EN LA COMPETITIVIDAD EN ESPAÑA: EL CASO ESPECÍFICO DE …

UNIVERSIDAD PONTIFICIA COMILLAS DE MADRID

FACULTAD DE CIENCIAS ECONOMICAS Y EMPRESARIALES (ICADE)

Departamento de Gestión Empresarial

LA IMPORTANCIA DE LOS CLUSTERS

EN LA COMPETITIVIDAD EN ESPAÑA:

EL CASO ESPECÍFICO DE LA REGIÓN

CATALANA

Tesis para la obtención del grado de Doctor Autora: Lda. María Luisa Blázquez de la Hera Directores: Prof. Dra. Dña. Yolanda Fernández Jurado Prof. Dr. D. Antonio Rúa Vieites

Madrid 2010

SINOPSIS

CAPÍTULO 1INTRODUCCIÓN

CAPÍTULO 4ESTUDIO EMPÍRICO UTILIZANDO LA METODOLOGÍA DEL FORO ECONÓMICO MUNDIAL

CAPÍTULO 5ESTUDIO EMPÍRICO UTILIZANDO UN ANÁLISIS ESTADÍSTICO ALTERNATIVO

PARTE IV

CAPÍTULO 6CONCLUSIONES

PARTE IINTRODUCCIÓN

PARTE IIMARCO CONCEPTUAL

PARTE IIIESTUDIO EMPÍRICO

CAPÍTULO 2LA IMPORTANCIA DE LA COMPETITIVIDAD Y MODELOS DE MEDICIÓN

CAPÍTULO 3LOS CLUSTERS COMO INSTRUMENTO DE FOMENTO DE LA COMPETITIVIDAD

I

ÍNDICE GENERAL

PARTE I. INTRODUCCIÓN

CAPÍTULO 1. INTRODUCCIÓN

1. INTRODUCCIÓN .........................................................................................5

2. ESTADO DE LA CUESTIÓN .......................................................................6

2.1. La competitividad ...........................................................................6

2.2. Los clusters ....................................................................................9

2.3. El problema: la influencia de los clusters en la competitividad ....13

3. JUSTIFICACIÓN DE LA INVESTIGACIÓN ...............................................14

4. OBJETIVO DE LA INVESTIGACIÓN ........................................................17

5. ESTRUCTURA DEL TRABAJO Y METODOLOGÍA UTILIZADA..............21

PARTE II. MARCO CONCEPTUAL

CAPÍTULO 2. LA IMPORTANCIA DE LA COMPETITIVIDAD Y MODELOS DE

MEDICIÓN

1. INTRODUCCIÓN........................................................................................31

2. CONCEPTO DE COMPETITIVIDAD..........................................................34

2.1. Principales definiciones tradicionales............................................34

2.1.1. Definiciones que destacan factores

macroeconómicos...........................................................37


macroeconómicos y microeconómicos...........................39

II

2.2. Concepto de competitividad en la actualidad...............................50

3. MODELOS EMPÍRICOS DE MEDICIÓN DE LA COMPETITIVIDAD.........51

3.1. Medición del Foro Económico Mundial.........................................52

3.1.1. El Índice de Competitividad Global....................................53

3.1.2. El Índice de Competitividad de los Negocios.....................65

3.2. Medición del International Institute

for Management Development......................................................76

3.3. Utilidad de ambas mediciones.......................................................83

4. CONCLUSIONES.......................................................................................85

CAPÍTULO 3. LOS CLUSTERS COMO INSTRUMENTO DE FOMENTO DE LA

COMPETITIVIDAD

1. INTRODUCCIÓN........................................................................................93

2. CONCEPTO DE CLUSTER...................................................................... .95

2.1. Orígenes del concepto: los distritos industriales...........................95

2.2. Delimitación y clasificación del cluster..........................................99

2.2.1. Principales definiciones......................................................99

2.2.2. Delimitación de clusters...................................................101

2.2.3. Intentos de clasificación de los clusters...........................109

2.2.4. Conclusiones....................................................................115

3. IDENTIFICACIÓN DE LOS CLUSTERS Y SU ANÁLISIS........................116

3.1. El Cluster Mapping Project del Institute for

Strategy and Competitiveness...................................................124

3.2. El Mapa de Clusters del Departamento de Comercio

e Industria del Reino Unido.......................................................127

III

3.3. Los sistemas productivos locales del Departamento de

Trabajo e Industria de Cataluña............................................................. 131

3.4. Los sistemas productivos locales de la Comunidad

Autónoma del País Vasco...................................................................... 136

3.5. El proyecto de Van der Linde.................................................................. 138

3.6. El análisis del distrito de la cerámica en Castellón ................................. 140

3.7. El análisis del cluster de la electrónica de consumo

en Cataluña........................................................................................... 143

3.8. Conclusiones. ........................................................................................ 148

4. VENTAJAS DE LOS CLUSTERS ......................................................................... 149

4.1. Ventajas de aglomeración....................................................................... 150

4.2. Ventajas de difusión del conocimiento.................................................... 152

5. LOS CLUSTERS COMO INSTRUMENTO PARA MEJORAR

LA COMPETITIVIDAD ...................................................................................... 156

5.1. Análisis econométricos con evidencia directa........................................ 158

5.2. Trabajos con evidencia indirecta............................................................. 160

5.3. Trabajos sobre la relación explícita entre clusters y

competitividad.......................................................................................... 161

5.4. Conclusiones .......................................................................................... 164

6. CONCLUSIONES................................................................................................. 165

IV

PARTE III. ESTUDIO EMPÍRICO

CAPÍTULO 4. INVESTIGACIÓN EMPÍRICA UTILIZANDO LA METODOLOGÍA

DEL FORO ECONÓMICO MUNDIAL

1. INTRODUCCIÓN .....................................................................................173

2. LA ELECCIÓN DE CATALUÑA...................................................................175

3. OBJETIVOS……………………………………………………………………... 179

4. HIPÓTESIS................................................................................................ 180

5. METODOLOGÍA............................................................ ..............................181

5.1. Recogida de datos............................................................................181

5.2. Procedimiento realizado ………………………………………………..183

6. RESULTADOS.................................................................... ........................184

7. CONCLUSIONES.............................................................. ..........................185

CAPÍTULO 5. INVESTIGACIÓN EMPÍRICA UTILIZANDO MÉTODOS

ESTADÍSTICOS ALTERNATIVOS

1. INTRODUCCIÓN....................................................................................... 205

2. OBJETIVOS .............................................................................................. 207

3. HIPÓTESIS ............................................................................................... 208

4. METODOLOGÍA........................................................................................ 209

4.1.Análisis factorial............................................................................... 210

4.2. Análisis de conglomerados o cluster .............................................. 214

4.3.Regresión lineal ............................................................................... 216

V

5. ANALISIS DE LA RELACIÓN DE LA VARIABLE ESTADO DE

DESARROLLO DE LOS CLUSTERS CON OTRAS

VARIABLES QUE INFLUYEN EN LA COMPETITIVIDAD .............................. 217

5.1.Definición de las variables .................................................................... 219

5.2.Análisis descriptivo de las variables...................................................... 227

5.2.1. Estadísticos básicos................................................................. 227

5.2.2. Diagramas de cajas ................................................................. 229

5.2.3. Pruebas de normalidad: Kolmogorov-Smirnof

e histogramas........................................................................ 231

5.3. Obtención de variables categorizadas mediante un análisis

Cluster ..................................................................................................... 240

5.3.1. Nuevas variables categorizadas ............................................... 242

5.3.2. Distribución de frecuencias de variables

Categorizadas .......................................................................... 242

5.3.3. Anova y pruebas post-hoc ........................................................ 254

5.4. Análisis de asociaciones entre variables dos a dos mediante

tablas de contingencia..................................................................... 259

5.4.1. Tablas recuento ........................................................................ 260

5.4.2. Gráficos de barras .................................................................... 266

5.4.3. Pruebas de Chi cuadrado de Pearson,

V de Cramer y Gamma. .......................................................... 273

5.5. Estudio de las relaciones entre todas las variables

conjuntamente mediante análisis de correspondencias múltiples.... 276

6. OBTENCIÓN DE INDICADORES DE COMPETITIVIDAD

MEDIANTE ANÁLISIS FACTORIAL................................................................ 281

VI

6.1. Obtención de factores de competitividad con una

muestra de 34 variables ........................................................................... 283

6.1.1.Definición de variables............................................................... 284

6.1.2.Categorización de factores ........................................................ 297

6.1.3. Análisis de la relación entre el estado de

desarrollo de los clusters y los factores de

competitividad mediante análisis de

correspondencias múltiples...................................................... 309

6.2. Obtención de factores de competitividad con toda

la base de datos ....................................................................................... 313

6.2.1. Definición de variables.............................................................. 313

6.2.2. Categorización de factores ....................................................... 339




correspondencias múltiples...................................................... 348

7. ANÁLISIS DE LA RELACIÓN CAUSAL ENTRE EL

ESTADO DE DESARROLLO DE LOS CLUSTERS Y LA

COMPETITIVIDAD MEDIANTE REGRESIÓN LINEAL.................................... 352

7.1. Regresión lineal con los indicadores de competitividad

resultantes del análisis factorial realizado con 34 variables ..................... 353

7.1.1. Variable dependiente: estado de desarrollo de los

Clusters ................................................................................... 353

7.1.2. Variable independiente: estado de desarrollo

de los clusters ......................................................................... 355

VII


resultantes del análisis factorial de toda la base de datos.............360


clusters...........................................................................360


de los clusters..................................................................362

PARTE IV. CONCLUSIONES

CAPÍTULO 6. CONCLUSIONES

1. INTRODUCCIÓN.........................................................................................375

2. CONCLUSIONES PARCIALES...................................................................377

2.1. Del marco conceptual...........................................................................377

2.1.1. Conclusiones parciales respecto al concepto de

competitividad...........................................................................377

2.1.2. Conclusiones parciales respecto al concepto de cluster............379

2.2. Del estudio empírico.............................................................................380

2.2.1. Primera fase................................................................................380

2.2.2. Segunda fase..............................................................................382

3. CONCLUSIONES DE LA INVESTIGACIÓN................................................385

REFERENCIAS……………..…………………………………………………………..389

ANEXOS................................................................................................................423

IX

Índice de Figuras1 Figura 2.1. Determinantes de la competitividad regional....................................... 47

Figura 2.2. Determinantes de la competitividad .................................................... 67

Figura 2.3. El Modelo del Diamante. ..................................................................... 69

Figura 3.1. Mapa de clusters del Reino Unido..................................................... 130

Figura 3.2. Localización de los sistemas productivos locales Catalanes ............ 133

Figura 3.3. Relaciones entre los sistemas productivos ocales Catalanes ........... 135

Figura 3.4. El cluster de la electrónica de consumo en Cataluña........................ 144

Figura 4.1. Situación de los países según el Índice de Competitividad

de los Negocios (Business Competitiveness Index) y

PIB per Cápita .................................................................................. 187

Figura 5.1. Diagrama de cajas de las variables................................................... 230

Figura 5.2. Histogramas (primera parte) ............................................................ 234

Figura 5.3. Histogramas (segunda parte)............................................................ 236

Figura 5.4. Histogramas (tercera parte) ............................................................. 238

Figura 5.5. Gráfico de frecuencias de la variable Estado de desarrollo

de los clusters.................................................................................. 244

Figura 5.6. Gráficos de barras correspondientes a las tablas de

contingencia de todas las variables excepto Región ........................ 268

Figura 5.7. Gráfico de barras correspondiente a la tabla de

contingencia de la variable Región.................................................. 272

Figura 5.8. Diagrama conjunto de puntos de categorías para todas

las variables..................................................................................... 278

Figura 5.9. Diagrama conjunto de puntos de categorías para las

variables estado de desarrollo de los clusters y Región................... 280

Figura 5.10. Gráfico de dispersión de puntos para los factores 1

(competitividad microeconómica) y 2 (tecnología)........................... 294

Figura 5.11. Gráficos de dispersión de puntos para los factores 1

1 Las figuras están referenciadas indicando en primer lugar el número del capítulo al que pertenecen y en segundo lugar el número que ocupan entre las figuras de ese capítulo.

X

(competitividad microeconómica) y 3 (institucional)...................... .296

Figura 5.12. Diagrama conjunto de puntos de categorías de los

factores resultantes de análisis factorial inicial ............................. .311

Figura 5.13. Gráfico de dispersión de puntos para los factores

1A (competitividad microeconómica) y 2A (tecnología) ................ 334

Figura 5.14. Gráficos de dispersión de puntos para los factores

1A (competitividad microeconómica) y 3A (institucional) .............. 335


1A (competitividad microeconómica) y 2A (tecnología) para

los países situados en el cuadrante de España y Cataluña........... 337


1A (competitividad microeconómica) y 3A (institucional) para

los países situados en el cuadrante de España y Cataluña........... 338

Figura 5.17. Diagrama conjunto de puntos de categorías de los factores

resultantes del análisis factorial con toda la base de datos .......... .350

XI

Índice de Cuadros2

Cuadro 2.1. Definiciones de competitividad .............................................................34

Cuadro 2.2. Indicadores de competitividad y productividad. ................................... 43

Cuadro 2.3. Dos enfoque de competitividad.. ......................................................... 45

Cuadro 2.4. Composición del Índice de Competitividad Global................................54

Cuadro 2.5. Clasificación de países y peso de los pilares .......................................65

Cuadro 2.6. Composición del Índice de Competitividad de los Negocios.................73

Cuadro 2.7. Clasificación de países.... .....................................................................75

Cuadro 2.8. Composición del Anuario de Competitividad Mundial.......................... 77

Cuadro 3.1. Definiciones de cluster......................................................................... 99

Cuadro 3.2. Diferentes enfoques en la identificación y medición de clusters .........117

Cuadro 3.3. Ventajas de los clusters..................................................................... .150

Cuadro 4.1. Ranking mundial de países según el Índice de

Competitividad de los Negocios 2007 ................................................185

Cuadro 4.2. Resultados del Índice de Competitividad de los Negocios. ............... 188

Cuadro 4.3. Resultados detallados por variables del Índice de

Competitividad de los Negocios para España y Cataluña. ................ 189

Cuadro 5.1. Resumen de las principales variables incluidas en el análisis. .......... 226

Cuadro 5.2. Estadísticos descriptivos.. ................................................................ ..228

Cuadro 5.3. Pruebas de normalidad...................................................................... 232

Cuadro 5.4. Distribución de frecuencias de la variable

Estado de desarrollo de los clusters categorizada....... ............. ..........243

Cuadro 5.5. Distribución de países según la variables Estado

de desarrollo de los clusters categorizada...................................... .....245


Disponibilidad local de equipos de procesamiento categorizada........ .246


2 Los cuadros están referenciados indicando en primer lugar el número del capítulo al que pertenecen y en segundo lugar el número que ocupan entre los cuadros de ese capítulo.

XII

Cantidad de proveedores locales categorizada...... .............................. 247


Calidad de proveedores locales categorizada...... ............................... ..247


Sofisticación de compradores categorizada..... .................................... .248


Intensidad de la competencia categorizada............................................248

Cuadro 5.11. Distribución de frecuencias de la variable Disponibilidad

local de servicios de investigación y formación categorizada.............. 249


Naturaleza de la ventaja competitiva categorizada... .............................249


Presencia global de la cadena de valor categorizada....... .................. ..250


Sofisticación de los procesos de producción categorizada.................. ..250


Control local de la distribución internacional categorizada... .............. ...251


Capacidad de innovación categorizada... ............................................ ..252


Presencia regional de exportaciones categorizada. ............................ ..252


Presencia internacional de exportaciones categorizada..................... ...253

Cuadro 5.19. Distribución de frecuencias de la variable Región

categorizada.... ....................................................................................253

Cuadro 5.20. ANOVA y pruebas post-hoc para las variables categorizadas. ......... 256

Cuadro 5.21. Tablas de recuento..... ...................................................................... ..261

Cuadro 5.22. Tabla de recuento para la variable Región… ................................... ..265

Cuadro 5.23. Pruebas de Chi-Cuadrado de Pearson, V de Cramer y

Gamma......... .................................................................................. ...275

Cuadro 5.24. Resumen del análisis de correspondencias múltiples entre todas

las variables..................................................................................... ...277

Cuadro 5.25. Resumen del análisis de correspondencias múltiples entre

las variables Estado de desarrollo de los clusters y Región.......... ... 279

XIII

Cuadro 5.26. Estadísticos descriptivos de las variables utilizadas en el

análisis factorial inicial.... ................................................................. ...286

Cuadro 5.27. Medida de adecuación muestral de KMO y prueba de

esfericidad de Bartlett ......................................................................... 287

Cuadro 5.28. Matriz de comunalidades del análisis factorial inicial............. ..............288

Cuadro 5.29. Varianza explicada por cada factor..................................... .................289

Cuadro 5.30. Matriz de componentes rotados...........................................................290

Cuadro 5.31. Variables asociadas a cada factor………………………..........………..292

Cuadro 5.32. Centros de los conglomerados finales para el

factor 1 (competitividad microeconómica) ..............................................297

Cuadro 5.33. Test ANOVA.................... ......... ...........................................................298

Cuadro 5.34. Distribución de frecuencias del Factor 1 categorizado.... ....................298

Cuadro 5.35. Distribución de frecuencias de la variable región según

el Factor 1 categorizado.................... ....................................................299

Cuadro 5.36. Distribución de frecuencias de países según el Factor 1

categorizado............................................................................................300

Cuadro 5.37. Centros de los conglomerados finales para el factor 2

(tecnología).......................................................................... ...................301

Cuadro 5.38. Test ANOVA.........................................................................................302

Cuadro 5.39. Distribución de frecuencias para el Factor 2 categorizado..... ......... ...302

Cuadro 5.40. Distribución de frecuencias de la variable región según

el Factor 2 categorizado................. .......................................................303

Cuadro 5.41. Distribución de países según el Factor 2 categorizado........ ...............304

Cuadro 5.42. Centros de los conglomerados finales para el factor 3

(institucional)....................................................................... ....................305

Cuadro 5.43. Test ANOVA................................... ......... ............................................305

Cuadro 5.44. Distribución de frecuencias para el Factor 3 categorizado.... ..............306

Cuadro 5.45. Distribución de frecuencias para la variable Región según

el Factor 3 categorizado................. ........................................................307

Cuadro 5.46. Distribución de países según el Factor 3 categorizado.... ...................308

Cuadro 5.47. Resumen del modelo de correspondencias múltiples..........................310

Cuadro 5.48. Estadísticos descriptivos de las variables de competitividad

utilizadas en el análisis factorial con toda la base de datos................. ..316

XIV

Cuadro 5.49. Prueba KMO y test de Bartlett.............................................. ...............317

Cuadro 5.50. Matriz de comunalidades de las variables de competitividad

microeconómica.................................................................... ..................318

Cuadro 5.51. Varianza explicada por cada factor......................................................319


Cuadro 5.53. Estadísticos descriptivos de las variables de tecnología

utilizadas en el análisis factorial con toda la base de datos....... ..........322

Cuadro 5.54. Prueba KMO y test de Bartlett .............. ..............................................323

Cuadro 5.55. Matriz de comunalidades de las variables tecnológicas... ...................324

Cuadro 5.56. Varianza total explicada por cada factor...................... ........................325


Cuadro 5.58. Test de KMO y prueba de esfericidad de Bartlett............. ...................327

Cuadro 5.59. Matriz de comunalidades de las variables institucionales....................328

Cuadro 5.60. Varianza total explicada por cada factor.............................. ................330


Cuadro 5.62. Centros de los conglomerados finales para el factor

1A (competitividad microeconómica)............................... .......................339


Cuadro 5.64. Distribución de frecuencias para el factor 1A categorizado.. ...............340

Cuadro 5.65. Distribución de países según el factor 1A categorizado....... ...............341

Cuadro 5.66. Centros de los conglomerados finales para el factor 2A-

tecnología................................................................................................342


Cuadro 5.68. Distribución de frecuencias para el factor 2A categorizado..... ......... ..343

Cuadro 5.69. Distribución de países según el factor 2A categorizado........ ..............344

Cuadro 5.70. Centros de los conglomerados finales para el factor 3A-

Institucional...................................................... .......................................345


Cuadro 5.72. Distribución de frecuencias para el factor 3A categorizado... ..............346

Cuadro 5.73. Distribución de países según el factor 3A- Institucional.......................347

Cuadro 5.74. Resumen del modelo de correspondencias múltiples de los

tres factores obtenidos con toda la base de datos............................. ....349

Cuadro 5.75. Resumen del modelo de regresión con los indicadores

obtenidos en el primer análisis factorial y el Estado de desarrollo

XV

de los clusters como variable dependiente..............................................354

Cuadro 5.76. Test ANOVA ....................................................................................... 354

Cuadro 5.77. Coeficientes para los tres factores.............................................. .........355

Cuadro 5.78. Resumen del modelo de regresión del factor 1 y el

Estado de desarrollo de los clusters………………………………………. 356


Cuadro 5.80. Coeficientes del modelo........................................ ...............................357

Cuadro 5.81. Resumen del modelo de regresión del factor 2 y el

Estado de desarrollo de los clusters…………………………………….... 357


Cuadro 5.83. Coeficientes para el modelo de regresión del factor 2 y el

Estado de desarrollo de los clusters...................................................... 358

Cuadro 5.84. Resumen del modelo de regresión entre el factor 3 y el

Estado de desarrollo de los clusters………………………………. ...........359


Cuadro 5.86. Coeficiente para el modelo de regresión del factor 3 y el


Cuadro 5.87. Resumen del modelo de regresión con los indicadores

obtenidos en el análisis factorial con toda la base de datos

y el Estado de desarrollo de los clusters……………………………….....361


Cuadro 5.89. Coeficientes para los tres factores...................................... .................362

Cuadro 5.90. Resumen del modelo de regresión entre el factor 1A y el


Cuadro 5.91. Test ANOVA…………………….. ........................................................ 364

Cuadro 5.92. Coeficientes para el modelo de regresión del factor 1A y

el Estado de desarrollo de los clusters ............................................... ...364

Cuadro 5.93. Resumen del modelo de regresión entre el factor 2A y

el Estado de desarrollo de los clusters ...................................................365



el Estado de desarrollo de los clusters ..................................................366

Cuadro 5.96. Resumen del modelo de regresión entre el factor 3A y

el Estado de desarrollo de los clusters........ .......................................... 367

XVI



el Estado de desarrollo de los clusters .................................................. 368

XVII

a Ramón

XIX

AGRADECIMIENTOS

Muchas personas me han ayudado en la elaboración de esta tesis y me han acompañado y apoyado durante estos años.

En primer lugar quiero recordar a Eduardo Ballarín, un gran profesor y persona entrañable,

que lamentablemente ya no está entre nosotros. El me animó a comenzar este proceso, y me alentó continuamente. Eduardo y el Dr. Antoni Subirà me facilitaron los medios necesarios para llevar a cabo la investigación y me dieron todo su apoyo. Por todo ello, muchas gracias.

A los Dres. Yolanda Fernández Jurado y Antonio Rúa, mis directores de tesis; a los dos les

agradezco sus enseñanzas, su guía y consejos, y sus constantes y valiosas correcciones que han sido fundamentales para la terminación de este trabajo. Sobre todo, les agradezco sinceramente su dedicación y paciencia en las interminables horas que han dedicado a esta tesis.

A la Universidad Pontificia Comillas de Madrid, a la Facultad de Ciencias Económicas y

Empresariales, a los miembros del Departamento de Gestión Empresarial y en especial a su Director, Antonio Núñez, por la diligencia y profesionalidad con la que han facilitado la parte final de este largo proceso.

A la Dra. Mónica García-Ochoa, que me dirigió en mis primeros trabajos de investigación,

por sus consejos, su interés y apoyo constante. Finalmente quiero dar las gracias a mis padres, porque su ejemplo y su confianza

inquebrantable en mí me animan siempre a dar lo mejor; al resto de mi familia y a mis amigos, por su cariño y su apoyo incondicional. A Ramón, porque si he terminado esta tesis, ha sido gracias a él; por eso y por mucho más, gracias.

Y a mis hijas, que hacen que todos los esfuerzos merezcan la pena.

PARTE I

INTRODUCCIÓN

CAPÍTULO 1

INTRODUCCIÓN

Capítulo 1. Introducción

2


3

ÍNDICE

1. INTRODUCCIÓN .........................................................................................5

2. ESTADO DE LA CUESTIÓN .......................................................................6

2.1. La competitividad ...........................................................................6

2.2. Los clusters ....................................................................................9

2.3. El problema: la influencia de los clusters en la competitividad ....13

3. JUSTIFICACIÓN DE LA INVESTIGACIÓN ...............................................14

4. OBJETIVO DE LA INVESTIGACIÓN ........................................................17

5. ESTRUCTURA DEL TRABAJO Y METODOLOGÍA UTILIZADA..............21


4


5

1. INTRODUCCIÓN

En esta tesis se analiza la influencia de los clusters sobre la competitividad de

los países y regiones y se profundiza en los mecanismos o variables a través

de los cuales se produce esta supuesta influencia. Se trata de verificar en qué

medida en España y, de forma específica, en una región española, realmente

se puede relacionar el desarrollo de los clusters con mejoras en la

competitividad.

Aunque diversas regiones españolas están fomentando los clusters para

aumentar la competitividad de sus áreas geográficas y en ellas ya se han

realizado diversos estudios de investigación en este sentido (País Vasco,

Comunidad Valenciana, Galicia, etc.), en esta investigación el análisis se va a

centrar en el caso específico de la región catalana para detectar cuáles son los

factores que realmente pueden permitir que el desarrollo de clusters en esta

región aumente la competitividad de la misma. Este trabajo se va a realizar

desde una perspectiva global, por lo que además de estudiar la región catalana

y España, se van a incluir otros 136 países en el análisis.

En la introducción de esta tesis se pretende mostrar el estado de la cuestión

en cuanto a los estudios realizados, tanto en términos teóricos como empíricos,

sobre los dos conceptos centrales de esta tesis: la competitividad de países y

regiones y los clusters. Además, se justifica el interés de este trabajo y se

exponen sus objetivos, así como, la metodología que se va a utilizar y la

estructura de esta investigación.


6

2. ESTADO DE LA CUESTIÓN

2.1. La competitividad.

El concepto de competitividad ha suscitado en los últimos años un gran

interés por parte de algunos autores, de diversas instituciones y de gobiernos

de distintos países lo que se ha traducido en una gran profusión de trabajos,

tanto teóricos como empíricos. A pesar de ello, no existe un acuerdo

generalizado sobre el concepto de competitividad ni respecto a los factores o

variables que inciden en ella ni sobre las metodologías de medición.

Existen diversas definiciones de competitividad en las que predominan los

factores macroeconómicos como el volumen de exportaciones (Ohlin, 1933;

Tiebout, 1956; Canals, 1988; Tyson, 1992; Rowthorn, 1999), la cuota de

mercado en un determinado sector o industria (Simmie, 2006) o el tipo de

cambio real (Boltho, 1996). Entre el grupo de autores que destacan factores

macroeconómicos son también numerosas las referencias al bienestar y a la

renta per cápita como indicadores de competitividad (Scott, 1985; Storper,

1997; Trichet, 2008).

Sin embargo, cada vez hay más autores y organismos públicos y privados

que defienden un concepto más amplio de competitividad en el que, además de

los factores macroeconómicos, se incluyen factores microeconómicos que

influyen en la eficiencia de las empresas, como por ejemplo, la diferenciación


7

de productos, la innovación, la organización o la tecnología (Amin y Tomaney,

1995; Ciampi, 1996; Departamento de Industria y Trabajo del Reino Unido,

2002; O´Mahony y Van Ark, 2003; Porter, 2004; Foro Económico Mundial,

2006, International Institute for Management Development, 2007).

