacto de la entrada en vigencia de los Tratados de Libre Comercio (TLC)
Fuente: Elaboración propia. Las líneas punteadas indican la entrada en vigencia de los Tratados de Libre
Comercio (TLC) con EE.UU. (2009), China (2010) y la Unión Europea (2013).
La Figura 4 permite observar el crecimiento de las exportaciones hacia mercados estratégicos luego de la
entrada en vigencia de los principales TLC. China y Estados Unidos muestran las trayectorias más dinámicas, lo
que evidencia la relevancia de los acuerdos comerciales como mecanismos de acceso y consolidación
internacional. En el caso de la Unión Europea, el crecimiento es más gradual, aunque mantiene una tendencia
positiva posterior al acuerdo. Estos patrones complementan los resultados econométricos, donde el TLC conserva
un efecto positivo incluso después de controlar por efectos fijos de año y producto.
Conclusiones
Los resultados de la investigación evidencian que las agroexportaciones no tradicionales del Perú se
encuentran condicionadas por determinantes gravitacionales que inciden directamente en su competitividad
comercial. El tamaño económico del mercado de destino ejerce un efecto positivo y significativo sobre los flujos
exportadores, lo que confirma que los países con mayor capacidad de absorción representan espacios estratégicos
para la expansión internacional de productos como arándano, palta, mango y uva. En contraste, la distancia
geográfica continúa actuando como una barrera estructural, asociada a mayores costos logísticos, exigencias de
cadena de frío, tiempos de traslado y complejidad operativa en la gestión de mercados internacionales.
Asimismo, los Tratados de Libre Comercio se consolidan como instrumentos institucionales relevantes para
fortalecer la inserción internacional de las agroexportaciones peruanas. Su efecto positivo demuestra que la
apertura comercial no solo reduce restricciones arancelarias, sino que también favorece la planificación estratégica
de las empresas, al brindar mejores condiciones de acceso, estabilidad normativa y oportunidades para diversificar
mercados. En este sentido, la gestión agroexportadora debe incorporar la inteligencia comercial como una
herramienta clave para aprovechar de manera efectiva los beneficios derivados de estos acuerdos.
Uno de los hallazgos más relevantes del estudio es el efecto negativo del valor agregado en las
exportaciones analizadas. Este resultado no implica que la transformación agroindustrial carezca de importancia,
sino que las presentaciones procesadas de los productos estudiados aún no logran posicionarse competitivamente
frente a la exportación en fresco. Por ello, la estrategia gerencial no debe limitarse a incrementar el procesamiento
12
convencional, sino a construir valor desde atributos diferenciadores como trazabilidad, certificaciones de
sostenibilidad, logística verde, calidad premium, innovación tecnológica y adaptación a nichos específicos de
demanda internacional.
En términos de competitividad comercial, los resultados muestran que la ventaja agroexportadora peruana
se sostiene principalmente en la inserción hacia mercados de mayor tamaño económico y en el aprovechamiento
institucional de los Tratados de Libre Comercio. La elasticidad positiva del PBI de destino, que alcanza 0.578 en el
modelo con efectos fijos de año y producto, confirma que la expansión internacional depende de orientar la oferta
hacia economías con mayor capacidad de absorción. Asimismo, el coeficiente positivo del TLC, estabilizado en
0.618 en la especificación robusta, evidencia que la apertura comercial fortalece la competitividad externa. Sin
embargo, la persistente penalización de la distancia (-0.871) y del valor agregado (-2.861) demuestra que la
competitividad del sector aún enfrenta restricciones logísticas e industriales, por lo que el reto estratégico consiste
en fortalecer la cadena de frío, la diferenciación, las certificaciones y el escalamiento agroindustrial.
En consecuencia, el estudio aporta evidencia empírica para la toma de decisiones en la gestión
agroindustrial peruana, al demostrar que la competitividad exportadora no depende únicamente del crecimiento
productivo, sino de la capacidad de las empresas para seleccionar mercados estratégicos, reducir fricciones
logísticas, aprovechar acuerdos comerciales y generar diferenciación real en mercados globales cada vez más
exigentes. Así, las agroexportaciones no tradicionales del Perú podrán sostener su expansión internacional si
articulan eficiencia operativa, innovación, sostenibilidad y gestión estratégica orientada al mercado.
Referencias
Alarcón, A., Domínguez, B., Gordillo, L., & Hernández, C. (2021). Modelo de gravedad económico ,México-China
para incrementar la competititvidad de las Pymes.Revista RELAYN , 5(3), 293-312.
https://doi.org/10.46990/relayn.2021.5.3.172
Altamirano-Gonzales, A., & Morán-Santamaría, R. O. (2026). Market Intelligence and Gravitational Model to Identify
Potential Agricultural Export Markets in the Lambayeque Region, Peru, 2015–2024. Sustainability, 18(2),
835. https://doi.org/10.3390/su18020835
Andrade Rojas, G. (2020). Revisión del comercio internacional ecuatoriano.Análisis de la incidencia de las variables
institucionales mediante el modelo gravitacional [Universidad de Sevilla].