Dentro de esta vertiente que considera que en la competitividad influyen tanto

factores macroeconómicos como microeconómicos existen algunas

investigaciones que han relacionado también el concepto de competitividad con

la productividad, entendida esta última como el valor de los bienes y servicios

producidos por cada unidad de recursos naturales, humanos y de capital

(Bravo y Gordo, 2003; O´Mahony y Van Ark, 2003; Gardiner et al., 2004; Porter,

2004).

Como consecuencia de estas aportaciones parece claro que aunque no

puede afirmarse que exista un concepto de competitividad generalmente

aceptado, en el ámbito científico se observa una tendencia hacia definiciones

de competitividad cada vez más completas que incluyen tanto factores

macroeconómicos como microeconómicos y que, en muchas ocasiones,

relacionan la competitividad con la productividad.

Con el objetivo de realizar una investigación que pueda ser de utilidad en el

ámbito práctico este estudio se centrará en las definiciones de competitividad

que incluyen factores macroeconómicos y microeconómicos y que analizan

cómo puede influir la productividad en la competitividad. El alcance del término

competitividad que se utilizará en esta tesis se referirá a la competitividad de


8

los países y regiones incluidos en el análisis, por lo que se considera más

adecuado seguir un concepto integrador que recoja todas las variables que

puedan influir en la competitividad nacional y regional, ya sean de tipo

macroeconómico o microeconómico.

En cuanto a las metodologías de medición de la competitividad, instituciones

públicas y privadas publican informes que ofrecen comparativas internacionales

en temas de competitividad (como el European Competitiveness Report de la

Comisión Europea o el European Atractiveness Survey de Ernst & Young), pero

que no aportan un único indicador que recoja todos los aspectos que pueden

afectar a la competitividad.

En la actualidad existen dos estudios muy reconocidos que sí proponen

indicadores de competitividad utilizando modelos empíricos de medición: el

Informe de Competitividad Global (Global Competitiveness Report), publicado

por el Foro Económico Mundial (World Economic Forum) y el World

Competitiveness Yearbook, publicado por el International Institute for

Management Development (IMD). Ambas instituciones analizan la

competitividad de las principales economías mundiales utilizando metodologías

completas y bien argumentadas basadas tanto en datos publicados como en

encuestas. Estos dos estudios y su metodología se analizarán con detalle en el

Capítulo 2 de este trabajo y uno de ellos, el Informe de Competitividad Global,

se seguirá como punto básico en el análisis empírico de Capítulo 4.


9

De los dos estudios antes mencionados se ha elegido la metodología del

primero de ellos, es decir, del Informe de Competitividad Global frente al World

Competitiveness Yearbook para la parte empírica de esta tesis, ya que encaja

mejor con el concepto amplio e integrador de competitividad que se va a utilizar

en esta tesis ya que: incluye un número muy superior de países en su análisis;

está más enfocado en aspectos microeconómicos, los cuales se consideran

cada vez más relevantes para la competitividad y, para reflejarlos, publica dos

índices: el Índice de Competitividad Global, y el Índice de Competitividad de

los Negocios que es de carácter microeconómico; finalmente, contempla el

concepto de cluster en su definición de competitividad. Por otro lado, esta

metodología ya ha sido aplicada a otras regiones españolas (Ramos, 2001),

aunque nunca a Cataluña.

2.2. Los clusters

Dados los beneficios que supuestamente tienen los clusters para las

empresas que operan en ellos y para las regiones o países que los impulsan y

promueven y, en concreto, su pretendida influencia sobre el desarrollo

económico y la competitividad se han realizado múltiples aportaciones

referentes a los clusters tanto desde un punto de vista teórico como desde un

punto de vista práctico.

La palabra cluster hace referencia a un grupo de cosas del mismo tipo que

crecen o se mantienen juntas y su traslado a la esfera económica para referirse

a un conjunto de empresas agrupadas ha dado lugar a una abundante


10

literatura. Alfred Marshall (1961) fue el precursor del concepto cluster con sus

trabajos en 1890 sobre los distritos industriales, formados por la presencia en

un mismo territorio de gran cantidad de pequeños establecimientos

especializados en la ejecución de una fase particular del proceso productivo.

Si bien los distritos industriales son los precursores de los clusters y ambos

términos se utilizan indistintamente en numerosas ocasiones, los clusters

constituyen un concepto más amplio en el que caben agrupaciones de

empresas del tipo de los distritos industriales, pero también de otras

características.

Desde Alfred Marshall introdujo el término de distritos industriales

numerosos autores han tratado de delimitar con más exactitud el concepto

(Clapham, 1920; Pigou, 1925; Young, 1928; Becattini, 1987 y 1990; Scott,

1988); no obstante, el término cluster obtiene su mayor difusión tras la

publicación de los trabajos de Michael Porter en los años 90 ya que este autor

relacionó los clusters con la competitividad y consideró a los clusters como un

factor determinante de la ventaja competitiva de países y regiones. A partir de

entonces se genera un creciente interés relacionado con el estudio de los

clusters que se pone de manifiesto en la profusión de trabajos que se han

desarrollado en las dos últimas décadas.

Sin embargo, a pesar de que los autores parecen coincidir en la idea básica

de que los clusters están formados por un número de empresas agrupadas,

hay discrepancias en cuanto a diversos aspectos.


11

En primer lugar, no está clara la dimensión geográfica de los clusters. Para

algunos autores la localización es irrelevante en la actividad económica

(O´Brien, 1992; Cairncross, 1997; Gray, 1998), mientras que para otros la

localización es fundamental (Ohmae, 1995; Krugman, 1997; Porter, 1998;

Swann y Prevezer, 1998; Fujita et al., 2000; Cooke y Huggins, 2003; Cortright,

2006).

En segundo lugar, hay discrepancias respecto al tipo de relación que debe

existir entre las empresas que integran el cluster. Algunos autores se muestran

escépticos en cuanto a la posibilidad de que existan relaciones de colaboración

(Bergman y Feser, 1999; Meyer-Stamer, 2001) pero la mayoría de ellos

consideran que deben existir relaciones tanto de colaboración como de

competencia entre las empresas que forman el cluster (Piore y Sabel, 1984;

Porter, 1998; Raines, 2000; Cooke y Huggins, 2003; Navarro, 2003; Malmberg

y Power, 2006).

En tercer lugar, hay cierta indefinición en cuanto a la naturaleza y tamaño de

las empresas que integran el cluster aunque, en general, se tiende a incluir

tanto a empresas como a instituciones y se considera conveniente que al

mismo pertenezcan entidades de distintos tamaños (Porter, 2003; Hernández

et al., 2005).

Finalmente existen discrepancias en cuanto a los métodos de identificación y

análisis de clusters, que varían según el concepto de cluster que se utilice y


12

han sido descritos por diversos autores (Roeland y DenHertog, 1998; Bergman

y Feser, 1999; Hoen, 1999; Martin y Sunley, 2003; Navarro, 2003).

A pesar de estas dificultades, además de la comunidad académica,

numerosos organismos públicos y privados1 se han lanzado a la ardua tarea

de la identificación de clusters invirtiendo importantes recursos. Estos análisis

han generado diversos trabajos de difícil comparación pero que contribuyen a

la identificación y localización de clusters y al esclarecimiento de sus

características y funcionamiento, lo que constituye una base documental

interesante de estudio. Por eso en esta investigación se considera

fundamental analizar todas estas cuestiones para poder desarrollar un trabajo

empírico sobre el tema de los clusters.

En esta tesis se va a utilizar un concepto amplio de cluster, en el que se

considera relevante la dimensión geográfica, que admite relaciones tanto de

colaboración como de competencia entre las empresas que lo integran, en el

que tienen cabida empresas de distintos tamaños, así como instituciones de

apoyo y en el que se podrán incluir agrupaciones del tipo de los distritos

industriales así como otras con características diferentes. Se considera más

apropiado para este estudio el concepto de cluster porque aunque en España

y, en concreto en Cataluña, se puede hablar en general de distritos industriales,

en el análisis empírico de esta tesis se analizan diferentes países que

lógicamente contarán con tipologías distintas de clusters.

1 Vinnova en Suecia; Institute for Strategy and Competitiveness en Estados Unidos; Departamento de Industria y Comercio de Reino Unido; Departamento de Trabajo e Industria de la Generalitat de Cataluña; European Network for Social and European Research.


13

2.3. El problema: la influencia de los clusters en la competitividad

Los autores atribuyen numerosas ventajas a los clusters, que pueden

agruparse en dos tipos:

- Ventajas de aglomeración. Por ejemplo, se genera un mejor acceso a mano

de obra, servicios de apoyo a inputs especializados o a la disponibilidad de

proveedores locales lo que genera menores costes de transacción y mayor

productividad y eficiencia (Porter, 1998; Gordon y McCann, 2000; Krugman,

2001; Basant, 2002; Belussi, 2006; Gertler y Wolfe, 2006).

- Ventajas de difusión del conocimiento. Este tipo de ventajas pueden implicar

un mayor índice de innovación y desarrollo tecnológico y mejores prácticas. Por

ejemplo, una mayor participación en redes locales, la imitación, el aprendizaje

o el intercambio de mejores prácticas (Lundvall, 1992; Porter, 1998; Swann,

2002; Storper y Venables, 2004; Galetto, 2008; López, Más y Molina, 2008).

Existen diversos trabajos empíricos que relacionan la existencia de clusters

con algunas de estas ventajas y, en ocasiones, expresamente con la

competitividad. Pueden distinguirse tres grupos de aportaciones empíricas:

- Las que miden el efecto directo de los clusters en alguna de las ventajas de

aglomeración o difusión del conocimiento (Glaeser et al., 1992; Henderson,

1994; Herce et al., 1996; De Lucio, 1998; Signorini, 2000; Beaudry y Breschi,

2003; Porter, 2004; Budí, 2008; Galetto, 2008).


14

- Los trabajos que muestran evidencia indirecta entre los clusters y algunas de

las ventajas que se les atribuyen (Hilpert, 1992; Audretsch y Feldman, 1996;

Lorenz, 1999; Coe, 2000; Bennet et al., 2001, Lissoni, 2001; Dahl, 2002; Welz,

2003).

- Los trabajos que hablan explícitamente de la relación entre los clusters y la

competitividad (Costa y Viladecans-Marsal, 1999; European Network for Social

and Economic Research, 2001; Ketels, 2003; el Índice de Competitividad de los

Negocios del Foro Económico Mundial, 2007; Delgado, 2007).

Los trabajos empíricos mencionados se centran en alguna de las ventajas de

los clusters o en casos concretos de empresas o regiones, o bien en algún

aspecto concreto relacionado con la competitividad. Sin embargo, no son

trabajos empíricos que aporten una visión global e integral de la importancia

de los clusters sobre la competitividad en términos de desarrollo de países y

regiones y de los mecanismos a través de los cuales se produce la misma.

Esto justifica la necesidad de desarrollar aún más este tipo de estudios y en

esta investigación se pretende realizar un estudio empírico en el que se analice

si los clusters influyen sobre la competitividad de los países y regiones y que

profundice en los mecanismos a través de los cuales se produce dicha

influencia.

3. JUSTIFICACIÓN DE LA INVESTIGACIÓN

Tal y como se ha comentado en el apartado anterior, al describir el problema

de la influencia de los clusters en la competitividad, los trabajos empíricos


15

realizados en este campo se centran en alguna de las ventajas de los clusters,

en casos concretos de empresas o regiones, o bien en algún aspecto concreto

relacionado con la competitividad, sin aportar una visión global e integral de

dicha influencia y de los mecanismos a través de los cuales se produce.

Esta tesis pretende contribuir a cubrir ese vacío, demostrando la influencia

de los clusters sobre la competitividad de un país y una región, España y

Cataluña, y estudiando a través de qué mecanismos o variables se produce

esa influencia con un enfoque amplio e integrador, en el que además:

- se utiliza un concepto de competitividad de países y regiones amplio e

integrador, en el que se incluyen múltiples variables de tipo macroeconómico y

microeconómico,

- se incluyen otros 136 países, lo que proporciona una visión internacional del

tema,

- se combina una metodología ampliamente reconocida, como es la del Índice

de Competitividad de los Negocios del Informe de Competitividad Global, con

otros métodos estadísticos.

Se utilizan dos metodologías diferentes en el análisis empírico porque el

Índice del Informe de Competitividad Global proporciona una selección de

variables reconocida y probada, así como unos primeros resultados sobre la

evidencia de relación entre el estado de desarrollo de los clusters y otras

variables de competitividad. La utilización de una segunda metodología basada

en otros métodos estadísticos, como las tablas de contingencia, las

correspondencias múltiples, el análisis factorial, el análisis cluster y las


16

regresiones, proporcionará una mayor flexibilidad, ya que se podrán analizar

con más detalle y profundidad las evidencias de relación entre el “estado de

desarrollo de los clusters” y otras variables de competitividad encontradas en la

primera parte del análisis empírico y permitirá confirmar la influencia de los

clusters sobre la competitividad, que es la hipótesis principal de este estudio .

Aunque resulta evidente que una región, en este caso Cataluña, no dispone

de la misma capacidad de actuación que una nación, dado que debe funcionar

dentro de las competencias que el Estado Central le ha conferido, el tamaño

geográfico de esta Comunidad y el nivel de actividad económica de la misma

es incluso mayor que la de algunos de los países que se incluyen en el

Informe de Competitividad Global.2

Como consecuencia de ello, admitiendo las limitaciones que se pueden tener

en alguno de los factores valorados, se ha considerado conveniente establecer

un modelo en el que se pueda considerar como un factor importante el ámbito

territorial donde se desarrollan los clusters con independencia de que dicho

ámbito tenga una estructura legal o política como región, nación o grupo de

naciones.

Si bien otras Comunidades Autónomas españolas están realizando

importantes estudios e investigaciones sobre clusters y competitividad

(Comunidad Valenciana, País Vasco, etc.) este estudio se va a centrar en

2 Por ejemplo, el PIB de Cataluña en 2008 ascendió a 317.776 millones de dólares, lo que sitúa a Cataluña por encima de países como Irlanda (273.328 mill $), Chile (169.573 mill. $) o Malasia (222.219 mill $).


17

Cataluña ya que en esta región, junto con Valencia, el estado de desarrollo de

los clusters es mayor que en el conjunto de España (Costa, 1988; Trullén,

2002; Santa María et al. 2004; Boix y Galetto, 2004 y 2006). Esto tiene su

reflejo en la política industrial que se ha llevado a cabo en Cataluña en las dos

últimas décadas, que pone de manifiesto la importancia que atribuyen a los

clusters, y que se describe con más detalle en el Capítulo 4. Se pretende

analizar si ese mayor desarrollo de los clusters en una región española

realmente ha generado mejores resultados de competitividad y en qué

aspectos concretos de la competitividad ha influido.

La elección de Cataluña también se debe a que la metodología del Informe

de Competitividad Global se ha aplicado a otras regiones españolas (Ramos,

2001) pero nunca a Cataluña y, además, a que se cuenta con una mayor

disponibilidad y facilidad para la recogida y análisis de datos, ya que se ha

recibido la colaboración del International Center for Competitiveness del IESE

y del Institute for Strategy and Competitiveness de Harvard.

Esta tesis puede ser de utilidad para la administración pública al ofrecer

alguna orientación sobre la importancia que los clusters pueden tener en el

crecimiento económico de España y de sus regiones; además, aporta

información sobre los mecanismos a través de los cuales la existencia de

clusters incide positivamente en la competitividad, lo cual puede ser valioso

para algunas instituciones públicas.


18

Este trabajo también puede ser de interés para las empresas, ya que éstas

son las integrantes de los clusters y las protagonistas, en última instancia, de la

competitividad de los países y regiones.

Finalmente, los estudiosos de los conceptos de competitividad y clusters

pueden considerar de interés esta tesis, ya que analiza un campo no cubierto,

el de la influencia de los clusters en la competitividad de países y regiones con

un enfoque en el que se utiliza un concepto amplio e integrador de

competitividad y con una perspectiva global, en la que se incluyen además de

Cataluña, España y otros 136 países .

4. OBJETIVOS DE LA INVESTIGACIÓN

El objetivo principal de esta tesis es demostrar la influencia del estado de

desarrollo de los clusters sobre la competitividad de los países y regiones,

determinando en concreto en España y en una Comunidad Autónoma, como es

Cataluña, las variables o factores a través de los cuales se produce esta

influencia.

Para lograr este objetivo se realizará una revisión pormenorizada de la teoría

en relación a los conceptos de competitividad y clusters, se analizará la

relación entre ambos conceptos y se identificarán las principales variables y

factores a través de los que se produce esta relación.


19

El concepto de competitividad que se utilizará en el análisis es por tanto el de

competitividad de países y regiones. En cuanto al alcance geográfico del

análisis incluirá Cataluña, España y otros 136 países.

Objetivos parciales que se plantean a través de esta tesis son:

a) Objetivo 1. Construir un cuerpo teórico pormenorizado y ordenado en

torno a los conceptos de competitividad y clusters y analizar la

interrelación entre ambos. Respecto al concepto de competitividad se

pretende analizar y valorar la evolución que ha seguido este concepto

desde una perspectiva puramente macroeconómica hasta un concepto

que incluye tanto aspectos macroeconómicos como microeconómicos,

así como describir y valorar los principales modelos empíricos de

medición de la competitividad de los países.

En lo relativo al concepto de clusters se pretende: describir las

dificultades que se plantean en cuanto a delimitación y clasificación de

clusters y las aportaciones que se han hecho; revisar los métodos de

identificación y análisis de clusters, señalando ventajas e inconvenientes

de cada uno de ellos y describir en detalle una aportación de cada tipo;

describir y clasificar las ventajas que se atribuyen a los clusters.

En lo relativo a la relación entre clusters y competitividad se pretende

exponer las aportaciones realizadas hasta el momento y señalar sus


20

limitaciones, que justifican el trabajo empírico llevado a cabo en esta

tesis.

b) Objetivo 2. Adaptar la metodología del Foro Económico Mundial para la

elaboración del Índice de Competitividad de los Negocios a una región

como la catalana, obteniendo así los resultados de competitividad de

Cataluña. Estos resultados serán comparables a los de España en su

conjunto y a los del resto de países incluidos en el informe, aunque con

las obvias limitaciones derivadas de comparar países con una región.

c) Objetivo 3. Contrastar los resultados de competitividad de Cataluña con

los de los países analizados por el Foro económico Mundial y, en

concreto, con los de España. Se analizarán los distintos subíndices y

factores en los que se descompone el Índice de Competitividad de los

Negocios para comparar los resultados existentes en Cataluña y en

España en cada uno de ellos, lo que permitirá: verificar si una región

con mayor desarrollo de los clusters que España, como es Cataluña,

obtiene mejores resultados en el Índice de Competitividad de los

Negocios que España; determinar en qué variables o factores obtiene

ventajas competitivas una región con mayor desarrollo de los clusters.

d) Objetivo 4. Profundizar en la relación entre el “estado de desarrollo de

los clusters” y otras variables de competitividad utilizando métodos

estadísticos tales como las tablas de contingencia, el análisis de

correspondencias múltiples y el análisis cluster.


21

e) Objetivo 5. Desarrollar un modelo alternativo para analizar la influencia

que tienen los clusters sobre la competitividad. Este modelo permitirá

confirmar o no la influencia de los clusters sobre la competitividad. Para

ello se obtendrán indicadores de competitividad alternativos a los que

usa el Foro Económico Mundial, utilizando las mismas variables pero

aplicando varios métodos estadísticos como el análisis cluster, el

análisis factorial y las regresiones, lo que permitirá:

- Analizar la competitividad de España, Cataluña y el resto de países

incluidos en la base de datos del Foro Económico Mundial en función

de los nuevos indicadores de competitividad obtenidos.

- Verificar si el mayor desarrollo de los clusters en Cataluña ha supuesto

mejores resultados en cuanto a su competitividad.

- Comprobar la relación causal del estado de desarrollo de los clusters

en la competitividad a través de los nuevos indicadores obtenidos.

5. ESTRUCTURA DEL TRABAJO Y METODOLOGÍA UTILIZADA

En la parte II de esta tesis, referente al marco conceptual, se ha realizado

una investigación bibliográfica y se han revisado las principales aportaciones

respecto a los conceptos de competitividad y clusters.

En los capítulos 2 y 3 se desarrollarán los conceptos de competitividad y

clusters y se pondrá de manifiesto la relación existente entre ambos que se


22

basa, en general, en una pretendida influencia de los clusters sobre la

competitividad de los países y regiones; en concreto, en el Capítulo 2 se

desarrollará el cuerpo teórico correspondiente al concepto de competitividad y,

en el Capítulo 3, se tratará de clarificar el concepto de cluster, su origen, sus

límites, utilidad y estado de la cuestión. Se analizarán las principales

aportaciones tanto teóricas como empíricas referentes a ambos conceptos y

se describirán las aportaciones empíricas que han tratado de buscar la relación

entre los clusters y algunos de los aspectos de la competitividad.

La parte III de la tesis, capítulos 4 y 5, se destina a un estudio empírico para

demostrar las hipótesis de partida. Para la realización del trabajo empírico se

han seguido dos metodologías diferenciadas. En el capítulo 4, se ha seguido la

metodología que el Foro Económico Mundial utiliza en el Informe de

Competitividad Global y se ha aplicado a Cataluña. Tal y como se expondrá en

detalle en el Capítulo 2, entre las metodologías ampliamente reconocidas para

la medición de la competitividad de países se ha decidido utilizar la del Foro

Económico Mundial debido a que uno de sus índices, el Índice de

Competitividad de los Negocios está más enfocado en aspectos

microeconómicos de la competitividad (por ejemplo, las estrategias y

operaciones de las compañías y el entorno microeconómico de negocios en el

que operan), los cuales se consideran cada vez más relevantes, contempla

explícitamente el papel de los clusters en la competitividad e incluye un gran

número de países por lo que su utilización permite una visión más global de la

influencia de los clusters en la competitividad. Además, esta metodología ha


23

sido utilizada con anterioridad para medir la competitividad de otras regiones

españolas (Ramos, 2001).

Una vez aplicada la metodología del Foro Económico Mundial a Cataluña y

obtenido su índice de competitividad, se comparará con el de España en su

conjunto y con el del resto de países incluidos en el Informe de Competitividad

Global del Foro Económico Mundial y se verificará si Cataluña, con un mayor

grado de desarrollo de los clusters que España, obtiene mejores resultados en

competitividad. También se analizará con qué variables se asocia o se

relaciona el estado de desarrollo de los clusters.

En el Capítulo 5 se analiza la influencia de los clusters en la competitividad

pero utilizando para medir la competitividad una metodología estadística

alternativa a la utilizada en el Capítulo anterior. La utilización de otros métodos

estadísticos permitirá:

- Profundizar en el análisis de las relaciones entre el estado de desarrollo de

los clusters y otras variables, aportando por tanto mayor flexibilidad.

- Clasificar a los países en grupos homogéneos, que facilitan la comparación.

- Verificar si existe relación de causalidad entre el estado de desarrollo de los

clusters y la competitividad de los países y regiones.

En primer lugar se estudian las relaciones entre el estado de desarrollo de los

clusters y otras variables de competitividad. Para facilitar el análisis de las

relaciones entre variables se va a realizar un análisis cluster. Este análisis es

una técnica de análisis estadístico multivariante que permite la partición de un


24

conjunto de datos (en este caso correspondientes a distintos países) en

grupos de tal forma que los datos pertenecientes a un mismo grupo son muy

similares entre sí pero muy diferentes a los de los otros grupos. Este tipo de

análisis ha sido desarrollado por numerosos autores (Johnson, 1967; Jardine y

Sibson, 1968; Rohlf, 1970; Lerman, 1970; Benzecri, 1976).

En segundo lugar se obtienen nuevos indicadores de competitividad

utilizando las mismas variables del Foro Económico Mundial pero aplicando la

metodología del análisis factorial. El análisis factorial es una técnica estadística

multivariante que permite reducir el número de variables obteniendo nuevas

variables relacionadas llamadas factores que aporten prácticamente la misma

información que las variables iniciales pero que permitan un análisis más

sencillo. Estos indicadores se aplicarán a España, la Comunidad Autónoma de

Cataluña y al resto de países y se comprobará si el mayor desarrollo de los

clusters en Cataluña implica mejores resultados en competitividad según los

nuevos indicadores.

Por último, se analiza la causalidad en la relación entre clusters y

competitividad utilizando regresiones lineales. El modelo de regresión lineal se

utiliza para explicar el comportamiento de una variable denominada variable

dependiente o endógena (Y) a través de una o varias variables independientes

o explicativas (X). Estas metodologías han sido descritas de forma detallada

por numerosos autores (Guigou, 1977; Comrey, 1985; Bisquerra, 1989;

Cuadras, 1996; Hair et al., 1998).


25

Finalmente, en la Parte IV, Capítulo 6, se detallarán las conclusiones de esta

tesis, tanto en lo referente al marco teórico como al estudio empírico.


26

PARTE II

MARCO CONCEPTUAL

CAPÍTULO 2

LA IMPORTANCIA DE LA COMPETITIVIDAD Y

MODELOS DE MEDICIÓN

Capítulo 2. La importancia de la competitividad y modelos de medición

28


29

ÍNDICE

1. INTRODUCCIÓN.........................................................................................31

2. CONCEPTO DE COMPETITIVIDAD...........................................................34

2.1. Principales definiciones tradicionales............................................34


macroeconómicos............................................................37


macroeconómicos y microeconómicos............................39

2.2. Concepto de competitividad en la actualidad................................50

3. MODELOS EMPÍRICOS DE MEDICIÓN DE LA COMPETITIVIDAD..........51

3.1. Medición del Foro Económico Mundial.........................................52

3.1.1. El Índice de Competitividad Global.....................................53

3.1.2. El Índice de Competitividad de los Negocios......................65

3.2. Medición del International Institute

for Management Development.......................................................76

3.3. Utilidad de ambas mediciones.......................................................83

4. CONCLUSIONES.......................................................................................85


30


31

1. INTRODUCCIÓN

La palabra competitividad se ha convertido en un término genérico que se

aplica a una gran variedad de situaciones y ámbitos geográficos y que puede

adjetivar a países, mercados, productos o empresas (Rodríguez Carrasco,

2001). Esta tesis se centra en el concepto de competitividad aplicado a países y

regiones. Pese a que se han realizado numerosos esfuerzos para su

conceptualización, todavía no existe un acuerdo generalizado sobre qué es

realmente la competitividad ni sobre los procesos o metodologías para su

medición en un país o región.

El interés existente respecto a las diversas cuestiones relacionadas con la

competitividad ha sido creciente y más pronunciado, tanto en lo privado como

en organismos públicos, en las dos últimas décadas; de hecho, se han creado

numerosos organismos públicos y privados que tienen como objetivo

fundamental realizar estudios relacionados con la competitividad.

Entre los organismos públicos se pueden destacar dos: el Competitiveness

Policy Council y el Consejo Europeo de Competitividad. El Competitiveness

Policy Council se creó en Estados Unidos en 1991 como Comité

independiente para asesorar al Presidente y al Congreso sobre las políticas

apropiadas para favorecer la competitividad. En el año 2002, se creó el Consejo

Europeo de Competitividad como respuesta a la necesidad percibida por la

Comisión Europea de contar con una política más coherente y coordinada de

los asuntos de competitividad de la Unión Europea.


32

Entre las organizaciones de tipo privado que se han creado con el principal

objetivo de estudiar qué es la competitividad destaca el Foro Económico

Mundial (World Economic Forum, WEF), The Competitiveness Institute y el

Institute for Strategy and Competitiveness. El Foro Económico Mundial es una

organización independiente sin ánimo de lucro formada por un equipo

internacional bajo el impulso de la Comisión Europea y múltiples empresas,

tales como ABB, Airbus, Bayer, Credit Suissse, Ford Motor, Google, Grupo

Santander y Motorola. Aunque su origen se remonta a 1971, cuando se creó en

Ginebra con el nombre de European Management Forum, fue en 1987 cuando

tomó su denominación actual y se transformó, tratando de ampliar su visión y

proporcionar una plataforma para la resolución de conflictos internacionales,

comprometiendo a líderes políticos y empresariales para que colaborasen en

diversas iniciativas relacionadas, entre otras cuestiones, con la salud,

educación, desarrollo, energía o competitividad.

The Competitiveness Institute se creó en Barcelona en 1998 y agrupa a 1.700

miembros del entorno académico y empresarial de más de 98 países. Entre sus

miembros se encuentran universidades, empresas y organismos públicos, como

Agencias de Desarrollo o Cámaras de Comercio. Promueve reuniones anuales

e intercambio de las mejores prácticas con el objeto de crear y difundir más

conocimiento sobre el tema de la competitividad y los clusters.

El Institute for Strategy and Competitiveness pertenece a la Universidad de

Harvard y se centra en: la competitividad de naciones, regiones y ciudades; el

estudio de los clusters y, en temas de competencia y su influencia sobre la


33

estrategia de las empresas. Esta organización realiza numerosos estudios y

proyectos relacionados con la competitividad tanto en Estados Unidos como en

otros países, por ejemplo: el Cluster Mapping Project que identifica y analiza los

clusters existentes en Estados Unidos; el Informe de Competitividad de Japón,

que analiza la situación y evolución competitiva en dicho país y el desarrollo del

Índice de Competitividad de los Negocios, en colaboración con el Foro

Económico Mundial, que analiza la competitividad de las principales economías

mundiales con un enfoque microeconómico y que se incluye en el Global

Competitiveness Report.

El interés que ha generado el concepto de competitividad ha implicado la

publicación de numerosos trabajos tanto por parte de diversos autores (Scott,

1985; Argandoña, 1988; Cuervo, 1993; Boltho, 1996; O´Mahony y Van Ark,

2003; Porter, 2004; Trichet, 2008) como de organismos públicos y privados y

diversas definiciones que han ido evolucionando desde las iniciales que

consideraban únicamente factores macroeconómicos hasta un concepto de

competitividad más completo que incluye tanto factores macroeconómicos

como microeconómicos.

En definitiva, aunque la competitividad es un concepto maduro, no existe un

acuerdo conceptual ni metodológico; de hecho, se han generado algunas

opiniones críticas respecto a la aplicación del término competitividad a regiones

o países (Krugman, 1996).


34

En este capítulo se analizará el marco teórico sobre la competitividad, para lo

que se revisarán y clasificarán las aportaciones más significativas, tanto en

términos conceptuales como metodológicos, con el objeto de poder definir y

delimitar el concepto más adecuado utilizable como referencia en este estudio.

2. CONCEPTO DE COMPETITIVIDAD

2.1. Principales definiciones tradicionales

Los esfuerzos por definir y acotar el término competitividad han sido

numerosos y las definiciones aportadas varían sustancialmente entre ellas.

En el cuadro 2.1. se muestra un resumen de algunas de las definiciones más

relevantes que se han realizado desde 1985, fecha a partir de la cual se

desarrollan numerosas publicaciones:

Cuadro 2.1.

Definiciones de Competitividad

AÑO AUTOR DEFINICIÓN 1985 Scott Es la capacidad de un país para producir y distribuir bienes y

servicios en la economía internacional en competencia con los bienes y servicios producidos en otros países, de forma que se gane una calidad de vida creciente.

1988 Argandoña Representa, a corto plazo, la capacidad de crear, producir y distribuir bienes y servicios en el mercado internacional, en condiciones favorables para los factores nacionales. A largo plazo, la competitividad exige el aumento de aquella capacidad de crear, producir y vender bienes y servicios en mejores condiciones que los demás.

1988 Calleja Es la capacidad de producir y comercializar bienes y servicios en los mercados internacionales en competencia con otros países, de forma que proporcione cotas crecientes de empleo y bienestar.

1988 Canals Es la capacidad de un país para producir y vender bienes en los mercados internacionales manteniendo o aumentando sus cuotas de exportación.

1988 De la Dehesa La competitividad depende de factores macroeconómicos, como la estabilidad política, económica y social, el control de la inflación y el déficit público, pero también de factores microeconómicos como la diferenciación de productos, las economías de escala, la innovación o el desarrollo tecnológico.

1988 Fernández La competitividad requiere un marco macroeconómico estable, pero depende de los precios y costes de producción internos.


35

1988 Mochón y Pajuelo

La competitividad tiene una perspectiva macroeconómica, basada en el índice de precios y el tipo de cambio y una perspectiva microeconómica, condicionada por la productividad, la capacidad de elaborar estrategias eficientes o la capacidad organizativa.

1990 Porter La competitividad está determinada por la productividad con que una nación, región o cluster1 utiliza sus recursos humanos, de capital y naturales.

1992 Tyson Es la habilidad de producir bienes y servicios que cumplan los requisitos de la competencia internacional.

1993 Cuervo Es la capacidad para producir bienes y servicios para un mercado abierto y cada vez más exigente, y al mismo tiempo, crear valor; esto es, obtener una rentabilidad de los capitales invertidos igual o superior a su coste de oportunidad.

1995 Amin y Tomaney La competitividad depende de la habilidad para sostener cambios en los factores que aumenten el crecimiento de la productividad (tecnología, recursos humanos, y otros.) y también la estructura de la economía y cómo la política busca darle forma.

1996 Boltho Representa el tipo de cambio real que en conjunción con las políticas nacionales apropiadas aseguran el equilibrio interno y externo.

1996 Ciampi La competitividad no es un juego de suma cero, en el que la mejora de competitividad en un país se consigue a expensas de otro. Al contrario, las mejoras de competitividad y eficiencia en diferentes países pueden y deben ser integradas y reforzarse mutuamente.

1997 Storper Es la habilidad de una economía (urbana) para atraer y mantener empresas con cuotas de mercado estables o crecientes en una actividad al tiempo que se mantienen o se mejora la calidad de vida de los que participan en ello.

1998 Departamento de Comercio e Industria, Reino Unido

Es la habilidad para producir los bienes y servicios de la calidad adecuada, al precio adecuado, en el tiempo adecuado.

1999 Comisión Europea

Es la habilidad para producir bienes y servicios que pasen el examen de los mercados internacionales, manteniendo al mismo tiempo rentas altas y sostenibles, o, más generalmente, la habilidad de las regiones para generar rentas y cifras de empleo relativamente altos mientras están expuestos a la competencia externa.

2003 O´Mahony y Van Ark

La competitividad es el incremento sostenido de la renta real y la calidad de vida de las regiones y naciones, y la existencia de trabajo para todos los que desean encontrar empleo. La base de la mejora de la calidad de vida está sobre todo, en la productividad, ya que ésta es clave para sostener la generación de empleo y lograr la eliminación de la pobreza.

2004 Banco de España El concepto de competitividad aparece vinculado al de productividad y depende de un amplio conjunto de factores radicados tanto en los aspectos macroeconómicos como microeconómicos.

2004 Gardiner et al. Las fuentes de competitividad están formadas por factores diversos, como las instituciones, las infraestructuras y el capital humano, la inversión extranjera, el desarrollo de las pymes y el desarrollo tecnológico. Todo ello conduce a unas. cifras de empleo y productividad que determinan el producto regional bruto y la calidad de vida

1 Aunque en el Capítulo 3 se desarrolla de forma más completa el concepto de cluster se puede afirmar que los clusters son concentraciones geográficas de empresas interconectadas, proveedores especializados, proveedores de servicios, empresas de industrias relacionadas e instituciones asociadas (como universidades, agencias de estándares o asociaciones de comercio) que compiten pero también cooperan en un campo determinado.


36

2005 Hernández El análisis de la competitividad implica indicadores de precio, como los tipos de cambio e indicadores estructurales, como las cuotas de mercado de las exportaciones

2005 Nadal La competitividad se puede analizar desde el punto de vista de su saldo exterior, de sus flujos de comercio, del tipo de cambio real, de la productividad y de las inversiones directas

2006 Sala y Torres La competitividad no se refiere únicamente a los precios, sino que incorpora aspectos estructurales. Entre los factores más determinantes para la competitividad se encuentra la innovación

2006 Simmie La definición operativa usual de competitividad es la cuota de mercado de un determinado sector o industria

2007 International Institute for Management Development

La competitividad está basada en la habilidad de una nación para crear y mantener un entorno que proporcione mayor valor a las empresas y más prosperidad a los ciudadanos

2008 Foro Económico Mundial

La competitividad nacional está determinada por el conjunto de instituciones, factores y políticas que determinan la productividad. El entorno macroeconómico estable es condición necesaria para la competitividad, pero no suficiente

2008 Trichet La competitividad en un sentido amplio se puede entender como la habilidad de los países para mejorar en una economía internacional cada vez más integrada y para embarcarse en un camino sostenido de alto crecimiento del output que mejore el bienestar de las personas

Fuente: Elaboración propia.

Aunque no existe una única definición totalmente válida ni puede hablarse de

un conjunto comúnmente acordado de elementos que afecten a la

competitividad, las aportaciones existentes se pueden dividir en dos grupos

según la importancia que se da a los factores que, en opinión de los autores,

influyen en la competitividad. Desde este punto de vista, las definiciones se

pueden clasificar en:

a) Definiciones de competitividad en las que los factores macroeconómicos

son los más importantes

b) Definiciones de competitividad en las que se incluyen tanto factores

macroeconómicos como microeconómicos.


37

En los próximos subapartados se van a exponer las principales teorías que

existen dentro de cada grupo.

2.1.1. Definiciones que destacan factores macroeconómicos

La noción tradicional de competitividad se ha equiparado a la cuota que tenía

un país en el mercado internacional. Esta definición está muy ligada a aspectos

de tipo puramente macroeconómico, como las exportaciones.

Autores como J. Canals (1988) y L.D. Tyson (1992) identifican la

competitividad con factores como el volumen de exportaciones, el tipo de

cambio real (Boltho, 1996) o la cuota de mercado o participación en un

determinado sector o industria (Simmie, 2006).

Dentro del grupo de autores que defienden nociones de competitividad de tipo

macroeconómico, algunos incluyen referencias a aspectos como el bienestar y

la renta (Scott, 1985; Calleja, 1988; Storper, 1997) lo que permite que la

competitividad de las regiones o países no sólo se base en su cuota de

participación en los mercados internacionales, sino también en el bienestar de

sus ciudadanos ya que valoran las cifras de renta y empleo de las áreas

geográficas analizadas. En este sentido, J.C. Trichet (2008), Presidente del

Banco Central Europeo, ha llegado a afirmar que la competitividad está

relacionada con la estabilidad macroeconómica, valora los factores

institucionales que contribuyen al potencial de crecimiento a largo plazo y


38

considera que el principal objetivo de la competitividad es mejorar el bienestar

de las personas.

Este tipo de enfoque de la competitividad basado sobre todo en factores

macroeconómicos tiene la ventaja de ser fácilmente cuantificable y comparable,

pero ha sido criticado por algunos autores. En este sentido autores como A.

Calleja o M. Porter realizan aportaciones alternativas.

A. Calleja (1988) desestima el concepto tradicional de competitividad

relacionado con precios, dado que éste puede estar influido por la diferencia del

ritmo de variación del índice de precios nacionales y extranjeros o por las

distorsiones que sufren los precios, lo que hace que el concepto de

competitividad pierda su valor en la asignación eficiente de recursos y creación

de bienestar, dado que al estar influido por las variaciones en precios, que no

siempre están ligadas a la economía real subyacente, puede estar dando una

información inadecuada sobre la verdadera situación del país.

Por otro lado, M. Porter (1990) señala que variables que se han propuesto

para medir la competitividad, como el tipo de cambio, el tipo de interés o el

déficit presupuestario, no han resultado adecuadas en algunos países que han

disfrutado de un elevado bienestar a pesar de datos poco favorables en las

variables utilizadas en la medición de la competitividad. Para esta aportación


39

realizó un estudio en el que analizó la evolución de ocho naciones2 en tres

períodos (1971, 1978 y 1985). Países como Japón, que tenía un déficit

presupuestario, Corea e Italia que tenían altos tipos de interés o Alemania y

Suiza que sufrieron apreciaciones de sus monedas eran considerados países

que habían avanzado mucho en su bienestar en estos períodos. Por lo tanto, en

opinión del autor, los factores macroeconómicos no son los únicos importantes

para determinar la competitividad de un país y su influencia sobre el bienestar

del mismo. Tanto A. Calleja como M. Porter coinciden en que una definición

más completa de competitividad debe incorporar, además de variables

macroeconómicas, también variables de tipo microeconómico.

A partir de ese momento es cuando se empiezan a realizar más aportaciones

de diversos autores y organismos públicos y privados que incluían en sus

definiciones de competitividad tanto factores macroeconómicos como

microeconómicos.

2.1.2. Definiciones que destacan factores macroeconómicos y

microeconómicos

Desde finales de la década de los ochenta gran parte de los autores e

instituciones públicas y privadas siguen un enfoque más completo de la

competitividad, en el que admiten la influencia de factores macroeconómicos y

microeconómicos. En ocasiones esta diferenciación se realiza de forma

2 El estudio incluye Japón, Italia, Corea, Alemania, Suiza, Suecia, Estados Unidos y Reino Unido.


40

explícita (Bueno, 1987, De la Dehesa, 1988; Fernández, 1988; Mochón y

Pajuelo, 1988, Foro Económico Mundial, 2006) pero en otros casos no se

distinguen expresamente estos dos tipos de factores y ambos están implícitos

en el concepto de competitividad (Porter, 1990; O´Mahony y Van Ark, 2003;

Internacional Institute for Management Development, 2008).

Dentro del primer grupo de autores, G. De la Dehesa (1988) incluye entre los

factores macroeconómicos que condicionan la competitividad el clima de

certidumbre y estabilidad política, económica y social, el control de la inflación y

el déficit público. Pero el autor menciona otros factores de tipo más

microeconómico que afectan también directamente a la competitividad, como

por ejemplo: la diferenciación de productos; las economías de escala; la

innovación o el desarrollo tecnológico. Según G. De la Dehesa todos estos

factores inciden en la productividad de las empresas y, por tanto, de la

economía asegurando la competitividad a largo plazo dado que garantiza que

las empresas operan de la forma más eficiente posible.

F. Mochón y A. Pajuelo (1988: 229) siguen esta diferenciación en su análisis

de la competitividad ya que la definen como “el indicador de la racionalidad y

eficiencia de un país, de una institución o de una empresa”. Desde la

perspectiva macroeconómica, los factores que inciden en la competitividad

serían el índice de precios, el tipo de cambio y la política de empleo; desde la

perspectiva microeconómica, los autores estudian los factores que influyen en

la eficiencia de una empresa, incluyendo la productividad, la adaptación al

entorno cambiante, la estrategia, la organización o la tecnología.


41

V. J. Fernández (1988) estima que la estabilidad en términos

macroeconómicos es una condición necesaria para que se den las condiciones

de competitividad, pero una vez dado este marco, el concepto de competitividad

tendría básicamente connotaciones microeconómicas es decir, los factores

macroeconómicos serían condición necesaria para la competitividad pero no

suficiente, ya que además haría falta conseguir unos costes de producción

internos eficientes. Es decir, la estabilidad en términos macroeconómicos no

garantizaría la competitividad de la economía si las empresas no son además

productivas.

A. Argandoña (1988) utiliza los dos tipos de factores para distinguir entre el

corto y largo plazo. Este autor considera que los factores de tipo

macroeconómico, como los costes de los factores productivos, la inflación, las

ayudas a la exportación o el tipo de cambio son más relevantes a corto plazo;

sin embargo, a largo plazo, la competitividad de un país dependerá de factores

microeconómicos, como por ejemplo la eficiencia en la gestión empresarial, la

diferenciación de productos o la calidad de los mismos.

Dentro de este grupo de autores que contemplan factores tanto

macroeconómicos como microeconómicos para definir la competitividad, la

productividad se considera uno de los factores microeconómicos a tener en

cuenta. B. Scott (1985:16) lo expresa claramente al afirmar que “si tomamos la

competitividad en términos presentes y futuros, y no simplemente como una

medida del pasado, los indicadores clave serían básicamente los mismos que


42

para una empresa: cuota de mercado; rentabilidad; rentas para los empleados;

empleo; productividad; costes unitarios tanto para el capital como para el

trabajo; inversión futura en nuevas tecnologías, equipo y formación”3.

Sin embargo otros autores y organismos consideran que la productividad no

es simplemente un factor más entre los muchos que influyen en la

competitividad, sino que se trata de uno de los factores más relevantes (Amin y

Tomaney, 1995; Ciampi, 1996; Departamento de comercio e Industria del

Reino Unido, 2002; O´Mahony y Van Ark, 2003; Porter, 2004; Foro Económico

Mundial, 2008).De hecho, el Departamento de Comercio e Industria del Reino

Unido (2002) va un paso más allá en cuanto a la relación entre competitividad y

productividad ya que equipara ambos conceptos. Para este organismo, los

factores que influyen en la mejora de la competitividad y productividad son los

mismos, por lo que determinan una serie de indicadores comunes que se

exponen en el cuadro 2.2.

3 Existen algunos ratios de rentabilidad y desempeño de empresas utilizados frecuentemente como indicativos de la productividad de las mismas (Datta, 1991; Hall y St. John, 1994), como por ejemplo el rendimiento del patrimonio o ROE (Return on Equity), el rendimiento de activos o ROA (Return on Assets) y el rendimiento de la inversión o ROI (Return on Investments). Sin embargo, no se desarrollan en este trabajo por referirse al desempeño de las empresas y ser difícilmente extrapolables a medidas de productividad y competitividad de países y regiones.


43

Cuadro 2.2.

Indicadores de productividad y competitividad

AREA INDICADORInversión gubernamentalInversión de empresasConexión a mercados digitalesComercio electrónicoPublicacionesGasto del Gobierno en I+DGasto de empresas en I+DGasto de las empresas en innovaciónPatentesProporción de empresas que innovanVentas de productos nuevos o mejoradosLicencias de las universidades, start-ups

Fuentes de información para la innovaciónPublicaciones conjuntas de universidad e industriaInternacionalización del I+DAlianzas tecnológicas entre compañíasAnalfabetismoHabilidades de nivel medio y altoAprendizaje continuadoHabilidades directivasAsimilación de TIC por las empresasRatios de entrada y salida de empresasEmpresas de crecimiento rápidoActitudes frente al riesgoCapital riesgoMercados paralelosMercados de accionesApertura comercial y a la inversión extranjeraPreciosDesempleoDiversidad de oportunidades de empleoRelaciones industrialesRegulación laboral

Mercado laboral

Inversión Capital Físico

Comercialización de la tecnología

Transferencia del conocimiento

Receptividad a ideas extranjeras

Tecnologías de la Información y la

Comunicación

Ciencia y Tecnología

Mercados Competitivos

Empresa

Financiación

Mercado de Productos

Habilidades

Innovación

Capital Humano

Espíritu emprendedor

Fuente: Adaptado del Departamento de Comercio e Industria del Reino Unido (2002).

Los indicadores se agrupan en cinco grandes áreas que son: la Inversión,

tanto por parte de empresas como gubernamental; la Innovación, que

contempla aspectos como las Tecnologías de la Información y la Comunicación,

el gasto en ciencia y tecnología, la comercialización de la tecnología, la

transferencia de conocimiento o la receptividad a ideas extranjeras; las

habilidades del capital humano; la Empresa, en términos de espíritu

emprendedor y financiación y, por último, los Mercados Competitivos, que


44

contempla tanto la competitividad del mercado de bienes como del mercado

laboral. Algunos de los indicadores son de tipo macroeconómico, como la

inversión gubernamental en capital físico o en I+D, los mercados de acciones, la

regulación laboral o el desempleo; sin embargo, la mayoría de los indicadores

están muy relacionados con la forma de operar de las empresas, su capacidad

de innovación, las habilidades del capital humano, e incluso, la actitud

empresarial frente a aspectos como el riesgo.

Esta tendencia a establecer una clara relación entre productividad y

competitividad se ha desarrollado posteriormente por varios autores. Entre

estos autores que consideran la productividad como íntimamente ligada a la

competitividad están M. O´Mahony y B. Van Ark (2003), que en un informe

realizado para la Comisión Europea afirman que la competitividad depende de

la capacidad para alcanzar y mantener un incremento sostenido de la renta real

y el bienestar de las regiones y naciones. Para estos autores la base de la

mejora de la calidad de vida está sobre todo en la productividad ya que el

output de una economía y, por tanto, el PIB per cápita depende por un lado de

la cantidad de trabajo y, por otro, de la productividad que tenga ese trabajo. Por

lo tanto, una vez alcanzado el pleno empleo, la productividad sería el único

camino para seguir mejorando el output.

S. Bravo y E. Gordo (2003) también consideran la productividad como uno de

los factores fundamentales en la competitividad de los países. Las autoras

distinguen entre los que llaman Enfoque Tradicional y el Enfoque Estructural.


45

Cuadro 2.3.

Fuente: Adaptado de Bravo y Gordo (2003:74).

El Enfoque Tradicional hace referencia a una definición de competitividad en

la que los factores que se incluyen son básicamente macroeconómicos. En este

enfoque, el Indicador de competitividad sería el saldo comercial y los factores

determinantes para el resultado de este saldo son el tipo de cambio nominal,

así como los costes, precios y rentabilidad relativa.

Según el Enfoque Tradicional la competitividad sería definible como la

capacidad de una economía para mantener o incrementar de manera sostenida

su presencia en los mercados mundiales, lo que implica una concepción de la

competitividad y el comercio internacional como un juego de suma cero. En este

juego el aumento de las cuotas de participación de un país se realiza a costa de

otros, lo cual podría promover políticas excesivamente proteccionistas o

ENFOQUE TRADICIONAL

ENFOQUE ESTRUCTURAL

- Saldo comercial. - Cuotas de exportación en los

mercados mundiales. - Penetración de las importaciones en

el mercado interno.

- Tipo de cambio nominal. - Costes, precios y rentabilidad

- PIB per cápita y productividad. - Dotación/utilización factores productivos: stocks de capital físico, tecnológico y humano.

- Capacidad de innovar. - Especialización productiva. - Eficiencia en el funcionamiento de

los mercados. - Características de la organización

empresarial.

Factores determinantes Indicadores de comportamiento (resultados)

Indicadores de competitividad


46

devaluaciones de los tipos de cambio con el objeto de conseguir mayores

exportaciones y evitar la entrada masiva de productos importados. Este tipo de

medidas pueden funcionar a corto plazo pero, en opinión de las autoras,

podrían tener efectos negativos a medio y largo plazo.

Ellas argumentan que el concepto más reciente de competitividad implica una

perspectiva de largo plazo que como puede observarse en el Cuadro 2.3.,

está vinculado a los factores condicionantes de la eficiencia productiva.

Para estas autoras bajo el Enfoque Estructural los indicadores de

competitividad serían el PIB per cápita y la productividad, lo que permite que

entre los factores determinantes de la misma tengan cabida aspectos de tipo

microeconómico, como las características de la organización empresarial o su

capacidad de innovar.

B. Gardiner et al. (2004) desarrollan un modelo piramidal de competitividad

regional. En este modelo, la competitividad regional se mide en términos de

Producto Regional Bruto, donde la productividad laboral y el empleo son los

factores determinantes en la misma. Como se observa en la Figura 2.1. las

fuentes de competitividad las determinan una serie de elementos relacionados

con el entorno económico, social e institucional así como con la actividad

empresarial. Todo ello genera unas cifras de empleo y productividad que son

los que determinan el Producto Regional Bruto al que los autores llaman la

competitividad resultante. Este Producto Regional Bruto es el que determina el

bienestar de la región y con ello el crecimiento económico de la misma. Por


47

tanto, los autores siguen una noción de competitividad en la que influyen tanto

factores macroeconómicos como microeconómicos y en la que la productividad

es uno de los factores más relevantes para favorecer a una región.

Figura 2.1.

Determinantes de la competitividad regional

Fuente: Adaptado de Gardiner et al. (2004).

M. Porter (2004) también considera que los conceptos de competitividad y

productividad están íntimamente ligados. Para él la competitividad está

determinada por la productividad con que una nación, región o cluster utiliza sus

recursos humanos, de capital y naturales. Considera que la productividad es el

valor de los bienes y servicios producidos por cada unidad de recursos


48

naturales, humanos y de capital, por lo que depende tanto del valor del producto

o servicio como de la eficiencia con que se producen. En consecuencia, para M.

Porter la productividad, como factor determinante de la competitividad, es la

que, en último término, determina la calidad de vida de una región o país y es

la fuente de prosperidad de esa área geográfica.

Para argumentar la importancia de la productividad para una nación, M. Porter

hace referencia a los conceptos de Prosperidad Heredada y Prosperidad

Creada. En el primer caso, la prosperidad se deriva de la venta de los recursos

naturales o territoriales heredados y, por tanto, es una prosperidad limitada ya

que los recursos en los que se basa son también limitados.

Frente a esto, la Prosperidad Creada deriva de la capacidad para crear

productos y servicios con valor añadido y para lograr esto son factores

fundamentales la productividad y la capacidad de innovación de las empresas.

En este modelo es donde la prosperidad puede ser ilimitada y las empresas se

convierten en los principales actores de la economía y, según el autor, en la

base fundamental de un crecimiento económico sostenible.

Los conceptos de Prosperidad Heredada y Prosperidad Creada de Porter

tienen semejanza con lo que M. Kitson et al. (2004) y el Banco de España

(2004) llaman la evolución del concepto de competitividad desde la ventaja

comparativa hasta la ventaja competitiva. La idea ricardiana de ventaja

comparativa asume que los países, mediante la utilización de los recursos de

que disponen, pueden beneficiarse del comercio incluso sin tener una ventaja


49

absoluta4. De esta forma, el comercio estaría reflejando simplemente la

diferencia en recursos (laborales, naturales y de capital)5. En esta misma línea,

el modelo de Herckscher y Ohlin argumenta que las ventajas comparativas

entre países surgen de las diferencias en las dotaciones de factores (Ohlin,

1933).

Frente a la idea de David Ricardo, M. Kitson et al. (2004) no consideran

suficiente la disponibilidad de recursos para explicar la posición competitiva de

un país; de hecho, los países pueden desarrollar y mejorar su ventaja

competitiva utilizando esos recursos de la forma más eficiente posible. Por

ejemplo, un mismo número de trabajadores puede ser mucho más eficiente que

otro si tienen mejor formación académica y profesional, disponen de recursos

tecnológicos más avanzados o cuentan con una mejor planificación. Por lo

tanto, desde este punto de vista lo importante no son los recursos que se

tengan, sino el uso que se haga de ellos.

El Banco de España (2004) también hace referencia expresa a esta evolución

del concepto de competitividad desde la ventaja comparativa a la ventaja

competitiva a la que consideran la capacidad de un país para añadir valor a sus

recursos integrando, de forma efectiva y eficiente, los factores productivos,

sociales e institucionales de que dispone y consiguiendo, de esta forma,

mantener su presencia en los mercados.

4 La idea de ventaja absoluta fue expuesta por Adam Smith en 1776 en su obra An Inquiry into the Nature and Causes of the Wealth of Nations, y consiste en la habilidad de un país frente a otro para producir más productos o servicios utilizando los mismos recursos. 5 El economista británico David Ricardo (1772-1823) fue el precursor de la idea de la ventaja comparativa. Por su gran repercusión en la teoría económica las ideas de David Ricardo han sido recogidas en diversas publicaciones, como Ricardo, D. (1973).


50

Como se puede observar, los autores que incorporan a la definición de

competitividad tanto factores macroeconómicos como microeconómicos son

cada vez más y han cobrado relevancia, así como los que consideran el

concepto de productividad como un factor fundamental para medir la

competitividad. Evidentemente, este tipo de definiciones proporcionan una

visión de la competitividad más completa e integradora que las que se basan

únicamente en uno o varios factores macroeconómicos y permiten analizar de

forma global los efectos que la competitividad puede tener sobre el crecimiento

y desarrollo de una región o país.