https://idus.us.es/items/a506f583-a664-49f8-873c-f00393df489e
Aparicio, S., Lengler, J., Aguzzoli, R., Garcia Benito, G. R., & Urbano, D. (2024). Unfair Competition and Export
Intensity of Latin American Smes: The Role of Regulations. International Business Review, 34.
https://doi.org/10.2139/ssrn.4929723
Ayuda, M.-I., Belloc, I., & Pinilla, V. (2022). Latin American Agri-Food Exports, 1994–2019: A Gravity Model
Approach. Mathematics, 10(3), 333. https://doi.org/10.3390/math10030333
Banco Mundial. (2017). Tomando impulso en la economia peruana: Oportunidades para aumentar la productividad
y mejorar la competitividad del sector. Banco Mundial.
https://documents1.worldbank.org/curated/en/781561519138355286/pdf/Gaining-momentum-in-Peruvian-
agriculture-opportunities-to-increase-productivity-and-enhance-competitiveness.pdf
Candiotti Viera, P. P., Hurtado Huanca, L., Rituay Trujillo, P.-A. R., & CúneoFernández, F. E. (2023). Logística verde
como estrategia para las empresas agroexportadoras de la región Lambayeque-Perú. Revista de Ciencias
Sociales, 29, 44-65. https://doi.org/10.31876/rcs.v29i.40446
Caravaggio, N., & Conigliani, C. (2026). Gravity model of timber trade from Latin America. Forest Policy and
Economics, 186, 103749. https://doi.org/10.1016/j.forpol.2026.103749
Castillero, S. (2020). Producción alimentaria intensiva, migraciones y género: La industria del fruto rojo en la
provincia de Huelva, España. Maguaré, 34(2), 113-136. https://doi.org/10.15446/mag.v34n2.92582
13
Ekanayake, E. M., Mukherjee, A., & Veeramacheneni, B. (2010). Trade Blocks and the Gravity Model: A Study of
Economic Integration among Asian Developing Countries. Journal of Economic Integration, 25(4), 627-643.
https://doi.org/10.11130/jei.2010.25.4.627
Escalante Yaulilahua, D. A., Olivera Recuay, J. M., Miranda Galván, M. R., & Venegas Rodriguez, P. B. (2023).
PERUVIAN AGRO-EXPORT SECTOR: A COMPETITIVENESS STUDY ON THEIR MAIN PRODUCTS IN
THE PERIOD 2010-2019. Journal of Globalization, Competitiveness and Governability, 17(2).
https://doi.org/10.58416/GCG.2023.V17.N2.01
Grandez-Alberca, M. A., Cotrina-Sanchez, A., Haro, N., Zabaleta-Santisteban, J. A., Silva-Melendez, T. B.,
Sanchez-Vega, J. A., Medina-Medina, A. J., Tuesta-Trauco, K. M., Rivera-Fernandez, A. S., Granda-
Santos, M., Oliva-Cruz, M., García, L., & Barboza, E. (2025). Agronomic and economic sustainability
perspectives in coffee-based agroforestry system (Coffea arabica L.) in Rodríguez de Mendoza, Amazonas,
Peru. Trees, Forests and People, 21, 100924. https://doi.org/10.1016/j.tfp.2025.100924
Hong Tsui, K. W., Wang, H., & Liu, Y. (2025). Gravity models of airfreight exports during the pre-COVID era:
Evidence from New Zealand. Case Studies on Transport Policy, 19, 101336.
https://doi.org/10.1016/j.cstp.2024.101336
Kuik, O., Branger, F., & Quirion, P. (2019). Competitive advantage in the renewable energy industry: Evidence from
a gravity model. Renewable Energy, 131, 472-481. https://doi.org/10.1016/j.renene.2018.07.046
Liu, F. (2025). Analysis on Export Trade Potential of Agricultural Products between China and RCEP Member States.
Frontiers in Business, Economics and Management, 20(1).
Lozano Paredes, D., Okada Saavedra, H., Moscoso Cuaresma, J., Azabache Moran, C., Yesquén Delgado, K.,
Diaz Cruz, M., Salazar Seminario, V., Pastor Pinto, J., & Amer Layseca, T. (2025). Fairtrade in Peru:
Challenges and Opportunities for Sustainable and Equitable Agricultural Development. Sustainability,
17(2), 486. https://doi.org/10.3390/su17020486
Malca, O., Peña-Vinces, J., Marcilla-Vigo, M., & Rubio Donet, J. (2025). International relations, organisational
resources and capabilities and export experience as determinants of the export performance of SMEs in
developing countries, Peru. European Business Review, 37(5), 835-855. https://doi.org/10.1108/EBR-03-
2025-0085
Mandujano-Allpocc, A. C., Pomachagua-Solorzano, L. J., & Román-Pastor, M. X. (2025). EL ANÁLISIS A CORTO
Y LARGO PLAZO DEL EFECTO DE LAS EXPORTACIONES AGRÍCOLAS EN EL CRECIMIENTO
ECONÓMICO DE PERÚ. Journal of Globalization, Competitiveness and Governability, 19(1).