2.2. Concepto de competitividad en la actualidad

En definitiva, se observa que si bien no existe unanimidad en cuanto a qué es

la competitividad y qué aspectos la componen sí se puede afirmar que hay una

tendencia generalizada hacia un concepto cada vez más completo de

competitividad, en el que las definiciones y formulaciones de la competitividad

tienden a incluir tanto aspectos macroeconómicos como microeconómicos.

La noción tradicional de competitividad se equiparaba a la cuota de un país en

el mercado internacional y estaba ligada básicamente a aspectos de tipo

macroeconómico como las exportaciones o los tipos de cambio. Esta noción se

ha ido ampliando para incluir aspectos microeconómicos que influyen en la

eficiencia de las empresas, como la diferenciación de productos, la innovación,

la tecnología o la organización. La productividad es otro de los aspectos que


51

también se ha ido relacionado cada vez más estrechamente con la

competitividad.

3. MODELOS EMPÍRICOS DE MEDICIÓN DE LA COMPETITIVIDAD

Los autores que han analizado el concepto de competitividad no han aportado

generalmente modelos de medición, sino que han utilizado la propia definición

de competitividad como indicador de la misma. Por ejemplo, los autores que

siguen una definición puramente macroeconómica de la competitividad utilizan

como indicador de competitividad algunas variables, tales como el saldo de

exportaciones o la participación en un mercado o industria. Los autores que

siguen definiciones de competitividad en las que se incluyen tanto variables

microeconómicas como macroeconómicas utilizan indicadores como la

productividad o el PIB per Cápita. Los indicadores utilizados no son, sin

embargo, modelos de medición integrados y sistemáticos.

En la actualidad existen dos estudios muy reconocidos que sí proponen

modelos empíricos de medición de la competitividad: el Informe de

Competitividad Global (Global Competitiveness Report), publicado por el Foro

Económico Mundial (World Economic Forum) y el World Competitiveness

Yearbook, publicado por el International Institute for Management

Development (IMD). Ambos informes se publican con carácter anual y se basan

en encuestas realizadas a ejecutivos en todos los países incluidos en el análisis


52

y en datos publicados por diversas instituciones, como el Banco Mundial, el

Fondo Monetario Internacional o las Naciones Unidas6.

Aunque existen diferencias significativas entre ambos estudios en cuanto al

número de países incluidos, el peso de los datos publicados frente a las

respuestas de las encuestas, el número de variables contempladas y la

metodología general empleada, ambas instituciones coinciden al considerar que

la competitividad de los países depende de múltiples factores que deben ser

contemplados a la hora de evaluar la capacidad de dichos países para

mantener un crecimiento sostenido a medio y largo plazo.

Para exponer con más detalle estos modelos de medición resulta conveniente

analizar las metodologías utilizadas por ambas instituciones, el concepto de

competitividad que utilizan y los países y variables incluidos en la elaboración

de sus índices.

3.1. Mediciones del Foro Económico Mundial

El Foro Económico Mundial (2006) entiende la competitividad de una nación

como "el conjunto de factores, políticas e instituciones que determinan la

productividad. La mejora de la productividad, entendida como el mejor uso de

los factores y recursos disponibles, es lo que determina la rentabilidad de las

inversiones, que a su vez determina el crecimiento agregado de una

economía" (2006:xiii).

6 El Informe de Competitividad Global cubre más de 130 países y el World Competitiveness Yearbook incluye 55 países de todas las áreas geográficas.


53

El Foro Económico Mundial publica anualmente el Informe de Competitividad

Global (Global Competitiveness Report) en el que analiza la competitividad de

más de 130 países (el Anexo 1 muestra una relación de los países incluidos en

el estudio). Para su elaboración utilizan tanto datos publicados por instituciones

de reconocido prestigio (como el Fondo Monetario Internacional o el Banco

Mundial) como en encuestas realizadas a empresarios y líderes de opinión en

los respectivos países incluidos en el informe, lo que lo convierte en uno de los

trabajos más exhaustivos y relevantes en relación con el análisis de la

competitividad ya que en él se ofrece una visión consistente y sistemática de la

situación y de las perspectivas de los países analizados. Para realizar esas

perspectivas se calculan dos índices: el Índice de Competitividad Global (ICG) y

el Índice de Competitividad de los Negocios.

3.1.1. El Índice de Competitividad Global (ICG)

El Índice de Competitividad Global (ICG) selecciona 112 factores7 que

influyen en la competitividad de los países y los agrupan en nueve pilares.

Ninguno de ellos por sí solo puede asegurar la competitividad pero juntos dan

una visión completa e integrada de los aspectos críticos que, en opinión del

Foro Económico Mundial favorecen la misma. El Cuadro 2.4. muestra todas las

variables incluidas en el Índice agrupadas según el pilar al que pertenecen.

7 De las variables utilizadas en la elaboración del ICG, sólo 23 se obtienen a través de datos publicados, el resto proviene de la Encuesta Ejecutiva que el Foro Económico Mundial realiza a empresarios y líderes de opinión en cada uno de los países incluidos en el estudio.


54

Cuadro 2.4.

Composición del Índice de Competitividad Global

1º Pilar: INSTITUCIONES

A. Instituciones públicas.1. Derechos de propiedad.Derechos de propiedad.2. Ética y corrupción.Desviac ión de fondos públicos.Confianza pública en los políticos.3. Influencias.Independencia del poder judicial.Favoritismo en decisiones de funcionarios públicos.4. Ineficiencia gubernamental.Gasto público.Requisitos administrativos.5. Seguridad.Costes empresariales del terrorismo.Fiabilidad de los servicios policiales .Coste empresarial de la violencia.Crimen organizado.

B. Instituciones privadas.1. Ética empresarial.Comportamiento ético de las empresas.2. Responsabilidad.Eficacia de los Consejos de Administración.Protección de los intereses de acc ionistas minoritarios.Fortaleza de los estándares de auditoria y contabilidad.

2º Pilar: INFRAESTRUCTURAS.Calidad de las infraestructuras.Desarrollo de la infraestruc tura ferroviaria.Calidad de las infraes tructuras portuarias.Calidad de las infraes tructuras de transporte aéreo.Calidad del suministro eléctrico.Infraestructura de fax y teléfono.

3º Pilar: MACROECONOMÍA.Superávit/deficit gubernamental.Índice de ahorro nac ional.Inflación.Diferencial de tipos de interés.Deuda pública.Tipo de cambio efec tivo.

4º Pilar: SANIDAD Y EDUCACIÓN PRIMARIA.

A. Salud.Impacto de la malaria en los negocios .Impacto de la tuberculosis en los negocios.Impacto del SIDA en los negocios.Mortalidad infantil.Expectativas de vida.Prevalencia de la tuberculosis.Prevalencia de la malaria.Prevalencia del SIDA.

B. Educación primaria.Tasa de escolarizac ión en educación primaria.

Fuente: Adaptado del Foro Económico Mundial (2006).


55

Cuadro 2.4.

Composición del Índice de Competitividad Global 5º Pilar: EDUCACIÓN SUPERIOR Y FORMACIÓN.

A. Cantidad de educación.Tasa de escolarización en educación secundaria.Tasa de escolarización en educación superior.B. Calidad de la educación.Calidad del sistema educativo.Calidad de la enseñanza de ciencias y matemáticas.Calidad de las escuelas de negocios.C. Formación.Disponibilidad local de servicios especializados en investigación y formación. Medida de formación del staff.Calidad de las escuelas públicas.

6º Pilar: EFICIENCIA DEL MERCADO.

A. Mercado de bienes: Distorsiones, competitividad y dimensiones.1. Distorsiones.Coste de la política agrícola.Eficiencia del marco legal.Efecto de los impuestos.Número de procedimientos requeridos para empezar un negocio.Tiempo requerido para comenzar un negocio.2. Competitividad.Intensidad de la competencia local.Política antitrust.Importaciones.Barreras comerciales.Prevalencia de la propiedad extranjera.3. Dimensiones.PIB-exportaciones+importaciones.Exportaciones.B. Mercado laboral: Flexibilidad y eficiencia.1. Flexibilidad.Prácticas de contrataciones y despidos.Flexibilidad en la determinación de salarios.Cooperación en las relaciones empleador-empleado.2. Eficiencia.Profesionalidad de la gestión. Salario y productividad.Fuga de cerebros.Empleo de la mujer en el sector privado.3. Mercados financieros: Sofisticación y apertura.Sofisticación de los mercados financieros.Facilidad de acceso a los bancos.Disponibilidad de capital riesgo.Solidez de los bancos.Acceso a mercados de capitales.



56

Cuadro 2.4.

Composición del Índice de Competitividad Global

7º Pilar: PREPARACIÓN TECNOLÓGICA.Preparación tecnológica.absorción de tecnología por las empresas.Leyes relativas a TIC.Inversión extranjera directa y transferencia tecnológica.Teléfonos móviles.Usuarios de Internet.Ordenadores personales.

8º Pilar: SOFISTICACIÓN DE LOS NEGOCIOS.A. Redes e Industrias relacionadas.Cantidad de proveedores locales.Calidad de los proveedores locales.B. Sofisticación de las estrategias y operaciones de las empresas.Sofisticación de los procesos productivos.Sofisticación del marketing.Control local de la distribución internacional. Delegación de autoridad.Naturaleza de la ventaja competitiva.Presencia global en la cadena de valor.

9º Pilar: INNOVACIÓN.Calidad de las instituciones de investigación. Gasto empresarial en innovación y desarrollo.Colaboración en investigación universidad e industria.Tecnología avanzada proporcionada por el Gobierno.Disponibilidad de científicos e ingenieros .Patentes.Protección de la propiedad intelectual.Capacidad de innovación.



57

Cada uno de los pilares del Índice de Competitividad Global trata de reflejar los

principales factores que influyen en la competitividad de un país, en concreto:

1º Pilar. Instituciones.

El Foro Económico Mundial (2006: 6) entiende por instituciones “el sistema de

reglas que determina los incentivos y define la forma en la que los agentes

económicos interactúan con la economía. El marco institucional tiene una gran

importancia en la competitividad y el crecimiento. Juega un papel central en la

forma en que la sociedad distribuye los beneficios, soporta los costes del

desarrollo de estrategias y políticas, y tiene relación con las decisiones de

inversión y con la organización de la producción”.

Se trata de evaluar la transparencia y eficiencia del sector público en su

relación con los negocios, considerando aspectos que permiten la actuación

eficaz de las empresas, como la regulación de los derechos de propiedad, el

favoritismo en decisiones de funcionarios públicos o la seguridad. La valoración

de estos factores se obtiene mediante los resultados obtenidos en la Encuesta

Ejecutiva de Opinión en las preguntas relativas a este pilar.

El pilar de Instituciones no sólo hace referencia a las instituciones de carácter

público sino también a las privadas, para recoger aspectos tan relevantes como

la ética o la responsabilidad social corporativa en los que las empresas, como

actoras principales del mundo de los negocios, juegan un papel fundamental.


58

2º Pilar. Infraestructuras.

Este segundo pilar se centra en tres componentes: energía, transporte y

servicios de telecomunicaciones. Su disponibilidad reduce los costes

operacionales de los negocios e incrementa la eficiencia y productividad

general. La valoración de estos factores se obtiene mediante los resultados

obtenidos en la Encuesta Ejecutiva de Opinión referidos a la calidad de las

infraestructuras. En dicha encuesta se pregunta a empresarios y líderes de

opinión cómo valoran las infraestructuras de su país.

3º Pilar. Macroeconomía.

El pilar de Macroeconomía agrupa un número de distintas variables que

afectan a la estabilidad macroeconómica de los países, tales como el

déficit/superávit gubernamental, el índice de ahorro nacional, la deuda pública,

los tipos de cambio, los tipos de interés o la tasa de variación de la inflación.

Todos los valores de las variables incluidas en este pilar están basadas en

datos publicados por el Fondo Monetario Internacional y, por tanto, no

provienen de la Encuesta Ejecutiva.

El Foro Económico Mundial considera que la inclusión de un pilar dedicado a

la macroeconomía en el Índice de Competitividad Global está avalada por el

amplio reconocimiento internacional de la importancia de la estabilidad

macroeconómica en la consecución de un crecimiento económico sostenido

(Fisher, 1993; Acemoglu et al. 2003).


59

4º Pilar. Sanidad y Educación Primaria.

El cuarto pilar abarca fundamentalmente variables relativas a la salud y a la

prevalencia de determinadas enfermedades en los distintos países e incluye

una variable que indica la tasa de escolarización de la población. Estos son

aspectos muy básicos en los que los países desarrollados obtienen buenos

resultados pero no ocurre lo mismo en países menos desarrollados según el

Índice de Competitividad. La falta de salud y de educación básica de la fuerza

laboral en países menos desarrollados afecta directamente a su competitividad

e implica importantes costes sociales ya que limita las posibilidades de los

ciudadanos para participar en las actividades de la sociedad civil y en la vida

profesional.

5º Pilar. Educación Superior y Formación

Este pilar tiene en cuenta no sólo las tasas de escolarización en educación

secundaria y superior sino también la calidad del sistema educativo en general

y la formación especializada. El Índice de Competitividad Global trata de

recoger con estas variables la cualificación de la fuerza laboral de un país y su

capacidad para adaptarse rápidamente a un entorno cambiante lo que, en

opinión del Foro Económico Mundial, repercute en la productividad de cada

trabajador y en la competitividad del país. Los datos correspondientes a estas

variables se obtienen a través de la Encuesta Ejecutiva y de fuentes como el

Banco Mundial o la UNESCO.


60

6º Pilar. Eficiencia de mercado.

El sexto pilar evalúa la eficiencia de los mercados de bienes, laboral y

financiero.

En el caso del mercado de bienes, el Foro Económico Mundial considera que

mantener una tasa adecuada de competencia en bienes y servicios evitando

monopolios y tratar de minimizar las trabas administrativas y distorsiones del

mercado son los aspectos principales para asegurar que las transacciones se

realizan en tiempos razonables, a precios competitivos y en igualdad de

oportunidades, mejorando por tanto la eficiencia del mercado.

Para los mercados laborales la eficiencia se mide en aspectos como: la

profesionalidad en la gestión; la tasa de empleo de la mujer en el sector

privado; la fuga de cerebros; la flexibilidad en cuanto a contrataciones y

despidos y determinación de salarios o la colaboración entre trabajadores y

empresas.

Finalmente, la eficiencia en los mercados financieros asegura que el capital

está disponible tanto en el sistema bancario como de mercado de capitales o

capital riesgo y que los mercados financieros son sólidos y sofisticados. Para

ello mide aspectos como: solidez de la banca; acceso a la bolsa local; facilidad

de acceso a préstamos o sofisticación de los mercados financieros.


61

Los datos correspondientes a estas variables proceden de la Encuesta

ejecutiva y de fuentes como el Banco Mundial, el Fondo Monetario Internacional

o Naciones Unidas.

7º Pilar. Preparación Tecnológica.

En este pilar se mide la disponibilidad de Tecnologías de la Información y la

Comunicación (TIC) en un país, así como la capacidad de absorber tecnología

ya sea de origen local o extranjero.

La influencia de la preparación tecnológica, entendida tanto en lo referente a

la disponibilidad de recursos como a la capacidad de aprovechamiento de los

mismos, en la productividad y la competitividad ha sido estudiada y reconocida

por numerosos autores (Krueger, 1993; Baldwin et al., 1995; Doms et al., 1997;

Scarpetta et al., 2002; Dorgan y Dowdy, 2004; Porter y Stern, 2004). Estos

autores han demostrado empíricamente cómo las exportaciones de productos

de alta tecnología mejoran la competitividad de los países, cómo el uso de la

tecnología en la educación aumenta el rendimiento de las personas y, por tanto,

incide en la productividad del país, o cómo las fábricas más intensivas en

tecnología obtienen mejores resultados. En consecuencia, existen evidencias

de que las diferencias tecnológicas explican una parte relevante de las

variaciones en productividad de los distintos países, sobre todo en los últimos

años en los que el uso de las TIC se ha extendido de forma considerable

internacionalmente.


62

Los datos necesarios para este pilar se han obtenido a través de la Encuesta

Ejecutiva y de la International Telecommunication Union.

8º Pilar. Sofisticación de los Negocios.

El octavo pilar valora la sofisticación en los negocios de las compañías de una

economía, en términos de los procesos de producción que realizan (si son

intensivos en trabajo o en tecnología), de las técnicas de marketing que utilizan

(si son básicas o emplean herramientas muy complejas), o del tipo de ventaja

competitiva que persiguen (si es debida al uso de recursos naturales

disponibles o si responde a la aportación de productos y servicios muy

diferenciados).

También se intenta reflejar en este pilar la existencia de clusters ya que como

argumenta el Foro Económico Mundial (2006:11): “la experiencia ha

demostrado que el impulso a la concentración de empresas así como de

suministradores y proveedores de servicios activos en el mismo sector

(clustering) puede mejorar significativamente el rendimiento de una empresa. La

proximidad geográfica favorece la cooperación horizontal y vertical entre

empresas, que a su vez mejora la productividad corporativa”.

9º Pilar. Innovación.

Este pilar valora aspectos relacionados con la innovación tanto desde el

punto de vista gubernamental (por ejemplo, la protección de la propiedad

intelectual o las inversiones del gobierno en tecnologías avanzadas) como

desde el punto de vista de las empresas donde se analiza la colaboración entre


63

empresas e instituciones de investigación o la calidad de las instituciones de

investigación científicas. En este sentido, se trata de valorar si se desarrolla un

entorno en el que se promueve la innovación.

El Foro Económico Mundial considera que este pilar es especialmente

importante para aquellos países que hayan alcanzado la frontera de la alta

tecnología. Mientras que los países menos avanzados todavía pueden mejorar

su productividad realizando mejoras incrementales en otras áreas más básicas

como pueden ser las de salud, educación primaria o infraestructuras, para

países más desarrollados la innovación se convierte en uno de los principales

motores del crecimiento y competitividad futura.

Como se ha comentado con anterioridad, el Índice de Competitividad Global

tiene en cuenta que no todos los factores afectan por igual a los distintos

países. Su efecto varía en función, entre otras cosas, del grado de desarrollo

del país. Por ejemplo, aspectos que pueden contribuir a la mejora de la

productividad de un país poco desarrollado, como el desarrollo de

infraestructuras básicas o la contención del impacto de determinadas

enfermedades, no son suficientes para fomentar un desarrollo en países muy

desarrollados. Dadas estas diferencias, el Foro Económico Mundial clasifica a

los países en tres grupos de desarrollo en función del PIB per cápita ajustado

según el poder de compra y, a cada uno de los grupos, se le atribuyen

diferentes pesos a los pilares anteriormente mencionados:


64

- Los países incluidos en el Grupo 1, los menos desarrollados, compiten

principalmente basándose en una fuerza laboral primaria no cualificada y en

recursos naturales. Para este grupo de países es especialmente importante

contar con un marco macroeconómico estable (pilar 1), un buen

funcionamiento de las instituciones públicas y privadas (pilar 2),

infraestructuras adecuadas (pilar 3) y salud (pilar 4), por lo que estos son los

pilares que reciben un mayor peso. Algunos de los países de este grupo son

Angola, Chad, Etiopía, Egipto, India, Marruecos, Nicaragua, Nepal, Paraguay

o Vietnam.

- Los países pertenecientes al grupo intermedio de desarrollo, el Grupo 2,

compiten desarrollando procesos de producción más eficientes e

incrementando la calidad de los productos. Para estos países los aspectos

más relevantes son la educación superior y formación (pilar 5), la eficiencia de

los mercados (pilar 6) y la preparación tecnológica (pilar 7) por lo que estos

tres pilares son los que reciben un mayor peso. Dentro de este grupo se

encuentran países como Argentina, Brasil, Costa Rica, Lituania, Latvia,

Malasia, Polonia, Rumania o Sudáfrica.

- Por último, el Foro Económico Mundial considera que los países que

pertenecen al Grupo 3, los de mayor desarrollo, deben competir también a

través de la innovación (pilar 9) para producir bienes nuevos y diferentes

usando los procesos de producción más sofisticados (pilar 8). Por ello estos

pilares tienen un mayor peso para los países pertenecientes a este grupo que

para el resto de países. Aquí son destacables países como Suecia, Suiza,


65

Dinamarca, Alemania, Francia, Singapur, Reino Unido, Estados Unidos o

España.

El Cuadro 2.5. muestra el criterio de división de los países en grupos y las

ponderaciones que se les dan a los distintos pilares en cada uno de los grupos.

Cuadro 2.5.

Clasificación de países y peso de los pilares

Grupos PIB per Cápita* Pilares 1 a 4 Pilares 5 a 7 Pilares 8 y 9 Grupo 1 Menos de 3.000 $ 50% 40% 10%Grupo 2 Entre 3.000 y 17.000 $ 40% 50% 10%Grupo 3 Más de 17.000 $ 30% 40% 30%

Peso de cada pilar

* Igualdad de poder de compra (purchasing power parity, PPP)

Fuente: Adaptado del Foro Económico Mundial (2006)

El Foro Económico Mundial reconoce las diferencias entre países y las

incorpora a su Índice de Competitividad Global, lo que permite disponer de un

índice mucho más adaptado a las condiciones específicas de los países dado

que si bien todos los pilares son importantes para la competitividad y los países

deben tratar de tener valoraciones positivas en todos ellos, la importancia de

cada pilar y de las variables que contiene es diferente según el grado de

desarrollo de los países.

3.1.2. El Índice de Competitividad de los Negocios

El Índice de Competitividad de los Negocios (Business Competitiveness Index,

o BCI) es el segundo de los índices de competitividad que contempla el Informe

de Competitividad Global del Foro Económico Mundial.


66

Este índice ha sido desarrollado por el Institute for Strategy and

Competitiveness de la Harvard Business School. Coincide con el Índice de

Competitividad Global en la hipótesis de que la competitividad y la riqueza que

pueda crear un país tienen su base en la productividad con la que utiliza sus

recursos humanos, de capital y naturales para producir bienes y servicios; sin

embargo, aunque ambos índices consideran que en la competitividad influyen

tanto aspectos macroeconómicos como microeconómicos en el enfoque del BCI

se pone más énfasis en aspectos de tipo microeconómico y atribuye un mayor

peso a las empresas como creadoras de riqueza en una economía.

Según este enfoque es necesario mantener unas condiciones adecuadas en

términos macroeconómicos e institucionales pero, en realidad, son las

condiciones microeconómicas las que transforman en prosperidad las

oportunidades creadas por el contexto macroeconómico, político, legal y social,

así como por los recursos naturales y la localización. Es decir, una buena

localización geográfica, así como la disponibilidad de abundantes recursos

naturales pueden ser una fuente de riqueza pero para asegurar que a medio y

largo plazo un país sea competitivo no basta con ello; es necesario que se den

unas condiciones de estabilidad económicas, políticas y sociales pero, sobre

todo, se necesitan empresas sofisticadas que puedan competir en un entorno

microeconómico adecuado.


67

Figura 2.2.

Determinantes de la Competitividad

Fuente: Foro Económico Mundial (2006: 53).

Tal y como se aprecia en la Figura 2.2, el contexto macroeconómico, político,

legal y social del país constituyen un marco de referencia y es una condición

necesaria para la competitividad pero no suficiente: es necesario considerar

además la capacidad microeconómica de la economía que está determinada

por la sofisticación de las operaciones y estrategias de las empresas y la

calidad del entorno de negocios. Se explica a continuación a qué se refiere

cada uno de estos aspectos:

a) Sofisticación de las operaciones y estrategias de las empresas.

Según el Índice de Competitividad de los Negocios la competitividad de las

compañías depende de la sofisticación de sus procesos productivos y de su

Sofisticación de las operaciones y estrategias de las empresas

Calidad del entorno microeconómico de negocios

Contexto macroeconómico, político, legal y social

Capacidad microeconómica

Sofisticación de las operaciones y estrategias de las empresas

Calidad del entorno microeconómico de negocios

Contexto macroeconómico, político, legal y social

Capacidad microeconómica


68

capacidad para seguir estrategias que impliquen posicionamientos diferentes y

formas innovadoras de crear productos y servicios.

Algunas de las variables que determinan este grado de sofisticación son: la

profesionalidad de la gestión; la búsqueda de ventajas competitivas basadas

en la calidad; la inversión empresarial en investigación y desarrollo o su

capacidad de innovación. Este tipo de variables reflejan empresas que no

buscan competir de manera básica, beneficiándose únicamente de recursos a

bajo coste (por ejemplo materias primas o mano de obra) sino que tratan de

competir aportando productos y servicios de mayor valor añadido.

b) Calidad del entorno microeconómico de negocios.

Según el Foro Económico Mundial, el entorno en el que compiten las

empresas afecta de forma significativa a sus capacidades y a las opciones

estratégicas que tienen.

El Ìndice de Competitividad de los Negocios utiliza para valorar el entorno de

negocios el Modelo del Diamante de Porter (2004) que relaciona el entorno

microeconómico de negocios con: las condiciones de los factores, el contexto

para la estrategia y rivalidad de las empresas, la calidad de la demanda y la

presencia de empresas relacionadas y de apoyo (véase figura 2.3)


69

Figura 2.3.

El modelo del Diamante

Fuente: Adaptado de Porter (2004).

De forma breve, se describen a continuación cada uno de los vértices del

diamante:

1. Condiciones de los factores.

Se refiere a los recursos básicos para la operativa de las empresas: grado de

formación y habilidades de la fuerza laboral, comunicaciones, infraestructura

física y administrativa, sofisticación de los mercados de capitales, disponibilidad

y competitividad de la financiación, acceso a capital riesgo y condiciones para el

desarrollo y adecuada asimilación de los avances científicos y tecnológicos.

Contexto de Estrategiay Rivalidad

de Empresas


de Empresas

Condiciones delos Factores

Condiciones de los Factores

Condiciones de la Demanda


Industrias de Apoyo y

Relacionadas


Relacionadas


de Empresas


de Empresas

Condiciones delos Factores

Condiciones de los Factores




Relacionadas


Relacionadas


70

2. Condiciones de la demanda

Según los autores del índice la importancia de este aspecto crece a medida

que progresa la economía. La sofisticación de los clientes locales ejerce presión

sobre las compañías locales para que produzcan bienes y servicios superiores

y hacen que estén más preparadas para atender las necesidades futuras, dado

que están más acostumbradas a satisfacer una demanda exigente y cambiante.

El papel de los gobiernos también se deja sentir aquí. A través de las

regulaciones en áreas como energía, seguridad o impacto medioambiental

influyen sobre las características de los productos y servicios y sobre las

condiciones para su producción, influyendo por tanto en la demanda final.

3. Industrias de apoyo y relacionadas

Junto a la existencia de proveedores los autores del Índice también

consideran que el acceso a empresas e instituciones que proporcionen

formación especializada, educación, información, investigación o apoyo técnico

es relevante para la mejora del entorno de negocios; además, consideran

beneficioso el hecho de que estas empresas e instituciones estén agrupadas

formando clusters8.

Aunque en el capítulo 3 se analizará más detenidamente el concepto de

cluster y se profundizará en las ventajas que se atribuyen a los mismos, se

8 La definición de clusters que utiliza el Foro Económico Mundial en el contexto del Índice de Competitividad de los Negocios es la de agrupaciones geográficas de empresas, proveedores e instituciones relacionadas en un campo determinado, que están unidas por externalidades y complementariedades de varios tipos (por ejemplo, el cluster del cine en Hollywood o el de tecnología en Silicon Valley).


71

puede destacar brevemente que el Índice de Competitividad de los Negocios

considera que hay una relación entre la existencia de clusters y las tasas de

productividad, eficiencia e innovación, dado que los clusters implican ciertos

beneficios para las empresas que operan en ellos, por ejemplo: un acceso más

eficiente a inputs especializados, servicios, empleados, información,

instituciones y bienes públicos; hay más facilidad de coordinación y transacción

entre compañías; mayor rapidez en la difusión de las mejores prácticas;

constante comparación del desempeño de cada empresa lo que supone más

incentivo para mejorar respecto a los competidores locales y mayores

posibilidades para percibir oportunidades de innovación dada la presencia de

múltiples proveedores e instituciones para cooperar en la creación de

conocimiento.

4. Contexto de estrategia y rivalidad de empresas.

Hay varios factores que influyen en este contexto:

Apertura de los mercados, que incluye aspectos como las barreras

al comercio exterior, las tarifas o los costes administrativos de

creación de empresas.

Regulación gubernamental, especialmente en lo referente a los

mercados de trabajo, capital y productos, así como a subvenciones

que puedan distorsionar la competencia en condiciones de igualdad

Incentivos e impuestos corporativos, sobre todo en lo que afecte a

derechos de propiedad y tecnología, ya que inciden directamente en

la innovación


72

Competencia, entendida como el grado de rivalidad en los

mercados que se ve afectado fuertemente por las políticas de

privatizaciones

De todo lo anterior se deduce que las autoridades públicas tienen un

papel importante para garantizar que se den las condiciones necesarias de

competencia que aporten una sana rivalidad a los mercados ya que ellas

son las que a través de regulaciones, impuestos, tarifas o incentivos

pueden condicionar este contexto. No obstante, en el Índice de

Competitividad de los Negocios el papel central lo tienen las empresas ya

que la riqueza se genera en el ámbito microeconómico, debido a la

habilidad de las empresas para generar de modo eficiente productos y

servicios de alto valor añadido. Las autoridades deben actuar sólo para

que las empresas puedan operar en condiciones de máxima competencia

y eficiencia.

Según el Modelo del Diamante casi todo es importante para la competitividad

y todas las dimensiones del entorno de negocios deben ser mejoradas. La

coexistencia de todos estos factores crea un contexto idóneo de competitividad

microeconómico que permite que las empresas alcancen altas cotas de

productividad, impulsando con ello el crecimiento económico sostenido del país.

Teniendo en cuenta todas estas cuestiones en el Índice de Competitividad de

los Negocios se valoran las siguientes variables (cuadro 2.6).


73

Cuadro 2.6.

Composición del Índice de Competitividad de los Negocios

I. ESTRATEGIAS Y OPERACIONES DE LAS COMPAÑIASAmplitud de los mercados internacionalesCapacidad de innovaciónGasto empresarial en I+DControl de la distribución internacional Grado de orientación al clienteMedida de compensación por incentivosMedida del marketingMedida de exportacionesMedida de formación del personalNaturaleza de la ventaja competitivaLicencias de tecnología extranjeraSofisticación de los procesos productivosConfianza en la gestión profesionalPresencia completa de la cadena de valorVoluntad de delegar autoridad

II. ENTORNO MICROECONÓMICO DE NEGOCIOS

A. CONDICIONES DE LOS FACTORES1. Infrastructuras fïsicas

Calidad de las infraestructurasDesarrollo de la infraestructura ferroviariaCalidad de las infraestructuras portuariasCalidad de las infraestructuras de transporte aéreoCalidad de la infraestructura de teléfonos/faxCalidad del suministro eléctricoUsuarios de internet (hard data )Teléfonos móviles (hard data )

2. Infrastructuras administrativasConfianza en los servicios policialesIndependencia del poder judicial Eficiencia del marco legalImpacto de pagos ilegales en las políticas de gobiernoCentralización de la política económicaLeyes relativas a TI 3. Recursos humanosCalidad del sistema educativoCalidad de la enseñanza de ciencias y matemáticasCalidad de las escuelas de negociosCooperación en las relaciones empleador-empleado

4. Infraestructura tecnológicaDisponibilidad de científicos e ingenieros Calidad de las instituciones de investigación científica Colaboración para investigación entre universidades y empresas Patentes USA (hard data)

5. Mercados financierosSofisticación de los mercados financierosFácil acceso a préstamosAcceso a la bolsa localDisponibilidad de capital riesgo



74

Cuadro 2.6.

Composición del Índice de Competitividad de los Negocios

B. CONDICIONES DE DEMANDASofisticación de los compradoresObtención del gobierno de productos de tecnología avanzada Presencia de estándares regulación Exigencia de las normativas medio ambientales

C. INDUSTRIAS DE APOYO Y RELACIONADASCalidad de los proveedores localesCantidad de proveedores localesDisponibilidad local de equipos de procesamientoDisponibilidad local de servicios de investigación y formación

D. CONTEXTO DE ESTRATEGIA Y RIVALIDAD DE LAS EMPRESAS1. Incentivos

Favoritismo en decisiones de funcionarios públicosEficacia de la gestión corporativaProtección de la propiedad intelectualDerechos de propiedad

2. CompetitividadIntensidad de la competencia localEfectividad de la política antimonopolioBarreras arancelariasDominio de mercado


El peso de cada variable no se distribuye de forma homogénea sino que se

realiza un procedimiento en dos fases. En primer lugar, se dividen los países en

tres grupos atendiendo a sus cifras de PIB per cápita ajustado por el poder de

compra (véase cuadro 2.7) ya que en el Índice de Competitividad de los

Negocios se considera muy importante tener en cuenta el diferente grado de

desarrollo existente entre los países dado que los retos competitivos a los que

se enfrentan varían.


75

Cuadro 2.7.

Clasificación de países


En segundo lugar, una vez agrupados los países se estiman los coeficientes

del modelo (el peso que se atribuye a cada variable) mediante regresiones

bivariables realizadas para cada uno de los tres grupos, tomando como

variable dependiente el PIB per cápita ajustado por el poder de compra y como

variable independiente cada una de las variables indicadas en el cuadro 2.6.

Por tanto, cada variable tendrá un peso distinto en el cómputo final del índice y

además ese peso será diferente para cada uno de los tres grupos de países.

Por ejemplo, la variable Leyes relativas a las tecnologías de información tiene

un coeficiente de 0,312 para países del Grupo 1 (como Angola), de 0,360 para

países del Grupo 2 (como Panamá), y de 0,452 para países como España, que

se encuentran en el Grupo 3.

Gracias a este índice se puede medir la competitividad de los países

utilizando tanto variables macroeconómicas como microeconómicas pero

centrándose en los aspectos microeconómicos de la competitividad. Al igual

que el Índice de Competitividad Global, el Índice de Competitividad de los

Negocios tiene en cuenta el grado de desarrollo de los países pero, además,

utiliza métodos estadísticos para calcular el peso de cada una de las variables

Grupo 1 Menor de 4.000 $Grupo 2 De 4.000 a 17.000$Grupo 3 Mayor de 17.000S

PIB per Cápita PPP


76

en el cómputo total del índice, en lugar de la mera intuición, por lo que se

consigue una mayor objetividad.

3.2. Medición de la competitividad del International Institute for

Management Development (IMD)

El IMD publica desde 1989 el Anuario de Competitividad Mundial (World

Competitiveness Yearbook) en el que analiza y posiciona en un ranking la

habilidad de los países para crear y mantener un entorno que favorezca la

competitividad de las empresas.

El informe analiza la posición competitiva de 55 países (véase Anexo 2) a

través de datos publicados por organismos internacionales como el Fondo

Monetario Internacional, el Banco Mundial o Naciones Unidas y de una

Encuesta Ejecutiva realizada a empresarios en cada uno de los países. En el

año 2007 obtuvieron 3.700 respuestas.

El Anuario de Competitividad Mundial del IMD analiza más de 300 variables,

aunque sólo 284 se utilizan en la elaboración del ranking de competitividad

(véase cuadro 2.8). El resto de las variables se presentan como información

adicional para utilizarse como referencia. El modelo del IMD divide los factores

de competitividad en cuatro grupos y cada uno de ellos en cinco subgrupos.

De las 284 variables utilizadas en la elaboración del ranking de competitividad

del IMD, 127 corresponden a datos publicados por las instituciones antes

indicadas y las 157 restantes provienen de la Encuesta Ejecutiva.


77

Cuadro 2.8.

Composición del Anuario de Competitividad Mundial

1.1. Economía Doméstica. 1.3.Inversiones internacionales.Tamaño. Inversiones. Producto Interior Bruto (PIB). Flujos de inversión directa al exterior.Producto Interior Bruto ajustado por el poder de compra (PPP).

Flujos de inversión en mercados de valores extranjeros.

Consumo de los hogares.Crecimiento de los flujos de inversión en mercados de valores extranjeros.

Gasto público. Entrada de flujos de inversión directa.Formación bruta de capital. Entrada de inversión en mercados de capitales.

Tasa de ahorro .Crecimiento de la entrada de inversión en mercados de capitales.

Diversificación de la economía. Balanza de flujos de inversión.

CrecimientoPosición neta de inversiones en mercados de capitales.

Crecimiento del PIB. Amenaza por la recolocación de producción.Crecimiento del PIB real per cápita. Amenaza por la recolocación de I+D.Crecimiento del consumo de los hogares. Amenaza por la recolocación de servicios.Crecimiento del gasto público. Finanzas.Crecimiento de la formación bruta de capital. Portfolio de activos de inversión.Crecimiento de la tasa de ahorro. Portfolio de pasivos de inversión.Resistencia de la economía a ciclos. 1.4. Empleo.Riqueza. Empleo.PIB per cápita. Crecimiento del empleo.PIB per cápita PPP. Empleo por sector.Consumo de los hogares per cápita. Empleo en el sector público.Gasto público per cápita. Tasa de desempleo.Formación bruta de capital per cápita. Desempleo a largo plazo.Tasa de ahorro per cápita. Desempleo en jóvenes.Previsiones. 1.5. Precios.Previsión de crecimiento del PIB real. Inflación.Previsión de inflación. Indice de coste de vida.Previsión de desempleo. Alquiler de vivienda.Previsión de balanza por cuenta corriente. Alquiler de oficina.1.2.Comercio Internacional.Balanza cuenta corriente.Balanza comercial.Balanza servicios comerciales.Exportaciones de bienes. Crecimiento de las exportaciones de bienes.Exportaciones de servicios comerciales.Porcentaje de exportaciones por sector económico.Importaciones de bienes y servicios comerciales.Porcentaje de importaciones por sector económico.Ratio de comercio/PIB.Exportaciones/Importaciones.Turismo.Tipos de cambio.

1. Desempeño Económico.

Fuente: Adaptado del International Institute for Management Development (2007)


78

Cuadro 2.8. (Cont.)


2. Eficiencia Gubernamental.2.1. Finanzas Públicas. 2.4. Legislación de los negocios.Déficit/Superávit público. Apertura.Deuda del Gobierno. Autoridades de aduanas.Crecimiento de la deuda del Gobierno. Proteccionismo.Deuda nacional del Gobierno central. Contratos del sector público.Deuda extranjera del Gobierno central. Transacciones internacionales.Pagos de interés. Inversores extranjeros.Gestión de las finanzas públicas. Mercados de capitales.Reservas totales. Incentivos de inversión.Gasto general del Gobierno. Competencia y regulaciones.2.2. Política fiscal. Subsidios del Gobierno.Recaudación total de impuestos. Subsidios. Recaudación de impuesto de la renta. Propiedad gubernamental de empresas.Recaudación de impuestos de sociedades. Legislación sobre competencia.Recaudación de impuestos indirectos. Legislación sobre productos y servicios.Recaudación de impuestos sobre la propiedad y capital. Controles de precios.Contribuciones a la Seguridad Social. Economía sumergida.Tasa de impuesto personal. Intensidad de las regulaciones.Tasa de impuestos corporativa. Facilidad para hacer negocios.Tasa de impuestos al consumo. Creación de empresas.Ratio de contribución del empleado a la Seguridad Social. Días para empezar una empresa.Ratio de contribución del empleador a la Seguridad Social. Regulación laboral.Impuestos personales reales. Regulación laboral.Impuestos corporativos reales. Legislación del desempleo.Evasión fiscal. Leyes de inmigración.2.3. Marco Institucional. 2.5. Marco social.Banco Central. Justicia.Tipos interés corto plazo. Seguridad y propiedad privada.Coste de capital. Cohesión social.Diferencial de tipos de interés. Distribución de la renta.Rating de crédito del país. Discriminación.Política del banco central. Mujeeres en Parlamento.Estabilidad de tipo de cambio. Mujeres en posiciones relevantes.Eficiencia estatal. Ratio de renta por sexo.Consistencia de la política gubernamental. Acoso.Marco legal y regulatorio.Adaptabilidad de la política del Gobierno.Decisiones gubernamentales.Partidos políticos.Transparencia.Servicios públicos.Burocracia.Corrupción y sobornos.



79

Cuadro 2.8. (Cont.)


3. Eficiencia de los Negocios.3.1. Productividad y Eficiencia. 3.3. Finanzas.Productividad general. Eficiencia del sector bancario.Crecimiento de la productividad. Activos del sector bancario.Productividad del trabajo. Crédito.Crecimiento de la productividad del trabajo. Tarjetas en circulación.Productividad de la agricultura. Transacciones de tarjetas.Productividad e la industria. Riesgo de inversión.Productividad de los servicios. Capital riesgo.Grandes corporaciones. Disponibilidad servicios financieros.Mediana y pequeña empresa. Oficinas bancarias.Productividad de las empresas. Regulación bancaria.3.2. Mercado laboral. Riesgo del sistema financiero.Costes. Eficiencia del mercado de capitales.Niveles de retribución. Mercado de capitales.

Coste laboral unitario en el sector de producción. Capitalización del mercado de valores.Retribución en servicios profesionales. Valor negociado en mercado de capitales.Remuneración de directivos. Empresas nacionales cotizadas.Relaciones. Indice del mercado de valores.Jornada laboral. Derechos de los accionistas.Relaciones laborales. Transparencia de las instituciones financieras.Motivación de trabajadores. Gestión Financiera.Conflictos industriales. Flujo de caja.Formación. Deuda corporativa.Disponibilidad/Habilidades. Factoring.Fuerza laboral. 3.4. Prácticas de gestión.Crecimiento de la fuerza laboral. Adaptabilidad de empresas.Empleo tiempo parcial. Etica.Fuerza laboral femenina. Credibilidad de directivos.Fuerza laboral extranjera. Eficiencia supervisora de los Consejos.Fuerza laboral cualificada. Prácticas de auditoría y contabilidad.Habilidades financieras. Valor para el accionista.Capacidad de atraer y retener talento. Satisfacción de clientes.Fuga de talento. Actividad emprendedora.Trabajadores cualificados extranjeros. Responsabilidad social.

Experiencia internacional. Salud, seguridad y preocupación medioambiental.Competencia de los directivos. 3.5. Actitudes y valores.

Actitudes hacia la globalización.Imagen en el exterior.Cultura nacional.Flexibilidad y adaptabilidad.Necesidad de reformas económicas y sociales.Sistemas de valoración.Valores corporativos.



80

Cuadro 2.8. (Cont.)


4. Infraestructura.4.1. Infraestructura básica. 4.3. Infraestructura científica.Territorio. Gasto total en I+D.Territorio agrícola. Gasto e las empresas en I+D.Urbanización. Personal en I+D.Población. Personal en I+D en empresas.Población menor de 15 años. Investigación básica.Población mayor de 65 años. Licenciaturas en ciencias.Ratio de dependencia. Artículos científicos.Carreteras. Énfasis de las escuelas en ciencias.Ferrocarril. Interés de la juventud en ciencias.Transporte aéreo. Premios Nobel.Calidad del transporte aéreo. Patentes.Infraestructura de distribución. Patentes extranjeras.Transporte de agua. Derechos de propiedad intelectual.Mantenimiento y desarrollo. Investigación científica.Infraestructura energética. 4.4. Salud y Medioambiente.Provisión futura de energía. Gasto en salud.Producción energética. Gasto público en salud.Consumo energético. Infraestructura sanitaria.Intensidad energética. Expectativas de vida.Coste de electricidad para clientes industriales. Expectativas de vida saludable.4.2. Infraestructura tecnológica. Mortalidad infantil.Inversión en telecomunicaciones. Asistencia médica.Líneas fijas de telefonía. Población urbana.Coste llamadas internacionales. Índice de desarrollo humano.Teléfonos móviles. Problemas de salud.Costes de telefonía móvil. Ratio de reciclado de papel y cartón.Tecnología de las comunicaciones. Plantas de tratamientos de aguas residuales.Ordenadores en uso. Emisiones de dióxido de carbono.Usuarios de Internet. Energías renovables.Costes de Internet. Huella ecológica.Suscriptores de banda ancha. Desarrollo sostenible.Costes de banda ancha. Problemas de contaminación.Habilidades de tecnologías de la información. Leyes medioambientales.Cooperación tecnológica. Calidad de vida.Inversiones de los sectores público y privado. 4.5. Educación.Desarrollo y aplicación tecnológica. Gasto público en educación.Fondos para desarrollo tecnológico. Ratio alumno-profesor (educación primaria).Regulación tecnológica. Ratio alumno-profesor (educación secundaria).Exportaciones de alta tecnología. Tasa de escolarización secundaria.Seguridad internet. Educación superior.

Valoración educativa.Sistema educativo.Analfabetismo.Educación económica.Educación literaria.Educación en finanzas.Idiomas.Ingenieros cualificados.Transferencia de conocimientos.



81

En el primer grupo de variables relacionadas con el desempeño económico,

se evalúa la Economía Doméstica en términos macroeconómicos teniendo en

cuenta aspectos como el tamaño de la economía, el crecimiento, la riqueza y

las previsiones; se analizan el comercio y las inversiones internacionales (tanto

los flujos de entrada como de salida) y variables relativas al empleo (por

ejemplo crecimiento del empleo, tasa de desempleo, empleo por sector) y a los

precios (por ejemplo inflación o índice de coste de vida).

Existe un segundo grupo de variables relacionadas con la Eficiencia

Gubernamental, en las que se analiza si las políticas del Gobierno están

dirigidas a mejorar la competitividad. En este grupo se incluyen: variables

relativas a las finanzas públicas (deuda del gobierno, reservas totales, déficit

/superávit público, gasto general del Gobierno); a la Política Fiscal (recaudación

total de impuestos, evasión fiscal, contribuciones a la seguridad social); al

Marco Institucional (con aspectos relacionados con el Banco Central y

Eficiencia Estatal); a la Legislación de los Negocios y a las facilidades o

dificultades que supone la regulación gubernamental para la apertura y

funcionamiento de los negocios (proteccionismo, incentivos de inversión o

controles de precios) y;, por último, se contemplan aspectos del Marco Social

(por ejemplo, seguridad y propiedad privada, discriminación o acoso, cohesión

social, ratio de renta por sexo).

El tercer grupo, el relativo a la Eficiencia de los Negocios, mide el grado con el

que el entorno nacional impulsa a las empresas a actuar de forma innovadora,

responsable y rentable, en concreto se mide: la productividad de las empresas


82

(crecimiento de la productividad, productividad en los distintos sectores);

aspectos relativos al funcionamiento del mercado laboral (como los costes y la

disponibilidad de la fuerza laboral, así como las relaciones sindicales); la

eficiencia del sector financiero, tanto del mercado de capitales como del sector

bancario, y algunos aspectos de tipo más cualitativo tales como las prácticas de

gestión y las actitudes y valores.

En un cuarto grupo, el de la Infraestructura, se valora el grado en el que los

recursos básicos, tecnológicos, científicos y humanos cumplen las necesidades

de los negocios y se incluyen variables relativas a: las infraestructuras básicas

(como los transportes y la energía); la infraestructura tecnológica o científica

(como líneas fijas de telefonía, usuarios de Internet o costes de banda ancha);

también se tienen en cuenta aspectos relativos a la salud y el medioambiente

(como la infraestructura sanitaria, la mortalidad infantil o las leyes

medioambientales) y por último la educación (como el gasto público en

educación o la tasa de analfabetismo).

El IMD considera que estas variables incluyen todos los aspectos tanto

macroeconómicos como microeconómicos que inciden de alguna manera en la

competitividad de los países. Una vez obtenidos los valores para cada variable,

la metodología que utiliza el World Competitiveness Yearbook para calcular la

competitividad de cada país es distribuir el peso de forma homogénea entre los

cuatro grupos y los 20 subgrupos. Es decir, el peso de cada uno de los grupos

es un 25% y el peso de cada subgrupo es del 5% en el ranking global,

independientemente del número de variables que se incluya en cada uno.


83

Tampoco se pondera por el tamaño o el grado de desarrollo del país, es decir,

se sigue la misma metodología para calcular en índice de competitividad de

todos los países.

Finalmente el informe proporciona un ranking para todos los países en cada

uno de los grupos y subgrupos e información detallada para cada país en

cuanto a desempeño general, posición y evolución en los rankings en los

últimos cinco años, fortalezas y debilidades en cada uno de los grupos, datos

básicos y principales retos. Por tanto, la principal aportación de este índice es

que valora la competitividad contemplando un número muy elevado de

variables, tanto macroeconómicas como microeconómicas, cuyos valores se

obtienen tanto de fuentes publicadas de reconocido prestigio como de opiniones

de empresarios. Además el índice es de relativa sencillez de cálculo, al tener

todos los grupos de variables la misma ponderación y al no diferenciar según el

grado de desarrollo de los países.

3.3. Utilidad de ambas mediciones

Tanto el Informe de Competitividad Global del Foro Económico Mundial

como el modelo de competitividad del International Institute for Management

Development están desarrolladas por instituciones de prestigio y aportan

metodologías de medición de la competitividad muy completas y bien

argumentadas, además, ambos estudios toman como base datos publicados y

encuestas realizadas a empresarios de todos los países representados; sin


84

embargo, tanto en el alcance como en la metodología presentan diferencias

significativas, lo que hace que su utilidad sea diferente:

1. El modelo del Foro Económico Mundial cubre un número mucho mayor

de economías (más de 130 frente a 55 del IMD), pero contempla un

número menor de variables en la composición de sus índices (un máximo

de 112 en el Índice de Competitividad Global frente a 200 del IMD).

2. El Foro Económico Mundial presenta dos índices, el Índice de

competitividad Global y el Índice de Competitividad de los Negocios. El

primero de ellos tiene un enfoque más parecido al World

Competitiveness Yearbook del IMD, ya que en ambos se tienen en

cuenta factores tanto macroeconómicos como microeconómicos que

afectan a la competitividad; sin embargo, el Índice de Competitividad de

los Negocios, tiene un planteamiento diferente ya que está más

enfocado hacia los aspectos que afectan al entorno microeconómico de

negocios en el que operan las empresas.

3. El índice del IMD aplica la misma metodología a todos los países

incluidos en el estudio, independientemente de su grado de desarrollo;

por el contrario, el Foro Económico Mundial considera que los factores

que afectan a la competitividad de un país varían en función del grado de

desarrollo del mismo y asigna pesos diferentes a cada variable según el

desarrollo económico del país en cuestión.


85

Parece que la metodología del Foro Económico Mundial es más adecuada que

la del IMD para su utilización en la parte empírica de esta tesis, debido

principalmente a las siguientes razones:

- uno de sus índices, el Índice de Competitividad de los Negocios, está más

enfocado en aspectos microeconómicos de la competitividad, los cuales se

consideran cada vez más relevantes para la competitividad de los países,

- contempla explícitamente el papel de los clusters en la competitividad a través

del entorno microeconómico de negocios,

- incluye un número muy superior de países.

Estas cuestiones hacen que su utilización encaje mejor con el concepto

amplio e integrador de competitividad que se va a utilizar en esta tesis y que

permita una visión más exhaustiva de la influencia de los clusters en la

competitividad.

4. CONCLUSIONES

Con respecto a lograr una clara definición para acotar el término

competitividad, a pesar de los numerosos esfuerzos que se han realizado no

se puede concluir que exista una definición generalmente aceptada, ni que los

factores que influyen sobre la competitividad sean los mismos para los

diferentes autores y organismos mencionados en este capítulo. No obstante,

sí se observa que existe una evolución del concepto desde nociones basadas

esencialmente en aspectos macroeconómicos a otras en las que los aspectos

microeconómicos cobran cada vez más importancia y en las que se destaca el


86

papel que las empresas desempeñan como impulsoras de la competitividad

de los países. También es conveniente resaltar la tendencia de muchos

autores (Amin y Tomaney, 1995; Ciampi, 1996; Departamento de Industria y

Trabajo del Reino Unido, 2002; O´Mahony y Van Ark, 2003; Porter, 2004; Foro

Económico Mundial, 2008) a relacionar, en ocasiones muy estrechamente, la

competitividad con la productividad lo que permite interrelacionar más

claramente la competitividad con aspectos relacionados con el ámbito

empresarial.

En relación a cómo medir la competitividad, aunque tampoco existe una

única metodología unánimemente aceptada sí se pueden destacar los índices

realizados anualmente por el Foro Económico Mundial y el International

Institute for Management Development que son reconocidos

internacionalmente. Ambos informes elaboran sus índices según datos

publicados por instituciones internacionales y otros obtenidos directamente

por estas entidades y a los que aplican análisis muy completos, lo que

proporciona una visión razonada y exhaustiva de los factores importantes en

la medición de la competitividad, así como datos relevantes de cada uno de

los países analizados. No obstante, dados los objetivos establecidos en esta

investigación la metodología del Foro Económico Mundial y, en concreto, el

Índice de Competitividad de los Negocios, se considera más adecuada que la

del IMD para su utilización en la parte empírica de esta tesis ya que se centra

en aspectos microeconómicos, contempla expresamente el papel de los

clusters e incluye un número muy superior de países en el análisis, por lo que


87

posibilita un análisis más completo para conocer en qué medida los clusters

pueden influir en la competitividad de los países.


88

CAPITULO 3

LOS CLUSTERS COMO INSTRUMENTO DE

FOMENTO DE LA COMPETITIVIDAD

Capítulo 3. Los clusters como instrumento de fomento de la competitividad.

90


91

ÍNDICE

1. INTRODUCCIÓN.........................................................................................93

2. CONCEPTO DE CLUSTER....................................................................... .95

2.1. Orígenes del concepto: los distritos industriales............................95

2.2. Delimitación y clasificación del cluster...........................................99

2.2.1. Principales definiciones.......................................................99

2.2.2. Delimitación de clusters....................................................101

2.2.3. Intentos de clasificación de los clusters............................109

2.2.4. Conclusiones.....................................................................115

3. IDENTIFICACIÓN DE LOS CLUSTERS Y SU ANÁLISIS.........................116

3.1. El Cluster Mapping Project del Institute for

Strategy and Competitiveness....................................................124

3.2. El Mapa de Clusters del Departamento de Comercio

e Industria del Reino Unido........................................................127

3.3. Los sistemas productivos locales del Departamento de

Trabajo e Industria de Cataluña..................................................131

3.4. Los sistemas productivos locales de la Comunidad

Autónoma del País Vasco………………………………………….136

3.5. El proyecto de Van der Linde.......................................................138

3.6. El análisis del distrito de la cerámica en Castellón…………….…140

3.7. El análisis del cluster de la electrónica de consumo

en Cataluña................................................................................143


92

3.8. Conclusiones................................................................................148

4. VENTAJAS DE LOS CLUSTERS..............................................................149

4.1. Ventajas de aglomeración........................................................... 150

4.2. Ventajas de difusión del conocimiento.........................................152

5. LOS CLUSTERS COMO INSTRUMENTO PARA MEJORAR LA

COMPETITIVIDAD...................................................................................156

5.1. Análisis econométricos con evidencia directa..............................158

5.2. Trabajos con evidencia indirecta..................................................160

5.3. Trabajos sobre la relación explícita entre clusters y

competitividad...............................................................................161

5.4. Conclusiones................................................................................164

6. CONCLUSIONES......................................................................................165


93

1. INTRODUCCIÓN.

La palabra cluster hace referencia a un grupo de objetos o entidades del

mismo tipo que crecen o se mantienen juntas1. Su traslado a la esfera

económica para referirse a un conjunto de empresas agrupadas ha dado lugar a

una abundante literatura que ha tratado de delimitar su concepto y establecer

las consecuencias de dicha agrupación. Aunque aparentemente se trata de un

concepto sencillo existen importantes divergencias en cuanto a la definición y el

alcance del término cluster.