https://doi.org/10.58416/GCG.2025.V19.N1.06
Merbah, N., & Benito-Hernández, S. (2024). Consumer Willingness-to-Pay for Sustainable Coffee: Evidence from
a Choice Experiment on Fairtrade and UTZ Certification. Sustainability, 16(8), 3222.
https://doi.org/10.3390/su16083222
Morán-Santamaría, R. O., Llonto-Caicedo, Y., Vela-Meléndez, L., Chura-Lucar, R. G. A., Arias-Gonzales, H. P.,
Neyra-Panta, M. J., Castilla-Jibaja, L., Chombo-Jaco, J. A., Silva-Guevara, J. E., Llanos-Vásquez, A. D. N.,
Cúneo-Fernández, F. E., Paredes-Olano, D. M. D. J., Pisco-Cueva, A. M., Jiménez-Garay, O. D., &
Gonzales-Alvarado, A. C. (2026). Agro-Exports and Economic Growth: A Case Study of Lambayeque, Peru
(2010–2023). Sustainability, 18(3), 1326. https://doi.org/10.3390/su18031326
Navarro-Soto, F. C., Morote, E.-S., Macha-Huamán, R., & Saavedra-Soplín, E. A. (2023). Determinants of Peruvian
Export Efficiency: Poisson PML Estimation Approach. Economies, 11(6), 169.
https://doi.org/10.3390/economies11060169
Quiñónez Cabeza, M. R., Quiñónez Caicedo, L. N., Ortiz Palafox, K. H., & Farfán González, O. G. (2021). Domestic
factors that constraint ecuatorian export performances. Espirales Revista Multidisciplinaria de
Investigación, 5(38), 17-32. https://doi.org/10.31876/er.v5i38.782
14
Rios Ccama, M. A., Guizado Chamorro, F. L., Anaya Ramos, M. N., & Romero Delgado, R. P. (2024). Puerto de
Chancay: Catalizador del comercio Estratégico Perú-China y exportación de productos no aprovechados.
Ciencia Latina Revista Científica Multidisciplinar, 8(6), 4201-4215.
https://doi.org/10.37811/cl_rcm.v8i6.15154
Rodríguez Abraham, A. R. (2025). Terms of Trade and Structural Sustainability of the Agricultural Sector in Peru: A
Cointegration Approach. Agriculture, 16(1), 6. https://doi.org/10.3390/agriculture16010006
Salas-Canales, H. J. (2020). Agroexportaciones no tradicionales y su contribución al desarrollo económico
Peruano. Ciencias Económicas y Empresariales, 6(1), 4-27.
https://dominiodelasciencias.com/ojs/index.php/es/article/view/1343
Santos Silva, J. M. C., & Tenreyro, S. (2006). The Log of Gravity. The Review of Economics and Statistics, 88(4),
641-658. https://doi.org/10.1162/rest.88.4.641
Supo Condori, J. A. (2025). Niveles de investigación: Una clasificación emergente fundamentada en el análisis de
datos para la investigación científica. Sociedad Hispana de investigadores Científcos.
Tintinapón, P. L. A., Antón, L. A. C., Inga, D. A. C., & Figallo, J. L. (2025). Delinquency rate in the Peruvian agro-
export sector in the context of the El Niño Phenomenon: Firm-level evidence for the period 2013–2019.
Latin American Journal of Central Banking, 100176. https://doi.org/10.1016/j.latcb.2025.100176
Tonon Ordóñez, L., Vásquez Bernal, J., Armijos Orellana, A., & Altamirano Flores, J. (2022). Análisis de las
exportaciones ecuatorianas por medio del modelo de gravedad. Caso banano: Ecuatorian exports analysis
through a gravity model approach. Banana case. Revista Científica Ecociencia, 9(4), 77-110.
https://doi.org/10.21855/ecociencia.94.699
Zapata Sánchez, X. F., Sánchez Farroñan, M. O., Falla Ly, R. I., & Alcántara Andonaire, D. G. (2024).
Agroexportaciones en Lambayeque, una visión al 2025. Revista Alfa, 8(23), 520-534.
https://doi.org/10.33996/revistaalfa.v8i23.283
CONTRIBUCIÓN DE LA AUTORÍA
1. Conceptualización: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
2. Curación de datos: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
3. Análisis formal: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán y Virginia Efigenia Mendoza Pescorán
4. Adquisición de fondos: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
5. Investigación: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
6. Metodología: Bruno Paolo Algalobo Távara, Teodoro Martínez Inoñán y Virginia Efigenia Mendoza Pescorán
7. Dirección del proyecto: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán y Virginia Efigenia Mendoza
Pescorán
8. Recursos: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
9. Software: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
10. Supervisión: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán y Virginia Efigenia Mendoza Pescorán
11. Validación: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
12. Visualización: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
13. Redacción - borrador original: Bruno Paolo Algalobo Távara y Teodoro Martínez Inoñán
14. Redacción - corrección de pruebas y edición: Bruno Paolo Algalobo Távara, Teodoro Martínez Inoñán y Virginia
Efigenia Mendoza Pescorán