Los esfuerzos por identificar agrupaciones de empresas que puedan

considerarse clusters se han realizado siguiendo enfoques muy diferentes, lo

que no ha contribuido a lograr un acuerdo conceptual o metodológico unánime y

aunque existen clusters generalmente reconocidos, como el de empresas

tecnológicas en Sillicon Valley o el de las empresas de cine en Hollywood, los

autores no mantienen un criterio común de identificación.

El concepto de cluster ha suscitado un gran interés en numerosos autores

(Clapham, 1920; Pigou, 1925; Young, 1928; Czamanski, 1974; Becattini, 1987

y 1990; Scott, 1988; Brusco, 1989; Gobbo, 1989; Porter, 1990; Nuti, 1992;

Bellandi y Russo, 1994; Herce et al. 1996, Tomás y Such 1997; Cooke, 1998;

Roelandt y Den Hertog, 1999; Roelandt y Den Hertog, 1999; Soler, 2000; Van

den Berg et al, 2001; Trullén, 2002; Cooke y Huggins, 2003; Ketels, 2003;

1 Según el Diccionario Collins de Inglés.


94

Martin y Sunley, 2003; Asheim y Gertler, 2005; Belussi, 2006; Soler i Marco,

2008; Boix, 2008; Molina, 2008) y en organismos e instituciones públicas y

privadas (Vinnova2, Institute for Strategy and Competitiveness en Estados

Unidos, Departamento de Industria y Comercio de Reino Unido, el

Departamento de Trabajo e Industria de la Generalitat de Cataluña, el European

Network for Social and European Research, el World Economic Forum) lo que

se ha reflejado en numerosos artículos, estudios y proyectos relacionados con

los clusters. En el presente capítulo se analizarán las aportaciones que, por su

relación con el objetivo del presente estudio, se consideran más interesantes.

El interés que han despertado en el ámbito económico los clusters está muy

relacionado con los supuestos beneficios que tienen para las empresas que

operan en ellos y para las regiones o países que los impulsan y promueven y,

en concreto, a su pretendida influencia sobre el desarrollo económico y la

competitividad.

En este capítulo se tratará de clarificar el concepto de cluster, su origen, sus

límites y su utilidad. Para ello, se analizarán algunas de las principales

aportaciones tanto teóricas como empíricas que se han desarrollado. Una vez

estudiadas las diferentes teorías y aportaciones respecto a este concepto se

revisarán los principales esfuerzos realizados hasta el momento, tanto por

parte de autores o de instituciones privadas como por parte de algunas

2 Vinnova es la agencia de innovación del gobierno sueco, y su proyecto de identificación de

clusters que ha conducido a la publicación por O. Solvell et al, del libro The Cluster Initiative

Greenbook (2003), que recoge más de 250 esfuerzos de este tipo en diferentes países.


95

organizaciones gubernamentales (como en el caso del Reino Unido), o

regionales (como la realizada en España por la comunidad Autónoma de

Cataluña) para la identificación de clusters.

Por último, se expondrán las principales teorías sobre las ventajas de los

clusters y, en concreto, sobre su influencia en la competitividad de países y

regiones.

2. CONCEPTO DE CLUSTER

2.1. Orígenes del concepto: los distritos industriales

Alfred Marshall (1961), con sus trabajos en 1890 sobre los distritos

industriales, fue el precursor del concepto de cluster al introducir la idea de las

economías externas generadas por la agrupación de productores. Este autor

estableció que en ciertos sectores manufactureros se pueden lograr ventajas

de producción a gran escala si se reúnen en un mismo lugar gran cantidad de

pequeños productores y se subdivide el proceso de fabricación en varias fases

de forma que, cada una de ellas, puedan ser realizadas con la máxima

eficiencia en un pequeño establecimiento. Esta presencia en un mismo territorio

de gran cantidad de pequeños establecimientos especializados en la ejecución

de una fase particular del proceso productivo genera, además de las ventajas

de escala en producción, la realización de inversiones y facilita el

adiestramiento de la mano de obra especializada y la circulación más rápida de

las ideas. A estas agrupaciones de pequeñas empresas es a lo que este autor

denominó distrito industrial.


96

Este concepto de los distritos industriales es el precursor de los cluster en

cuanto que se refiere a la agrupación de empresas que realizan un mismo tipo

de actividad y aunque ambos conceptos se utilizan en ocasiones

indistintamente, los distritos industriales constituyen un tipo de clusters que

cuentan con unas características muy específicas.

Con posterioridad a Marshall numerosos autores fueron profundizando y

delimitando el concepto de distritos industriales (Clapham, 1920; Pigou, 1925;

Young, 1928; Becattini, 1987 y 1990; Brusco, 1989; Gobbo, 1989; Pyke,

Becattini y Senberger, 1990; Nuti, 1992; Bellandi, y Russo, 1994; Becattini et

al., 2001; Belussi, 2006, Puig et al. 2008).

Una de las aportaciones más interesantes es la de G. Becattini (1990: 38)

que define los distritos industriales italianos como:

“Entidad socio-territorial caracterizada por la presencia activa de una

comunidad de personas y una población de empresas en un área

limitada natural e históricamente. En el distrito, a diferencia de otros

entornos, comunidad y empresas tienden a fusionarse. El hecho de que

haya una actividad dominante diferencia a los distritos de las “regiones

económicas” genéricas. La auto-inclusión y el proceso progresivo de

división del trabajo, junto con la realización de especialización

productiva, genera un excedente creciente de productos que no pueden

ser vendidos en el distrito”.


97

En esta definición de distrito industrial además de los conceptos de división

de trabajo y especialización Becattini incluye un aspecto territorial, ya que

circunscribe el distrito industrial a un área limitada natural e históricamente. Este

aspecto territorial también se desarrolla en el trabajo de Pyke, Becattini y

Senberger (1990) los cuales describen los distritos industriales como sistemas

definidos geográficamente y caracterizados por un gran número de empresas

activas en diferentes fases de la producción de un producto homogéneo. Para

estos autores también hay otras características significativas de los distritos

industriales, en concreto, que una gran parte de estas empresas son pequeñas

o muy pequeñas y que entre ellas hay importantes conexiones culturales y

sociales, como por ejemplo un sentimiento comunitario y prácticas de

cooperación empresarial.

Por otro lado, el concepto marshalliano de los distritos industriales también fue

sintetizado por F. Belussi (2006) de la siguiente forma:

a) El distrito industrial de Marshall es una localización específica en la que se

produce un tipo de especialización productiva.

b) El distrito está caracterizado por una alta densidad de pequeñas y

medianas empresas.

c) Las empresas cooperan a lo largo de la cadena de valor ya que existe una

división del trabajo extendida entre las compañías de manera que cada una de

ellas sólo realiza una parte de la cadena de valor.

d) Generalmente el distrito obtiene liderazgo en una industria específica.


98

e) Un distrito industrial se desarrollará si existe en un área una gran variedad

de productores similares que facilita la intercomunicación de ideas y la

creatividad.

La terminología que se ha utilizado para referirse a las concentraciones

localizadas de actividad especializada definidas en un primer momento como

distritos industriales han ido variando a lo largo del tiempo. Algunas de estas

nuevas denominaciones son cluster (Czamanski, 1974; Porter, 1990); nuevos

espacios industriales (Scott, 1988); sistemas locales y regionales de innovación

(Cooke 1998; Asheim y Gertler, 2005); sistemas de producción local (Crouch et

al., 2001) o networks (Noteboom, 2006).

El término cluster se utilizó por primera vez en el trabajo de S. Czamanski

(1974) sobre clustering (agrupación) industrial pero es a partir de los trabajos

que hace sobre ese tema M. Porter en los años 90 cuando el término cluster

obtiene una mayor difusión. Este autor relaciona claramente la existencia de los

clusters con la competitividad y, de hecho, considera los clusters como un factor

determinante de la ventaja competitiva de las naciones y las regiones. A partir

de ese momento se desarrolla un gran interés en analizar esta relación, lo cual

se pone de manifiesto en los diversos trabajos y estudios que sobre clusters se

han desarrollado en las dos últimas décadas y que se analizarán en el resto de

este capítulo.


99

2.2. Definiciones, delimitación y clasificación del cluster

2.2.1. Principales definiciones.

Las definiciones que los autores proponen para el término cluster varían

ampliamente desde las más genéricas que resaltan sólo alguna de las

características de los clusters tales como la proximidad geográfica o la

especialización (Swann y Prevezer, 1998; Maskell, 2001; Crouch y Farell,

2001), hasta aquellas que añaden otros elementos como el tipo de empresas o

las relaciones que se producen entre ellas (Porter, 1998; Roelandt y Den

Hertog, 1999; Van den Berg et al, 2001; Cooke y Huggins, 2003).

Según F. Belussi (2006) de las diversas definiciones existentes se pueden

destacar las siguientes:

Cuadro 3.1.

Principales definiciones de cluster

AÑO AUTOR DEFINICIÓN 1997 Rosenfeld Un cluster se utiliza simplemente para representar

concentraciones de empresas que son capaces de generar sinergias por su proximidad geográfica e interdependencia, incluso aunque su escala de empleo no sea importante.

1998 Feser Los clusters económicos no son sólo instituciones e industrias relacionadas y de apoyo, sino instituciones e industrias de apoyo que son más competitivas en virtud de sus relaciones.

1998 Porter Los clusters son concentraciones geográficas de empresas interconectadas, proveedores especializados, proveedores de servicios, empresas de industrias relacionadas e instituciones asociadas (como universidades, agencias de estándares o asociaciones de comercio) en un campo determinado que compiten pero también cooperan. Los clusters, o masas críticas de éxito competitivo inusual en determinadas áreas de negocio, son una característica clave de prácticamente cualquier economía nacional, regional, estatal e incluso metropolitana, especialmente en los países más desarrollados.


100

1998 Swann y Prevezer Los clusters se definen como un grupo de empresas en una industria basadas en un área geográfica determinada.

1999 Roelandt y Den Hertog

Los clusters se pueden caracterizar como networks de productores de empresas fuertemente interdependientes (incluyendo proveedores especializados), ligadas unas a otras en una cadena de producción que añade valor.

2001 Maskell El término cluster se usa en la literatura de forma sinónima a aglomeración o localización industrial, mientras que el término distrito industrial se aplica a menudo cuando se quiere poner énfasis en los valores y normas compartidos por empresas localizadas juntas.

2001 Crouch y Farell El concepto más general de cluster sugiere una tendencia de empresas en tipos parecidos de negocio a localizarse juntas, aunque sin tener una presencia particularmente importante en el área.

2001 Van den Berg et al El término popular cluster está más relacionado con la dimensión local o regional de networks. La mayoría de las definiciones comparten la noción de clusters como networks localizados de organizaciones especializadas, cuyos procesos de producción están ligados por el intercambio de bienes, servicio y/o conocimiento.

2003 Cooke y Huggins Los clusters son empresas próximas geográficamente con relaciones verticales y horizontales, que incluyen una infraestructura de apoyo localizada y una visión compartida del crecimiento del negocio, basada en la cooperación y la competencia en un área de mercado específica.

Fuente: Adaptado de Belussi (2006).

Como se desprende de las definiciones hasta el 2003 se puede considerar

que existe la idea básica común de que los clusters están formados por un

número de empresas agrupadas. No obstante, se puede observar que existen

ciertas diferencias en cuanto a otros aspectos tales como: la dimensión

geográfica (desde una ciudad hasta una nación); las relaciones que existen

entre las empresas pertenecientes al cluster (si son de colaboración o de

competencia); el tipo de empresas que los forman (si incluye instituciones o no,

o si se limita a empresas de un determinado tamaño), e incluso, al objetivo de

las mismas.


101

En definitiva, se puede afirmar que no existía un acuerdo generalizado en

cuanto a la definición y características de los clusters. Ante esta situación varios

autores han intentado en los últimos años acotar y clarificar el concepto de

cluster (Bottazzi, Dosi y Fagiolo, 2002; Ketels, 2003; Navarro, 2003; Timpano,

2004; Paniccia, 2006). A continuación se expondrán las principales

aportaciones que han aparecido desde el año 2003 para intentar homogeneizar

la definición y ciertas características asociadas a los clusters.

2.2.2. Delimitación de clusters.

Las definiciones del concepto de cluster existentes en la literatura sobre las

características de estas agrupaciones comparten la idea básica de que un

cluster es un número de empresas agrupadas, sin embargo, hay divergencias

en aspectos tales como: los límites espaciales; el tipo de relación entre

empresas o sectores y las organizaciones e instituciones tomados en

consideración.

M. Navarro (2003) hace una clasificación de los aspectos que en su opinión

contribuyen a delimitar el concepto de cluster. Además de los límites

espaciales, el tipo de relación entre empresas o sectores y las organizaciones e

instituciones tomados en consideración, el autor señala el tipo de flujos que se

produce entre las empresas del cluster3.

Conviene analizar las teorías que los principales autores han aportado

respecto a estos aspectos, para lo cual se seguirá la clasificación de Navarro

(2003):

3 Este último aspecto no se ha incluido en este apartado por considerar que no es objeto del presente estudio.


102

a) Límites espaciales.

En la discusión sobre los límites espaciales o la dimensión geográfica de los

clusters hay dos tendencias claramente diferenciadas: algunos autores

argumentan que con el fenómeno de la globalización, la localización es

irrelevante en la actividad económica ya que cada vez es más sencillo trasladar

actividades a otros países (O´Brien, 1992; Cairncross, 1997 y Gray, 1998).

Dentro de esta tendencia y con un análisis empírico se puede destacar la

aportación de A. Zuchella (2003), que señala cómo los distritos industriales

italianos se han visto afectados por el fenómeno de la globalización y han

trasladado algunas de sus actividades, especialmente en el área de producción,

a países de bajo coste (por ejemplo, Rumania).

Frente a esta posición, otros autores consideran que el efecto es el contrario:

la globalización promueve las características distintivas de las economías

regionales y son éstas y no las economías nacionales las fuentes de creación

de riqueza y comercio mundial. Las aglomeraciones económicas se dan en los

países para cualquier grado de desarrollo y son una fuente fundamental de

crecimiento. (Ohmae, 1995; Espínola, 1996; Krugman, 1997; Storper, 1997;

Porter, 2000; Scott, 1998; Swann y Prevezer, 1998; Fujita et al., 2000; Cooke y

Huggins, 2003).

Precisamente P. Krugman ya en su obra Increasing Returns and Economic

Geography de 1991 resaltó la importancia de la dimensión geográfica de la

economía y afirmaba que la característica más significativa de la geografía de la


103

actividad económica era la concentración y que la producción está

increíblemente concentrada en el espacio. Por ejemplo, en Estados Unidos se

comprobó que 380 clusters suponían el 57% del empleo, el 61% del output y el

78% de las exportaciones del país.

J. Cortright (2006) va un paso más allá y argumenta que la proximidad

geográfica no sólo constituye una característica esencial de los clusters sino

que es lo que posibilita la obtención de ventajas. De hecho este autor entiende

los clusters industriales como grupos de empresas y actores económicos e

instituciones relacionados que se localizan cerca unos de otros y considera que,

precisamente, obtienen ventajas productivas de su mutua proximidad y

conexiones.

Aunque la tendencia general es reconocer la existencia de un componente

geográfico en la definición de cluster lo que no queda tan claro es la dimensión

geográfica exacta en la que deben circunscribirse los mismos.

El profesor M. Porter, en 1998, intentó aportar una visión intermedia a esta

cuestión. Para él la proximidad geográfica es importante pero tiene una

dimensión amplia (desde una ciudad, hasta una nación o incluso a un conjunto

de países vecinos) siempre y cuando sea adecuada para garantizar una

interacción eficiente y un flujo de bienes, servicios, ideas y habilidades dentro

del cluster.


104

Esta visión tan amplia geográficamente hace que ciertos autores (Martin y

Sunley, 2003; Ashein y otros 2006; Belussi, 2006; Malmberg y Power 2006;

Simmie, 2006) le atribuyan a Porter la confusión existente en cuanto a la

dimensión geográfica de los clusters.

F. Timpano (2004) mantiene una postura parecida a la de Porter. El autor

hace una reflexión sobre la evolución de la dimensión geográfica de los clusters

y afirma que un cluster no tiene por que estar adscrito a una dimensión

territorial específica ya que si el énfasis está en la interdependencia entre

empresas, o en sus interacciones innovadoras, un cluster podría estar

diseminado por un país entero, incluso, por varios países.

En definitiva, con respecto a los límites espaciales la tendencia es a incluir el

componente de proximidad en la definición de cluster aunque existe cierta

imprecisión en cuanto a la dimensión geográfica exacta en la que debe

circunscribirse un cluster.

b) Tipo de relación entre empresas o sectores.

En cuanto al segundo de los parámetros, el tipo de relación entre empresas e

instituciones en el cluster, la mayoría de los autores señalan que para que

pueda hablarse de clusters no basta con la mera proximidad geográfica de las

empresas, sino que debe existir algún tipo de relación entre ellas (Rosenfeld,

1997; Porter, 1998; Roelandt y Den Hertog, 1999; Cooke y Huggins, 2003). En

muchas ocasiones, el tipo de relaciones que deben producirse entre las

empresas del cluster quedan sin concretar aunque en líneas generales, según


105

P. Raines (2000) y M. Navarro (2003) estas relaciones pueden dividirse en dos

grupos: relaciones de competencia y relaciones de cooperación.

En un intento de clarificación del tipo de relaciones que se dan entre

empresas de un cluster P. Raines (2000) distingue entre clusters basados en

competencias y clusters de cadena de valor. Los primeros se referirían a

actividades equivalentes y, por tanto, prevalecerían las relaciones de

competencia y los últimos incluirían relaciones de líneas productivas o las

llamadas filiére francesas, que incluyen las relaciones proveedor-usuario y por

tanto de colaboración.

En esta misma línea se manifiesta M. Navarro (2003) el cual habla de clusters

verticales y horizontales. Los clusters verticales se refieren a agrupaciones de

empresas ligadas en cadenas de compras y ventas, mientras que los

horizontales serían agrupaciones de empresas de productos complementarios o

que emplean input, instituciones o tecnologías especializadas similares. Según

esta clasificación, las empresas de un cluster horizontal competirían entre sí,

mientras que en los clusters verticales primarían las relaciones de

colaboración.

Aunque algunos autores (Bergman y Feser, 1999; Meyer-Stamer, 2001) se

muestran escépticos en cuanto a la posibilidad de que se produzcan relaciones

de colaboración o señalan las dificultades para que se realicen debido a que

suelen primar las relaciones de competencia, son numerosos los autores que

hablan de la necesidad de que existan tanto relaciones de cooperación como de


106

competencia entre las empresas de un cluster (Piore y Sabel, 1984; Porter,

1998b; Cooke y Huggins, 2003; Malmberg y Power, 2006). Un claro ejemplo de

esta postura es la de Porter (1998b) el cual considera que es fundamental

tener en cuenta las relaciones de colaboración existentes entre las empresas y

sus proveedores y con las instituciones de apoyo y relacionadas. No obstante,

el autor también destaca las relaciones de competencia porque las considera

uno de los factores determinantes para que se produzca una de las ventajas del

cluster, las mayores tasas de innovación; es más, llega a argumentar que una

competencia más intensa hace que las empresas se vean más forzadas a

innovar.

Una vez que se habían tratado las posibles relaciones existentes, algunos

autores han realizado diversas aportaciones sobre cómo pueden ser las

mismas. T.J.A. Roelandt y P. den Hertog (1999) en su definición de cluster

hablan de empresas ligadas unas a otras en una cadena de producción que

añade valor. También A.R. Hoen (1999) considera el vínculo de la cadena de

producción como una de las posibilidades de relación, lo que el autor llama

vínculos productivos. Es decir, cada empresa realiza una parte de la cadena de

valor y colabora con otras empresas que realizan otras partes de esa cadena.

Además de colaborar en la cadena de producción las empresas pueden

colaborar en el proceso de difusión de innovaciones ya sean de nuevas

tecnologías o de productos innovadores.

En cuanto al tipo de cooperación que puede existir entre las empresas de un

cluster P. Maskell (2001) y P. Cooke y R. Huggins (2003) añaden algo más que


107

la mera colaboración y hablan de aspectos como visión, valores y normas

compartidas, lo que refleja una cierta conciencia de pertenecer al cluster y se

asemeja, como señalaba G. Becattini (1990), a los distritos industriales

italianos, en los que una de sus características era su sentimiento de

comunidad.

En definitiva, se puede decir que en los clusters suelen existir tanto relaciones

de cooperación como de competencia aunque estos tipos de relaciones varían

en cuanto a su intensidad en función del tipo de clusters del que se trate.

c) Organizaciones e instituciones tomados en consideración

El tercer ámbito de discusión respecto a la delimitación de los clusters se

refiere al tipo de empresas que cabría incluir en el cluster. Sobre este aspecto

no hay posiciones excesivamente encontradas sino que las diferencias

existentes se producen por un problema de indefinición en cuanto a dos

variables: una referente a la naturaleza de las empresas y otra sobre el tamaño

de las mismas.

En lo que respecta a la naturaleza de las empresas en general los autores e

instituciones como por ejemplo S. Brusco (1989), E.J. Feser (1998), M. Porter

(1998b), D.M. DeCarolis y D.L. Deeds (1999) y la OCDE (1999) incluyen a

instituciones relacionadas como parte integrante del cluster4. Estas instituciones

pueden incluir centros de investigación, agencias de política industrial,

instituciones académicas y asociaciones profesionales y empresariales. En

4 Porter menciona expresamente algunas de estas instituciones, como las universidades, agencias de estándares o asociaciones de comercio, en su definición de cluster.


108

cada cluster el papel de estas instituciones puede ser más o menos fuerte, por

ejemplo, N. Henry et al.(1996) señalan como en los distritos industriales

italianos las universidades no han tenido un papel relevante pero esto ha ido

alterándose con el tiempo. En el caso del cluster de la electrónica de consumo

en Cataluña, por ejemplo, las instituciones de apoyo y centros educativos

juegan un papel importante para las empresas del cluster (Ballarín y Blázquez,

2003) tal y como se describirá en el apartado 3.5 de este capítulo.

En cuanto al tamaño de las empresas que componen el cluster, lo que se

plantea es si los clusters deben limitarse a pequeñas y medianas empresas o

también si las de gran tamaño pueden ser parte integrante del cluster. F. Pyke,

G. Becattini y W. Senberger (1990), en su definición de los distritos industriales

italianos, mencionaban expresamente que el tamaño de la mayoría de las

empresas era pequeño o muy pequeño; sin embargo, la evidencia no siempre

apoya esta idea en la definición de clusters. En algunos clusters bien conocidos,

como es el caso de Hollywood en la industria del cine o Silicon Valley en

tecnología, dentro del cluster hay pequeñas empresas y otras de gran tamaño

sin que distorsione la eficacia del cluster, tal y como han demostrado diferentes

estudios de identificación de clusters como los proyectos de M. Porter (2003)

en el Cluster Mapping Project o J.M. Hernández, J. Fontrodona y A. Pezzi

(2005) en el Mapa de los sistemas productivos catalanes, que han comprobado

que en ellos conviven grandes y pequeñas empresas sin problemas.


109

d) Conclusión.

Lo que se aprecia al analizar la literatura existente en torno a la delimitación

de clusters es, por un lado, una falta de límites claros del concepto y, por otra,

discrepancias entre autores cuando se trata precisamente de centrar o definir

esos límites. Sin embargo, sí se pueden extraer algunas características que son

generalmente aceptadas como son: la inclusión de una dimensión geográfica y

una necesidad de un grado de proximidad entre empresas del cluster, aunque

no esté definida de modo preciso; la existencia de relaciones tanto de

cooperación como de competencia y la posibilidad de que en el cluster

coexistan distintos tipos de empresas e instituciones de tamaño diferente.

También puede afirmarse que, si bien los distritos industriales son los

precursores de los clusters y ambos términos se utilizan indistintamente en

numerosas ocasiones, los clusters constituyen un concepto más amplio en el

que caben agrupaciones de empresas del tipo de los distritos industriales, pero

también de otras características.

2.2.3. Intentos de clasificación de los clusters.

La gran diferencia que existe entre los distintos clusters en términos de

tamaño, origen, organización, funcionamiento, etc., hace que algunos autores

(Malmberg y Power, 2003; Martín y Sunley, 2003; Asheim, 2006) se pregunten

si realmente los clusters pueden encajarse en una misma definición o teoría.


110

Para responder a esto autores como G. Bottazzi, G. Dosi y G. Fagiolo

(2002), C. Ketels (2003), M. Porter (2003) e I. Paniccia (2006) han realizado

propuestas de clasificación de los clusters según distintos factores.

G. Bottazzi, G. Dosi y G. Fagiolo (2002) hacen una clasificación de los

distintos tipos de cluster o agrupaciones industriales según el tipo de ventaja

que aportan y los dividen en cinco grupos:

a) Diversificados horizontalmente. En este caso pequeñas empresas

fabrican productos de sectores tradicionales, como cerámica, joyería

o textil. Un buen ejemplo de este tipo son los distritos italianos.

b) Desintegrados verticalmente. Serían una variante de los distritos

italianos, con división de trabajo en cadenas de aprovisionamiento

locales, con vínculos locales input-output e intercambio de

conocimientos entre usuarios y fabricantes.

c) Jerárquicos. En este caso existe con un centro oligopolístico

conectado a redes de subcontratación. Un ejemplo de este tipo de

cluster serían lo que se da en los equipos de transporte.

d) Con complementariedad de conocimientos, de tipo científico o de

ingeniería. Un buen caso de este tipo de cluster son los de

biotecnología de Silicon Valley

e) Por último, agrupaciones espaciales que han dejado de funcionar

como clusters y en las que, por tanto, ya no se dan ventajas

específicas derivadas de la aglomeración


111

Por su parte, C. Ketels (2003) afirma que hay una primera clasificación obvia

que puede realizarse en función del tipo de producto o servicio que

proporcionan. En este sentido, se puede hablar de clusters en el sector de

automoción, textil, servicios financieros, telecomunicaciones, etc. Esta es una

distinción muy genérica pero, como señala el autor, dentro de cada una de

estas áreas se pueden clasificar los clusters en función de aspectos como: su

especialización dentro de la cadena de valor de la industria; el segmento

específico de clientes al que van dirigidos sus productos o servicios y, su

enfoque en determinadas áreas geográficas.

Para defender esta postura C. Ketels (2003) realiza un análisis empírico de

clusters del sector del calzado y cómo se especializan de forma diferente en

distintos países. El cluster del calzado en el norte de Italia está enfocado en el

diseño y la marca, generando una producción de alto valor y en el que los

salarios son altos. Frente a esto, los clusters de calzado como el de Timisoara,

en Rumania, funcionan como un desarrollo posterior del italiano y se centran

en la producción de calzado de rango medio-bajo. Por último, analiza los

clusters de Asia, China y Vietnam que están enfocados en producción a gran

escala de calzado de gama baja para los mercados europeo y estadounidense.

Por tanto, la clasificación de clusters en función del producto o servicio que

proporciona, aunque pueda parecer muy genérica en principio, puede acotarse

según la especialización del cluster.

M. Porter (2003) propone seguir el criterio de concentración geográfica y

ámbito de competencia lo que permite distinguir:


112

a) Clusters locales. Estos clusters proporcionan productos y servicios

únicamente a los mercados locales y suelen estar distribuidos

geográficamente en proporción a la población, es decir, suelen

localizarse donde hay mayor concentración de población. Este tipo de

clusters compite sólo de forma limitada con otras regiones. Ejemplos

de estos tipos de cluster son casi todos los relativos a los servicios

públicos, los relacionados con la sanidad y algunos aspectos de la

construcción, por ejemplo, la fabricación de cemento.

b) Clusters dependientes de recursos naturales. En este caso, las

empresas se encuentran localizadas allí donde están los recursos

naturales, pero el ámbito de competencia de estos clusters no se

restringe localmente. De este tipo de clusters se pueden destacar

los clusters de uranio o el de azúcar.

c) Clusters abiertos a la competencia (traded). Este tipo de clusters

vende productos y servicios a distintas regiones y/o países, no

dependen de los recursos naturales y basan su localización en

consideraciones de tipo competitivo. Algunos ejemplos de estos

clusters serían los de montaje de automóviles, fabricación de motores

de aviones, tecnología en Silicon Valley o producción de películas en

Hollywood.

Finalmente, I. Paniccia (2006) realiza una clasificación muy precisa de los

tipos de clusters en función de su estructura y de las relaciones que existan


113

entre las empresas que los forman. Esta autora distingue seis tipos de clusters

o agrupaciones5:

a) Distritos industriales semicanónicos, caracterizados por una

estructura fragmentada de pequeñas empresas, con relaciones

estrechas de colaboración, sentimiento de pertenencia a la

comunidad y división del trabajo. Este tipo deriva de tradiciones

manufactureras y se da sobre todo en los distritos clásicos italianos,

como Prato.

b) Distritos industriales diversificados o urbanos. Estos son una variante

de los anteriores, con la diferencia de que las empresas tienen un

tamaño medio superior, la división del trabajo no es tan acentuada y

la localización urbana proporciona también servicios empresariales.

Un ejemplo de este tipo de agrupación sería el distrito audiovisual de

Praga.

c) Plataformas satélites o aglomeraciones radiales (hub and spoke), que

incluyen un número limitado de pequeñas empresas que actúan como

subcontratas de grandes empresas y que pueden estar situadas en la

misma zona o no. Predomina, por tanto, un patrón horizontal ya que

se trata de empresas que se encuentran en la misma fase de la

cadena de valor. Puede darse la colaboración entre estas empresas

aunque no existe evidencia de ello. Algunos ejemplos de esta

tipología pueden encontrarse en el sur de Italia, o en regiones de

Eslovaquia especializadas en el sector textil.

5 La autora utiliza indistintamente los términos aglomeración geográfica, distrito industrial y cluster.


114

d) Áreas co-localizadas, en las que se encuentran empresas

especializadas en actividades similares que producen para el

mercado final. La mayoría de ellas tienen una limitada inversión, no

suelen tener sus propias marcas y las relaciones horizontales son

escasas. Ejemplos de esta tipología se pueden encontrar, por

ejemplo en el procesamiento de madera de Mures, o en la

fabricación de calzado en Banat y Crisana, todas ellas en Rumanía.

e) Aglomeraciones o distritos industriales concentrados o integrados,

caracterizados por dos grupos de empresas que interactúan entre sí.

Por un lado, están las grandes empresas integradas verticalmente,

generalmente líderes tecnológicas y de mercado; por otro, pequeñas

empresas especializadas que proporcionan componentes o servicios

a las primeras. Estas empresas especializadas se integran en una

industria mecánica fuertemente desarrollada y, aunque podrían

clasificarse como distritos canónicos, suponen una evolución de los

mismos. En este tipo de aglomeraciones es frecuente la

interdependencia y las interacciones, incluyendo aspectos de I+D+i y

también la existencia de instituciones económicas. Ejemplos de esta

tipología se encuentran en Italia, en las regiones de Mirandola, con la

industria biomédica; Montebelluna, con la del calzado y Sassuolo,

con la cerámica.

f) Aglomeraciones basadas en tecnología o ciencia. Constituyen una

variante de la anterior pero en estas la especialización se concentra

en el área tecnológica o científica. En este tipo de agrupaciones

coexisten empresas grandes y pequeñas, la organización del trabajo


115

es en forma de red y en ellas se localizan numerosas instituciones

científicas y de conocimiento, como universidades y centros de

investigación públicos y privados. Generalmente también se da una

alta presencia de empresas de capital riesgo. La cooperación existe

tanto entre las empresas principales y sus proveedores como con las

instituciones mencionadas. Este tipo de aglomeraciones se da tanto

en el sector de fabricación como en el de servicios, algunos ejemplos

serían el cluster aeroespacial de Toulouse (Francia) o Silicon Valley

en Estados Unidos.

Pese a estas aportaciones, en la práctica, se puede afirmar, como ya

indicaban M. Martin y P. Sunley (2003) que no existe una única forma para

clasificar los clusters y que lo más habitual es que algunos clusters encajen en

varias de estas categorías sin que ello perjudique su eficacia.

2.2.4. Conclusiones.

A pesar de las dificultades expuestas en cuanto a definición, delimitación y

clasificación de los clusters tanto la comunidad académica como numerosas

instituciones han emprendido proyectos para tratar de identificar y medir los

clusters existentes. Dadas las numerosas ventajas que supuestamente se

derivan de la existencia de clusters tanto para las empresas que los integran

como para las regiones en las que se promueve su formación y desarrollo

(menores costes de transacción, disponibilidad de mano de obra e inputs

especializados, mejor acceso a los mercados, mejor difusión del conocimiento,


116

etc.) diversos autores e instituciones consideraron fundamental superar las

discrepancias existentes en temas de definición, delimitación y clasificación y

desarrollar una visión más práctica que permitiera identificar y medir los

mismos.

3. IDENTIFICACIÓN DE LOS CLUSTERS Y SU ANÁLISIS

Además de las clásicas referencias de clusters, como Silicon Valley o

Hollywood, existen otras evidencias de la existencia de clusters en distintas

regiones y países (industria aeroespacial en Toulouse, Francia; calzado en

Montebelluna, Italia; informática en Bangalore, India; cerámica en Castellón y

juguete en Alicante, España; etc.). Los esfuerzos realizados para identificar,

describir y analizar los clusters han seguido enfoques diferentes, lo que ha

provocado una gran variedad de análisis aislados, que no han podido dar una

visión metodológicamente común, sistemática y comparable de identificación y

descripción de clusters.

Diversos autores6 han analizado los distintos enfoques existentes para

identificar, describir y analizar clusters. Entre estas aportaciones se puede

destacar la de R. Martín y P. Sunley (2003) que muestran cómo las

metodologías en la identificación y análisis de clusters varían en función del

concepto de cluster que se maneje el cual se puede clasificar desde el más

sencillo al más complejo en: co-localización; co-localización y proximidad

tecnológica; tablas input-output y complementariedades; co-localización y

6 Roelandt y DenHertog, 1998; Bergman y Feser, 1999; Hoen, 1999; Martin y Sunley, 2003; Navarro, 2003


117

desempeño superior; externalidades marshallianas; redes (networks) de

empresas; colaboración explícita y difusión formal del conocimiento.

Cuadro 3.2.

Diferentes enfoques en la identificación y medición de clusters

Fuente: Martín y Sunley (2003: 20).

Tal y como se en expone el cuadro 3.2., el concepto más superficial de cluster

sería la mera co-localización, en el que no hay evidencia de ningún tipo de

relación; posteriormente se va pasando a conceptos en los que esta relación

entre las empresas del cluster se hace más evidente, ya sea de tipo tecnológico

(co-localización y proximidad tecnológica), por realización de actividades

complementarias (tablas input-output y complementariedades) o por evidencia

de desempeño superior de las empresas que operan en el cluster (co-

localización y desempeño superior). Conceptos más elaborados de cluster son

los que se basan en externalidades de tipo marshalliano que se han descrito

con anterioridad (externalidades marshallianas), aquellos formados por redes

de empresas interconectadas por relaciones de cooperación o competencia

Co - localización

Co - localización y proximidad tecnológica

Tablas input - output y complementariedades

Co - localización y desempeño superior

Externalidades Marshalianas

Networks de empresas

Colaboración explícita

Difusión informal de conocimiento

Superficial

Profunda

Top-down

Bottom-up

Fácil de medir (cuantitativo)

Difícil de medir (cualitativo)

Evidencia indirecta

Evidencia directa

Concepto de cluster

Profundidad conceptual

Metodología empírica

Facilidad de medición

Soporte empírico

Co - localización

Co - localización y proximidad tecnológica

Tablas input - output y complementariedades

Co - localización y desempeño superior

Externalidades Marshalianas

Networks de empresas

Colaboración explícita

Superficial

Profunda

Top-down

Bottom-up

Fácil de medir (cuantitativo)

Difícil de medir (cualitativo)

Evidencia indirecta

Evidencia directa

Concepto de cluster

Profundidad conceptual

Metodología empírica

Facilidad de medición

Soporte empírico


118

(networks de empresas) o los que se basan en relaciones de colaboración

explícita entre las empresas que lo integran (colaboración explícita). El

concepto de cluster que se basa en una relación más profunda entre empresas

es el de difusión informal de conocimiento entre las empresas que lo integran.

La metodología de identificación y medición de clusters es diferente según el

concepto de cluster que se maneje: cuanto más superficial sea el concepto de

cluster que se utilice, más fácil será el proceso de identificación y medición.

Para este tipo de definición de cluster, con poca profundidad conceptual, es

más factible utilizar una metodología de arriba a abajo (top-down) que se

refiere a aquellas que utilizan datos cuantitativos agregados para el cluster o

grupo de empresas (output, valor añadido o empleo). Para las definiciones de

cluster de mayor profundidad conceptual se utilizan metodologías de abajo a

arriba (bottom-up), que estudian en detalle las relaciones existentes entre las

empresas pertenecientes al cluster e incluyen, por tanto, información de tipo

cualitativo y mucho más detallada (tipo de recursos que comparten, iniciativas

conjuntas o mecanismos de difusión de información entre las empresas).

Según la Comisión Europea (2003) y R. Martín y P. Sunley (2003) el enfoque

de arriba a abajo (top-down) sólo puede sugerir la existencia y localización de

posibles clusters. La visión que proporcionan de los clusters es superficial ya

que no dan información sobre temas como los vínculos existentes entre las

empresas, las redes sociales o la difusión del conocimiento dentro del cluster.

Este tipo de metodologías suelen utilizarse para análisis de sectores pero no

son las más apropiadas para medir actividades intersectoriales y clusters que


119

tengan estas características. Pese a estos inconvenientes, la OCDE (2001)

admite la bondad del uso de estas metodologías como base de análisis de

clusters o para concienciar de la existencia y desarrollo de clusters. Ejemplos

de este tipo de trabajos son los realizados por Larrea (2000) en la identificación

de los distritos industriales en la Comunidad Autónoma del País Vasco; el

Departamento de Comercio e Industria del Reino Unido, DTI (2001); el Institute

for Strategy and Competitiveness (2003); Boix y Galletto (2004); el Centre for

Strategy and Competitiveness 7(2007); o Gestrelius y Sandström (2008).

Frente a esto, los análisis basados en clusters individuales ofrecen un estudio

mucho más profundo de la dinámica y organización de los clusters, pero no

suelen proporcionar información de forma agregada y su actualización

constante requiere un gran esfuerzo. Se pueden englobar en este tipo de

trabajos los realizados por: L. F. Signorini (1994) en los distritos italianos de

Prato y Bielsa; el de U. Staber (1997) en el distrito textil de Reutlingen en

Alemania; el de C. Camisón y J. Molina (1998) en el distrito de la cerámica de

Castellón; el de N. Dayasindhu (2002) en el cluster del software en India; el de

E. Ballarín y M. L. Blázquez (2003) en el cluster de la electrónica de consumo

en Cataluña; el de A. Kuchiki y M. Tsufi (2005) en los clusters del automóvil en

Shanghai, China, y de tecnologías de la información en Okinawa, Japón; el de

F.J. Ferraro y J.A. Aznar (2008) en el cluster agroindustrial de Almería; el de V.

Budi (2008) también sobre el distrito de la cerámica de Castellón o el de M.J.

Santa María y J.A. Ybarra (2008) en el cluster del juguete en Alicante. También

se puede encuadrar en este grupo el trabajo de Competitiveness.com (2008),

7 El Centre for Strategy and Competitiveness gestiona la iniciativa European Cluster Observatory, financiada por Europe Innova, y que identifica clusters en 32 países europeos basándose en datos cuantitativos de empleo regional.


120

que analiza 25 clusters de diferentes sectores en Europa, estudiando en detalle

en cada uno de ellos aspectos como su capacidad de innovación, el impacto

de las políticas de cluster, los vínculos formales e informales entre las empresas

integrantes del cluster o la movilidad de recursos entre las mismas.

C. Ketels et al. (2006) combinan ambos enfoques en un estudio sobre los

clusters de innovación en los 10 países que se adhirieron a la Unión Europea

en 2004. En un primer lugar, realizan un análisis de arriba a abajo (top-down)

para identificar los clusters en los nuevos países miembros y, en un segundo

paso, seleccionan aquellos clusters más representativos estadísticamente y

realizan un estudio de abajo a arriba (bottom-up), utilizando técnicas

cualitativas y analizando en detalle las debilidades y fortalezas de los clusters

seleccionados.

En la misma línea establecida por R. Martin y P. Sunley (2003) pero más

completa M. Navarro en su obra Análisis y políticas de clusters: teoría y

realidad, también de 2003 realiza una clasificación de los tipos de identificación

y medición de clusters en micro, meso y mega en función, en este caso, del tipo

de datos utilizados y el ámbito del análisis.

El análisis micro se refiere al estudio de los vínculos entre empresas y se

enfoca a temas estratégicos de las empresas. Este tipo de análisis suele

realizarse en base a datos cualitativos y entrevistas realizadas a las empresas

del cluster y se asemejaría a lo que R. Martin y P. Sunley (2003) describen

como el enfoque de abajo a arriba (bottom-up) comentado anteriormente.


121

El análisis meso estudia las vinculaciones intra e intersectoriales. Este tipo de

estudios utiliza los datos sectoriales cuantitativos existentes. Este es el método

más utilizado ya que los datos suelen estar disponibles y los resultados

obtenidos son comparables en términos regionales, nacionales e

internacionales. Los datos que suelen utilizarse en este tipo de análisis para

identificar clusters son las exportaciones y los coeficientes de localización de

empleo pertenecientes a un determinado sector de actividad, dado que se

considera que una concentración de empleo o exportaciones de estas

características en un área determinada es indicativa de la existencia de

numerosas empresas que se dedican a la misma actividad. Una vez

identificados los clusters a través de estos datos, en ocasiones, se suele

profundizar en las relaciones que existen dentro de ellos utilizando tablas input-

output o entrevistas. Ejemplos de este tipo de trabajos serían los de F. Celada

(1988), I. Caravaca et al. (2000), M. Larrea (2000) o J. M. Hernández, J.

Fontrodona y A. Pezzi (2005).

Finalmente el análisis mega estudia las vinculaciones entre grandes conjuntos

de industrias y, por tanto, la especialización de regiones y países en

determinadas áreas de actividad. Este tipo de análisis se realiza en base a

datos cuantitativos sectoriales y nacionales y se asemeja a los análisis de

arriba a abajo (top-down) descritos por R. Martin y P. Sunley en su obra

Deconstructing clusters: chaotic concept or policy panacea de 2003.


122

A pesar de la dificultad que supone la falta de un enfoque metodológicamente

común, sistemático y comparable de identificación y medición de clusters, se

han realizado múltiples trabajos tanto por la comunidad académica internacional

(Reve y Jakobsen, 2001; Isaksen y Hauge, 20028; Yamawaki, 2002; Solvell,

Lindqvist y Ketels, 2003; Van der Linde, 2003) como por organismos públicos y

privados (Vinnova en Suecia, Institute for Strategy and Competitiveness en

Estados Unidos, Departamento de Industria y Comercio de Reino Unido, el

Departamento de Trabajo e Industria de la Generalitat de Cataluña, el European

Network for Social and European Research y The Competitiveness Institute9,

entre otros)

En el caso de España según V. Soler i Marco (2008) es a partir de la

publicación del artículo de Becattini de 1979 sobre distritos industriales en el

primer número de la Revista Económica de Catalunya en 1986 cuando se

empiezan a generar trabajos relativos a los clusters existentes en España.

Entre ellos se pueden destacar los de A. Vázquez Barquero (1987), F. Celada

(1988), M. T. Costa (1988), J.A. Ybarra (1991), J. Conejos et al. (1997), J.A.

Tomás y J. Such (1997), J.J. de Lucio (1998), C. Camisón y J. Molina (1998),

M. J. Aranguren (1999), I. Caravaca et al. (2000), E. Climent (2000), M. Larrea

(2000), V. Soler (2000), A. Bibiloni y J. Pons (2001), J.M. Giner y M.J. Santa

María (2002), J. Trullén (2002), J. Azua (2003), M.J. Santa María et al. (2004),

J.M. Hernández, J. Fontrodona y A. Pezzi (2005), R. Boix (2008) y F.J. Molina

8 Este proyecto recopila información sobre diversos estudios de clusters llevados a cabo en Europa e incorpora los resultados de la encuesta del European Network for social and Economic Research, ENSR, sobre clusters. En ella se recoge información sobre 34 clusters de 17 países de Europa que se clasifican en función de tamaño, naturaleza, interacciones, actividades, evolución y políticas públicas. 9 The Competitiveness Institute lleva a cabo el proyecto Cluster Initiative Database, que proporciona información sobre más de 170 iniciativas de clusters.


123

(2008). Estos estudios aportan análisis interesantes sobre algunos de los

clusters existentes en España y, en ocasiones, se realizan comparaciones con

los clusters de otros países, como Italia.

Con el objeto de entender mejor cada una de las metodologías y resultados

para identificación y análisis de clusters a continuación se describen la

metodología y resultados de siete trabajos de identificación y análisis de

clusters que constituyen ejemplos de las diferentes metodologías expuestas en

este apartado y el tipo de información que pueden aportar. Los trabajos

propuestos son: el Cluster Mapping Project del Institute for Strategy and

Competitiveness y el Mapa de clusters del Departamento de Comercio e

Industria del Reino Unido como ejemplos de enfoques de arriba a abajo (top-

down) o análisis mega; los sistemas productivos locales del Departamento de

Trabajo e Industria de la Generalitat de Cataluña y el trabajo de Larrea de 2000

sobre los sistemas productivos locales en el País Vasco como ejemplos de

análisis meso; finalmente, como ejemplos de metodologías de abajo a arriba

(bottom-up) o micro se proponen el Trabajo de Van der Linde de 2003 (como

aplicación a muchos clusters) y los trabajos sobre el cluster de la electrónica de

consumo de Cataluña (Ballarín y Blázquez, 2003) y el distrito de la cerámica en

Castellón (Budí, 2008) como ejemplos de este tipo de metodología micro

aplicadas a un solo cluster.

Aunque existen estudios interesantes en cada una de las metodologías

explicadas se han escogido estos trabajos entre todos los consultados por los

siguientes motivos:


124

- se ha comprobado que son rigurosos y sistemáticos,

- se considera que exponen de forma clara y concisa la metodología utilizada y

los resultados obtenidos,

- se trata de trabajos con ámbitos territoriales muy diferentes (internacional en el

trabajo de Van der Linde, nacional en los trabajos sobre Estados Unidos y

Reino Unido, regional en los trabajos sobre Cataluña y País Vasco y local en los

estudios sobre el cluster de la electrónica de consumo y el distrito de la

cerámica), lo que proporciona una visión muy completa de la dimensión

geográfica de la identificación y análisis de clusters.

Se exponen a continuación los siete trabajos comenzando por los trabajos

mega, a continuación meso y finalmente los tres trabajos bottom-up. De estos

tres últimos trabajos se expondrá en primer lugar el realizado por Van der Linde,

ya que es más general al aplicarse a muchos clusters, y se dejarán en último

lugar los realizados en el cluster de la electrónica de consumo en Cataluña y el

distrito de la cerámica de Castellón por ser más específicos.

3.1. El Cluster Mapping Project del Institute for Strategy and

Competitiveness.

El Institute for Strategy and Competitiveness de Harvard Business School

lleva a cabo desde el año 2003 uno de los proyectos más exhaustivos de

identificación de clusters y de análisis de las implicaciones de su existencia en

Estados Unidos.


125

El proyecto de Cluster Mapping parte del datos de empleo regional en cada

uno de los sectores de actividad e intenta identificar áreas en las que existe una

mayor concentración de empleo en un determinado sector. Para ello utiliza un

coficiente, denominado coeficiente de localización (location quotient, LQ) que se

define como:

Donde

Eij es el empleo de la región i en el sector j

Ej es el empleo nacional en el sector j

Ei es el empleo regional

E es el empleo nacional

Según los datos de empleo que obtuvieron las industrias se dividieron en:

a) Locales, en las que el empleo se distribuye de forma proporcional a la

población en todas las regiones. Estas industrias proporcionan bienes y

servicios a las poblaciones o regiones en las que se encuentran y rara

vez compiten con otras regiones. Ejemplos de este tipo de industrias

serían los servicios públicos o los de salud.

b) Dependientes de los recursos, son industrias en las que el empleo se

localiza allí donde se encuentran los recursos naturales y sí compiten

con otras regional e internacionalmente. Ejemplos de este tipo de

industrias serían las del azúcar o la extracción de minerales.


126

c) Abiertas a la competencia (traded). Estas industrias son las que

venden productos y servicios a otras regiones e incluso a otros países y

se concentran en una u otra zona dependiendo de consideraciones

competitivas. Ejemplos de este tipo de industrias pueden ser las de

fabricación de motores de aviones o la industria cinematográfica.

Una vez identificadas las industrias en Estados Unidos y agrupadas en

función de estos criterios en locales, dependientes de recursos y abiertas a la

competencia, los autores tomaron las industrias abiertas a la competencia y

buscaron entre ellas datos de correlación de empleo con el objetivo de

identificar posibles clusters10. Una vez identificados esos vínculos se procedió,

de forma pragmática, a agrupar las industrias en clusters. Este proceso permitió

la identicación de más de 40 clusters abiertos a la competencia (traded) en

Estados Unidos que, a su vez, se dividían en subclusters.

Este ejercicio es un ejemplo claro de cómo aplicar una metodología de arriba-

abajo (top-down) para la identificación de clusters. El estudio no sólo da una

visión clara de los clusters existentes en cada zona, sino que el análisis de la

actividad en cada uno de ellos ha permitido establecer conclusiones en cuanto

a las diferencias existentes en salarios, productividad e innovación. Los

resultados muestran que los salarios medios en los clusters superan a los de

resto de industrias en un 40% de media y los resultados en cuanto a número

de patentes y productividad son también superiores en los clusters identificados

que en el resto de industrias. Por ejemplo, según los datos aportados por este

10 Por ejemplo, si el empleo en la industria de equipos de defensa se asocia casi siempre con el de electrónica, esto proporciona una clara indicación de la existencia de vínculos.


127

proyecto, los cluster comerciales obtuvieron una media de productividad relativa

de 144, frente a 79 de las industrias locales y 140 de las dependientes de

recursos. En cuanto a las patentes por 1.000 empleados, las industrias

comerciales tenían 211 frente a 13 de las industrias locales y 70 de las

industrias dependientes de los recursos11.

3.2. El mapa de clusters del Departamento de Comercio e Industria del

Reino Unido.

El Departamento de Comercio e Industria (DTI) del Reino Unido llevó a cabo

en 2001 un importante proyecto de identificación de los clusters existentes en el

país. La metodología utilizada fue de arriba a abajo (top-down), es decir,

tomaron datos agregados nacionalmente y fueron deduciendo la existencia de

clusters a través de dos medidas: el coeficiente de localización (location

quotient, LQ) que se define tal y como se ha expuesto en el apartado 3.1. y la

tasa de empleo total en una industria medido en porcentaje del empleo regional.

Aquellas industrias que en términos regionales tuvieran un coeficiente LQ

superior a 1,25 y que, además, empleasen a más del 0,2% de la fuerza laboral

regional eran susceptibles de ser consideradas clusters regionales ya que el

Departamento de Comercio e Industria consideraba que estos datos indicaban

una concentración anormal de empleo en una determinada industria y zona

geográfica.

11 Porter (2003:558).


128

Una vez identificados estos posibles clusters, se estudiaban las relaciones

comerciales entre las distintas industrias, utilizando estos análisis de relaciones,

se agrupaban industrias interrelacionadas y se definían los clusters. Para

corroborar la identificación realizada, el DTI llevó a cabo entrevistas personales

con agencias e instituciones regionales.

El proyecto identificó 145 clusters en todo el territorio nacional (véase la

Figura 3.1.) que se clasificaron en función de varios criterios:

a) Estado de desarrollo, distinguiendo entre; maduro, establecido y

embriónico. Los clusters maduros serían los que ya estaban

completos y en los que la entrada de nuevas empresas o instituciones

era considerada difícil o poco atractiva. Los clusters establecidos eran

aquellos que estaban en funcionamiento o podían estarlo y en los que

había potencial para la entrada de nuevas empresas o instituciones.

Finalmente, los clusters en estado embriónico eran los que todavía

tenían un tamaño pequeño.

b) Profundidad, basándose en la mezcla y rango de industrias presentes

en el cluster. Se consideraban clusters profundos los que estaban

formados por un número considerable de componentes, incluidas

instituciones.

c) Dinámica de empleo, creciente o no, según estimaciones de

crecimiento de empleo en el cluster.

d) Importancia; internacional, nacional o regional. Los clusters

considerados de importancia internacional se referían a industrias


129

competitivas internacionalmente, mientras que los nacionales se

referían a industrias grandes pero que sólo competían en el mercado

nacional y los de importancia regional estaban formados por

industrias concentradas localmente.

El resultado proporcionaba una visión bastante completa de la dispersión o

concentración de clusters por regiones en el Reino Unido, así como la fortaleza

e importancia de cada uno de ellos. Se identificaron los clusters competitivos

internacionalmente, que eran de mayor profundidad, tenían una progresión de

empleo creciente y estaban más establecidos; este tipo de clusters se

localizaban en Londres y la zona sureste del país e incluían clusters de

finanzas, servicios empresariales, textil, viajes, publicidad y música, siendo el

más fuerte de ellos el de servicios financieros de Londres.

A partir de este estudio de identificación de clusters, se han generado otras

iniciativas de análisis más pormenorizado de algunos de los clusters

identificados, lo que permite disponer de una herramienta que mejore el

conocimiento de estas agrupaciones y las implicaciones de cada una de sus

características. Por ejemplo, se han analizado cuáles de los clusters

clasificados como competitivos internacionalmente tienen una mayor cuota de

mercado en las exportaciones internacionales; o los tipos de relaciones

existentes entre algunos de los clusters identificados y las ventajas asociadas a

las mismas.


130

Figura 3.1.

Mapa de clusters en Reino Unido

Fuente: DTI (2001:21)


131

3.3. Los sistemas productivos locales del Departamento de Trabajo e

Industria de Cataluña

Este proyecto de identificación de los sistemas productivos locales

industriales12 fue publicado, en 2005, por J.M. Hernández, J. Fontrodona y A.

Pezzi, del Departamento de Trabajo e Industria de la Generalitat de Cataluña.

El trabajo de la Generalitat se centró en los sistemas productivos locales

abiertos a la competencia (o traded clusters, según M. Porter), ya que según

demostró Porter este tipo de clusters son los que tienen una mayor importancia

estratégica para una economía dada su influencia en la productividad e

innovación (Porter, 2003). 13

El estudio permitió al gobierno catalán identificar los principales clusters de la

región y conocer sus actividades, origen y evolución, tamaño, facturación y

ocupación. También se obtuvo una valiosa información en cuanto a los

principales agentes que forman parte de cada sistema, incluyendo tanto

empresas como instituciones.

Para delimitar los sistemas productivos locales los autores identificaron las

aglomeraciones de empresas y comprobaron si además de competir,

colaboraban entre ellas. Por otro lado, analizaron la presencia de

externalidades en el territorio en el que estaban situadas y si su competencia 12 M.T. Costa i Campí relaciona este concepto directamente con los clusters al escribir en el prólogo de este trabajo de Hernández et al. (2005:6) que “…se decidió realizar un trabajo que identificase los sistemas productivos locales (o distritos industriales o clústeres) de la industria catalana”. 13 Porter (2003:558) demostró que aunque los traded clusters representaban sólo el 32% de la ocupación en Estados Unidos, frente al 68% de los clusters locales, los primeros destacaban en cuanto a salarios medios (44.956$ frente a 28.288$), productividad medida como ventas por empleado (144,1 frente a 79,3) y número de patentes por 10.000 empleados (21,7 frente a 1,3).


132

era local o global. Una vez realizadas estas cuestiones fueron seleccionadas

aquellas que competían globalmente ya que eran las que obedecían con

claridad a la categoría de clusters abiertos a la competencia (traded).

Además de la identificación y localización geográfica realizada, los clusters se

clasificaron según su tamaño, en función del número de establecimientos que

los formaban y del número de trabajadores que había en el total del cluster.

El resultado fue la identificación y análisis de 42 sistemas productivos locales,

agrupados en 11 sectores que suponen el 39% de la facturación, el 36% de los

trabajadores y el 26% de los establecimientos existentes en Cataluña, lo que da

una idea de lo que se podría denominar el grado de “clusterización” catalán en

el año 2005.

En la Figura 3.2. se muestra la localización de algunos de los principales

clusters identificados en el estudio.


133

Figura 3.2.

Localización de los Sistemas Productivos Locales Catalanes

Fuente: Hernández Gascón, J.M., Fontrodona, J. y Pezzi, A. (2005:36).

También se estudiaron las relaciones entre los clusters abiertos a la

competencia identificados. La figura 3.3. muestra las relaciones que se


134

identificaron entre los clusters de productos cárnicos, aceites y grasas,

productores de vino y cava y embotelladores de aguas minerales. Como puede

observarse, algunos de estos sistemas productivos locales comparten

proveedores (como es el caso de las industrias de agricultura, ganadería y

pesca), acceden a los mismos canales de distribución y reciben apoyo de las

mismas instituciones, centros logísticos, laboratorios, centros de formación y

asociaciones.


135

Figura 3.3.

Relaciones entre los Sistemas Productivos Locales Catalanes

Fuente: Hernández Gascón, J.M., Fontrodona, J. y Pezzi, A. (2005:37).


136

3.4. Los sistemas productivos locales de la Comunidad Autónoma del País

Vasco.

Este estudio de Larrea (2000) analizó los sistemas productivos locales del

País Vasco y estudió las economías de localización que se producían en ellos,

entendiéndolas como uno de los principales factores de competitividad de los

sistemas productivos locales. Para ello se partió de quince unidades territoriales

definidas por el Gobierno Vasco en 1990 (Beasain-Zumarraga, Gran Bilbao,

Mungia, Encartaciones, Arratia, San Sebastian, Durango, Eibar, Guernica-

Lumo, Laguardia, Llodio, Mondragón-Bergara, Tolosa, Vitoria y Zarauz-

Azpeitia), y se siguió un doble procedimiento: en primer lugar, se analizó la

especialización o no de cada sistema productivo local en un determinado

proceso productivo y, en segundo lugar, se valoró la fuerza de la estructura de

proveedores del principal proceso productivo en cada unidad territorial.

Para llevar a cabo la primera parte del análisis, consistente en determinar el

nivel de especialización en determinados procesos productivos en cada unidad

territorial, se analiza el empleo y el número de establecimientos de la siguiente

manera:

Xit = (EMPi/EMPtot)*100

Yit = (ESTi/ESTtot)*100

Donde

X es el peso en términos de empleo

Y es el peso en términos de número de establecimientos


137

i es el sector industrial

t es el año

EMP es el empleo

EST es el número de establecimientos

Tot es el total industrial

Para la segunda parte del análisis, consistente en detectar economías de

localización en forma de cercanía de proveedores, se calcula el porcentaje de

compras que realiza cada sector en cada uno de los orígenes analizados de la

siguiente forma:

Ui = (CPAiot/CAPit)*100

Donde

U es el peso de cada origen en las compras realizadas por cada sector

CPA es el importe de las compras

i es el sector

o es el origen

t es el año

Para el análisis de los datos de compras se utilizaron tablas input-output ..A

continuación se elaboraron unos baremos con la clasificación de las economías

de localización en tres grupos (fuertes, medias o débiles), en función del pero

de las compras realizadas en el entorno analizado: si más del 60% de las

compras se realizaban en el entorno analizado, las economías de localización

se consideraban fuertes. Si el porcentaje era inferior al 40% se consideraban


138

débiles. En todos los demás casos, las economías de localización se

consideraban medias.

Aplicando estos dos procedimientos en cada una de las 15 zonas analizadas,

se identificaron cuatro sistemas productivos locales (Mungia, Arratia, Durango y

Eibar) con una especialización clara en el sector del metal y que además

presentaban economías de localización. También se identificaron los sistemas

productivos locales que teniendo tasas altas de especialización en algún sector

productivo, no presentaban economías de localización y viceversa.

3.5. El Proyecto de Van der Linde.

Basándose en que la mayoría de los estudios realizados hasta ese momento

se centraban en un país o región y seguían diferentes metodologías, C. Van der

Linde (2002) trató precisamente de realizar un estudio sistemático sobre los

clusters existentes en todo el mundo. El proyecto comenzó en 2002 y se sigue

manteniendo en la actualidad.

El objetivo del meta-estudio no es sólo identificar y conocer los clusters

existentes sino poder realizar análisis comparativos en cuanto a diversos

aspectos. Para ello se recoge información sobre 120 variables para cada

cluster, que el autor agrupa en los siguientes bloques:


139

a) Descripción y características generales

b) Localización y límites geográficos, incluyendo también información

sobre el grado de desarrollo regional

c) Indicadores de competitividad , tales como el volumen de producción

y exportaciones del cluster

d) Condiciones de competitividad del cluster, basándose en el Modelo

del diamante de M. Porter donde se consideran las condiciones de

los factores, de la demanda, la situación de las industrias

relacionadas y el contexto de estrategia y rivalidad

e) Evolución del cluster, indicando la fecha de aparición y de declive del

mismo.

Se trata de un enfoque de abajo a arriba (bottom-up) ya que la información no

se recoge en términos agregados sino directamente del cluster y es en su

mayoría de tipo cualitativo. Los últimos datos publicados en 2006 comprendían

información sobre 833 clusters de 49 países14.

Se clasificaron los clusters en función de su grado de competitividad y en

cada uno de ellos se analizó qué aspecto era el determinante de dicha

competitividad: las condiciones de los factores, la demanda, la situación de las

industrias relacionadas o las condiciones de estrategia y rivalidad de las

empresas. Ello permitió comprobar que en el grupo de clusters más

competitivos los cuatro factores de competitividad estaban equilibrados, es

decir, todos contribuían a la competitividad del cluster. Sin embargo, los cluster

14 Entre ellos, 6 referentes a España, cinco de los cuales se encuentran en Cataluña.


140

basados únicamente en uno de los factores tenían tasas de competitividad

menores. Esto supone una información valiosa ya que indica algunos de los

supuestos necesarios para que los clusters desarrollen su potencial competitivo.

Este estudio proporciona una interesante base para analizar aspectos

cualitativos tales como qué factores influyen en la competitividad de un cluster

o qué condiciones de los clusters están relacionadas entre sí. Por ejemplo, se

puede comprobar si la edad de un cluster guarda relación con su tamaño, si las

condiciones de los factores son el aspecto más relevante para su

competitividad, o si esto varía en términos geográficos o por tipo de industria.

3.6. El análisis del distrito de la cerámica en Castellón.

El trabajo del distrito de la cerámica de Castellón de V. Budí (2008) trata de

mostrar algunas de sus características, su dinámica productiva y su posición

competitiva, así como un análisis de sus perspectivas futuras. Se trata, por

tanto, de una análisis en su mayor parte cualitativo, micro, de abajo a arriba

(bottom-up) y referido a un solo distrito industrial.

Con anterioridad al trabajo de V. Budí (2008) diversos autores habían estudiado

el distrito de la cerámica en Castellón, en su mayor parte desde un punto de

vista más cuantitativo, enfocado en la identificación y delimitación del distrito

industrial (Ybarra, 1991; Tomás y Such, 1997; Soler, 2000). También C.

Camisón y J. Molina (1998) estudiaron este distrito en un trabajo empírico


141

enfocado en las ventajas competitivas que consiguen las empresas

pertenecientes al distrito como consecuencia de los recursos compartidos.

V. Budí (2008) analiza en su trabajo la estructura productiva de la industria

cerámica, distinguiendo entre los siguientes actores:

a) Fabricantes de baldosas, pavimentos y revestimientos cerámicos. Dentro

de ellas existen empresas grandes y de ciclo completo, que realizan

todas las fases del proceso productivo, y otras más pequeñas dedicadas

a la fabricación de piezas especiales con métodos más artesanales.

b) Fabricantes de fritas, esmaltes y colores cerámicos. Se trata de un

grupo reducido de empresas, de gran tamaño y que cuentan con

presencia internacional. Juegan un papel fundamental en el distrito, ya

que aportan la mayor parte de la actividad de I+D+i de la producción

cerámica.

c) Industrias extractivas. La materia prima utilizada en la industria cerámica

es la arcilla roja o blanca, obtenida de minas situadas en el propio

distrito, de zonas limítrofes, o de otras zonas. Tal y como señala el

autor, la existencia de minas de arcilla en el distrito fue una de los

principales motivos de su localización, así como una importante ventaja

competitiva. En la actualidad se están produciendo casos de

colaboración entre empresas fabricantes de azulejos para instalar

conjuntamente empresas de tratamiento de arcilla, debido a la magnitud

de las inversiones requeridas y al elevado consumo energético.


142

d) Empresas de maquinaria. La maquinaria que se utiliza es en su mayor

parte importada de Italia, y en el distrito de Castellón existen sobre todo

empresas que se dedican a la adaptación e instalación de dichas

máquinas. Sin embargo, aunque es evidente la dependencia exterior en

cuanto a la fabricación de maquinaria, en el distrito sí existen empresas

con excelentes conocimientos en tecnologías de procesos.

e) Industria auxiliar e instituciones de apoyo. Existen numerosas industrias

auxiliares, como las de fabricación de embalajes, transporte

especializado o instalación de expositores, así como instituciones

educativas, tecnológicas y diferentes asociaciones que dan apoyo al

distrito y que cuentan con representación política y social.

El autor analiza seguidamente la posición competitiva de cada uno de los

grupos de empresas descritos y, en relación con las tendencias generales que

se están produciendo en el sector de la cerámica a nivel internacional, propone

una serie de recomendaciones entre las que pueden destacarse las siguientes:

a) Aumento de la especialización y reducción del número de referencias o

modelos ofrecidos.

b) Mayor control del proceso de distribución y comercialización.

c) Búsqueda de nuevos usos para el azulejo en el hogar y de mejoras en su

colocación, para aumentar la rotación del producto.

d) Consolidación de la actividad de I+D+i dentro del distrito, potenciando

acuerdos de colaboración entre empresas e instituciones del sector.


143

e) Creación de grupos empresariales de mayor tamaño dentro del distrito

como forma de optimización de recursos.

3.7. El análisis del cluster de la electrónica de consumo en Cataluña.

El trabajo realizado por E. Ballarín y M. L. Blázquez (2003) sobre el cluster de

la electrónica de consumo es un ejemplo de análisis micro, de abajo a arriba

(bottom-up) y referido a un solo cluster.

El análisis se realizó basándose principalmente en datos de tipo cualitativo,

recogidos en entrevistas realizadas a las principales empresas e instituciones

que formaban parte del cluster. El trabajo permitió entender en profundidad el

funcionamiento del cluster y las relaciones de colaboración y competencia

existentes entre las empresas e instituciones que lo formaban (véase la figura

3.4).


144

Figura 3.4.

El cluster de la electrónica de consumo en Cataluña

Fuente: Ballarín, E. y Blázquez, M.L (2003: 8 ).

En la figura anterior se aprecia como en el cluster catalán de electrónica de

consumo concurren diferentes fabricantes competidores pero también

empresas presentes a lo largo de toda la cadena de valor, desde los

proveedores de materiales de fabricación, hasta las empresas comerciales, así

como las instituciones de apoyo (centros educativos y empresas especializadas

en el área de ingeniería) que tienen un importante papel en este cluster. Si

bien las relaciones entre empresas del mismo grupo (por ejemplo entre

fabricantes) son de competencia, las relaciones que se dan entre empresas de

diferentes grupos son de colaboración.

Fabricantes• Sharp• Sony• Samsung• Tecnimagen• HP• Others


Proveedoresestandar• Electromecánica• Electronica• Tubos


Proveedoresespecializados• Metal• Plastico• Impresión• Packaging


Operadores logísticos


• Cadenas comerciales

• Hipermercados• Retail



ExportaciónExportación

Instituciones de apoyo• LGAI• Aniel• Secartys


Centroseducativos• UPC• URLL


Empresas ingeniería














ExportaciónExportación








145

El cluster de electrónica de consumo de Cataluña está integrado, por tanto,

por un conjunto de fabricantes, los proveedores que le dan apoyo (con los que

tiene relaciones comerciales y de colaboración) y por un grupo de instituciones

y empresas que dan apoyo tanto a los fabricantes como a los proveedores y

que también mantienen con ellos relaciones de colaboración.

Se describen a continuación las principales empresas e instituciones del

cluster.

a) Fabricantes

La mayoría de empresas fabricantes se trata de grandes multinacionales

que destinan una parte importante de su producción al mercado internacional.

La producción se centra en artículos de audio, vídeo, ordenadores personales

e impresoras.

Varios de los grandes fabricantes son empresas japonesas y coreanas, como

Sony, Sharp o Samsung.

b) Proveedores

Hay dos tipos de proveedores en el cluster: los que proporcionan productos

estándar y los proveedores especializados. Los primeros proporcionan

productos como tubos y muchos son multinacionales con delegaciones

comerciales en Barcelona. La mayoría también atienden a otros mercados

además de la electrónica de consumo.

Los proveedores especializados incluyen los plásticos, metales y circuitos

impresos. En las áreas de plástico y metal los proveedores son, en su


146

mayoría, empresas familiares aunque también participan grandes

multinacionales (por ejemplo, British Steel). Los proveedores de plásticos,

metal y circuitos impresos no sólo atienden la demanda de los fabricantes de

electrónica de consumo, sino también de empresas pertenecientes a otros

clusters cercanos, como el del automóvil. La posibilidad de atender la

demanda de diversos clusters ha impulsado el desarrollo de esta industria

auxiliar dentro del área.

c) Instituciones auxiliares y de apoyo

Entre las instituciones auxiliares y de apoyo se incluyen las empresas y

asociaciones que proporcionan un servicio tanto a los fabricantes como a los

proveedores del cluster.

- Laboratorio General de Ensayos e Investigación (LGAI)

Es el laboratorio general de ensayos e investigación y sus principales

funciones son:

Realizar tests y análisis de materiales y productos industriales,

proporcionando además las certificaciones oficiales.

Cooperar en la formación de personal técnico, mediante la

organización de cursos y seminarios.

Realizar estudios e investigaciones en cooperación con los centros

educativos que participan en el cluster.


147

- Asociación Nacional de Industrias Electrónicas (ANIEL)

Tiene como misión promover los intereses de las empresas afiliadas y

promover el desarrollo de la industria electrónica, actuando como

intermediaria con la Administración. En su papel de intermediaria puede

realizar funciones como solicitar subvenciones, mejores condiciones

fiscales o facilitar trámites.

- Asociación Catalana de Moldes y Matrices (ASCAMM)

Proporciona formación, asesoramiento y certificaciones con el objeto de

mejorar la competitividad de las empresas procesadoras de plástico y

metal. La asociación también lleva a cabo numerosas investigaciones en

el Centro Tecnológico que ha creado.

- Otras instituciones asociadas

Estas otras instituciones también desarrollan una misión importante de

apoyo al cluster. Por un lado, la Universidad Ramón Llull y la Universidad

Politécnica de Cataluña tienen licenciaturas en las áreas de Ingeniería y

Telecomunicaciones y mantienen relaciones fluidas con las empresas del

cluster que se traducen en numerosas ofertas de trabajo en prácticas; es

más, la Universidad Ramón Llull cuenta con un centro de transferencia

tecnológica donde pueden realizarse determinados proyectos de interés

para las empresas del cluster a petición de éstas.

Por otro lado, la televisión local, TV3, ha jugado un doble papel en el

sector de la electrónica de consumo: catalizadora de nuevas tecnologías


148

y usuaria de las mismas. Como catalizadora colaboró con los

fabricantes para el desarrollo de nuevos estándares (por ejemplo, trabajó

con Hitachi y Pioneer en la introducción del dolby surround). Como

usuaria, al mantener relaciones de colaboración con diversas empresas

del cluster, ha podido estar al tanto de los avances que se han realizado

y ha ido incorporando los últimos desarrollos en electrónica.

3.8. Conclusiones

En definitiva, como se ha podido comprobar en este apartado, se han llevado

a cabo, tanto por organismos públicos como privados y por múltiples autores,

iniciativas interesantes de identificación y análisis de clusters en distintos países

y regiones.

Se puede afirmar que la comparación de los resultados de los distintos

trabajos es complicada ya que los métodos de identificación y análisis de

clusters que se han utilizado han sido muy diversos. Sin embargo, los

resultados obtenidos en los estudios mostrados arrojan luz sobre la

identificación, localización, características y funcionamiento de los clusters en

distintos países y constituyen una base interesante para posteriores análisis en

más profundidad sobre las ventajas o implicaciones de los clusters.


149

4. VENTAJAS DE LOS CLUSTERS

Pese a las diversas dificultades existentes en cuanto a delimitación, definición

e identificación de clusters se les atribuyen múltiples ventajas tanto a las

empresas que operan en ellos como a las regiones que los fomentan y

promueven. Algunos autores han llegado incluso a considerar a los clusters

responsables del crecimiento económico de determinadas regiones (por

ejemplo, Norton, 2001; Bresnahan y Gambardella, 2004).

R.D. Norton (2001), afirma que el liderazgo global de Estados Unidos en la

llamada Nueva Economía se derivaba de la existencia de clusters grandes y

dinámicos o concentraciones que promovían la innovación y el espíritu

emprendedor.

Con este mismo espíritu T. Bresnahan y A. Gambardella argumentan en su

obra Building high-tech clusters: Silicon Valley and beyond del año 2004:

“los clusters de alta tecnología, como Silicon Valley, han recibido una

enorme atención de estudiosos y de los poderes públicos. El crecimiento

económico nacional puede ser impulsado por el desarrollo de clusters como

ése. El boom de los años 80 y 90 en Estados Unidos se debió en gran parte al

crecimiento de industrias de Tecnologías de la Información en unos cuantos

clusters regionales” (2004:1).


150

Con el objetivo de determinar claramente cuáles pueden ser las ventajas que

conllevan los clusters se pueden agrupar las aportaciones realizadas por

diversos autores en torno a dos tipos de ventajas: las ventajas de aglomeración

y las de difusión del conocimiento.

Cuadro 3.3.

Ventajas de los Clusters

Ventajas de Aglomeración Ventajas de Difusión del conocimiento

Existencia de mano de obra especializada Intercambio de mejores prácticas

Existencia de inputs especializados Aprendizaje

Existencia de servicios de apoyo especializados Participación en redes locales

Disponibilidad de proveedores localesFacilidad de percepción de oportunidades de innovación y desarrollo tecnológico

Existencia de infraestructuras de comunicación y transporte

Imitación

Consecuencias Consecuencias

Menores costes de transacción Mayores niveles de innovación y desarrollo tecnológico

Mayor productividad y eficiencia Mejores prácticas y mayor eficiencia

Autores Autores

Krugman, 1991; Porter, 1998; Gordon y McCann, 2000; Basant, 2002; Belussi, 2006; Gertler y Wolfe, 2006

Lundvall 1992; Porter, 1998; Gordon y McCann, 2000; Maskell, 2001; Swann, 2001; Storper y Venables 2004; Belussi, 2006; Gertler y Wolfe, 2006; Galetto, 2008; López, Más y Molina, 2008; Banco Mundial, 2009.


4.1. Ventajas de aglomeración.

Se refieren a las ventajas que se generan, respecto a una mayor eficiencia y

menores costes de transacción, como consecuencia de la presencia de un

elevado número de empresas en un determinado lugar geográfico.


151

El hecho de que se concentren varias empresas de un determinado sector en

un área geográfica posibilita las interacciones entre ellas y con otras empresas

proveedoras o auxiliares que también se establecen en ese lugar atraídas por

dicha concentración de negocio en su área de actividad. Los autores P.

Krugman (1991), M. Porter (1998b), I. Gordon y P. McCann (2000), R. Basant

(2002), F. Belussi (2006), M. Gertler y D.A. Wolfe (2006) mencionan como

algunos ejemplos de este tipo de ventajas las siguientes:

a) La existencia de mano de obra inputs y servicios de apoyo

especializados que están disponibles y fácilmente accesibles para

todas las empresas del cluster.

b) La disponibilidad de proveedores locales. La interacción con los

proveedores locales puede dar lugar a mejoras de productividad y

calidad. I. Gordon y P. McCann (2000) argumentan que se facilitan las

relaciones de subcontratación estilo Toyota, en las que la estrecha

colaboración con los proveedores permite, entre otras cosas, la

producción bajo pedido (just in time) generándose mayores eficiencias

y ahorros de coste por la eliminación de la necesidad de mantener

existencias.

c) Mayor posibilidad de desarrollo de ciertos tipos de infraestructura, por

ejemplo de comunicaciones o transporte, que facilitan y abaratan las

operaciones de logística y comunicación de las empresas y cuya

disponibilidad está justificada por la concentración de empresas en ese

territorio. Estas condiciones también proporcionan un mejor y más fácil


152

acceso a los mercados por parte de las empresas del cluster lo que

favorece sus posibilidades de ventas a menor coste.

En definitiva, la aglomeración de empresas en una determinada zona implica

ventajas en términos de más fácil acceso a recursos, servicios o

infraestructuras que disminuyen los costes de transacción y permiten que las

empresas operen con mayor eficiencia.

4.2. Ventajas de difusión del conocimiento.

Autores como B.A. Lundvall (1992), M. Porter (1998a), I. Gordon y P. McCann

(2000), P. Maskell (2001), G. Swann (2002), M. Storper y A.J. Venables (2004),

F. Belussi (2006), Comisión Europea (2006), M. Gertler y D.A. Wolfe (2006), V.

Galetto (2008), M. López, F. Mas y F. X. Molina (2008) y el Banco Mundial

(2009) consideran que una importante fuente de ventaja competitiva para las

empresas localizadas en un cluster es el acceso a una base del conocimiento

local. El hecho de estar próximos unos a otros, favorece la generación y

transmisión del conocimiento entre las empresas y las instituciones públicas o

privadas del cluster. Ejemplos concretos de este tipo de ventajas son:

a) Los mecanismos de cooperación entre las empresas del cluster

facilitan el intercambio de las mejores prácticas, con lo cual estarían

tipificando una clase específica de compartir y difundir el conocimiento.

b) La continua comparación del desempeño de cada empresa supone un

mayor incentivo para mejorar respecto a los competidores locales. El


153

hecho de que unas empresas estén próximas a otras facilita la

comparación y la competitividad entre ellas.

c) Mayor participación en las redes de aprendizaje e innovación locales y

regionales, lo que incluye instituciones de investigación, asociaciones

industriales y gubernamentales.

d) Más facilidades para percibir oportunidades de innovación y desarrollo

tecnológico. La interacción entre empresas hace que surjan más

fácilmente ideas y oportunidades innovadoras y, a la vez, que la

difusión de dichas ideas sea más rápida.

e) Mayores posibilidades de reducir costes a través del aprendizaje. Al

estar unas empresas próximas a otras se produce un proceso de

imitación de las mejores prácticas y el aprendizaje de éstas finalmente

implica menores costes.

Esta difusión del conocimiento se produce en los clusters debido a distintos

factores. T. Humphrey y H. Schimtz (1995) y H. Schimtz y K. Nadvi (1999)

identificaron una serie de atributos que en sus opiniones contribuyen al

dinamismo y a la generación y difusión del conocimiento en los clusters

industriales:

a) Proximidad geográfica. Un gran número de pequeñas y medianas

empresas están localizadas en un espacio geográfico determinado y

su cercanía facilita el intercambio de información.

b) Especialización sectorial. El cluster se especializa en un sector

industrial específico, por lo que las diferentes empresas tienen un

área común de conocimiento e interés. Además, hay una significativa


154

división intra-sectorial del trabajo, en la que diferentes unidades

dentro del cluster se especializan en procesos específicos.

c) La colaboración estrecha entre empresas. Los nexos entre empresas

sustituyen a la integración vertical de todas las actividades en una

empresa con el consiguiente ahorro en costes y mayor posibilidad de

especialización.

d) La competencia entre empresas. La competencia entre empresas

está basada esencialmente en la innovación, para lo que es

fundamental el acceso al conocimiento.

e) Integración en la sociedad. Una identidad socio-cultural que facilita la

confianza, la reciprocidad y el beneplácito social.

f) El apoyo de autoridades públicas. El Estado o un gobierno regional o

municipal puede fomentar mucho el trabajo de las entidades

participantes en el cluster.

El intercambio de conocimiento entre las empresas del cluster es tan

importante que según P. Maskell (2001) constituye la principal causa para la

creación de clusters. Este autor considera que este intercambio se produce

aendos dimensiones, horizontal y vertical.

En la dimensión horizontal, los clusters reducen el coste de coordinar fuentes

dispersas de conocimiento y de resolver los problemas de información

asimétrica entre empresas que fabrican productos similares y compiten entre

sí. La proximidad geográfica permite que las empresas con mejores prácticas


155

sean observadas e imitadas favoreciendo la innovación porque las empresas

intentan alcanzar a sus competidores.

En la dimensión vertical, el intercambio se produce entre las empresas que

son complementarias y tienen vínculos a través de una red de relaciones de

proveedores, usuarios y servicios. Por ejemplo, los fabricantes compartirán

información con sus proveedores para mejorar y hacer más eficiente el proceso

de aprovisionamiento.

En línea con el razonamiento de P. Maskell (2001), M. Steiner (2006) también

destaca la creación y difusión del conocimiento como la principal ventaja de los

clusters e identifica los clusters con una forma especial de institución que

proporciona un marco conceptual para poder transformar información en

conocimiento útil. Este autor entiende los clusters como organizaciones de

aprendizaje y argumenta que constituyen un mecanismo mediante el que las

empresas tratan de coordinar sus actividades con otras empresas y otras

instituciones generadoras de conocimiento.

En definitiva, las ventajas atribuidas por los autores a la existencia de clusters

son diversas y afectan tanto a aspectos macro como microeconómicos,

especialmente, resultando en una organización empresarial más competitiva,

con menos costes y mayores posibilidades para la generación y difusión del

conocimiento.


156

5. LOS CLUSTERS COMO INSTRUMENTO PARA MEJORAR LA

COMPETITIVIDAD.

Las ventajas que han sido atribuidas a los clusters son importantes tanto para

las empresas participantes en los mismos como para los poderes públicos.

Como señala C. Ketels (2003), las ventajas que los clusters suponen para las

empresas, tanto por el menor coste de transacción como por la difusión del

conocimiento, hacen que a las empresas les interese operar en clusters para

conseguir uno de sus objetivos como es la maximización de beneficios. Por

otro lado, los poderes públicos comenzaron a mostrar interés por los clusters al

considerar que las consecuencias de las existencia de los clusters enunciadas

en el apartado anterior (mayor productividad y eficiencia de las empresas,

mayores tasas de innovación y desarrollo tecnológico y menores costes de

transacción) pueden incidir a largo plazo en la productividad y competitividad

de las regiones.

Los trabajos que M. Porter realizó en los años 90 sobre los clusters tuvieron

mucha repercusión en este sentido. ¿Por qué es a partir de los trabajos de M.

Porter cuando el concepto de cluster empieza a tener eco tanto en los grandes

organismos internacionales como en los gobiernos de los distintos países? R.

Martin y P. Sunley (2003) lo atribuyen a diferentes causas. En primer lugar, el

profesor Porter enfocó desde el principio el concepto de cluster como

determinante de la competitividad, lo que resultaba de gran interés para los

políticos y las instituciones ya que podría ser un buen mecanismo para mejorar

la productividad y competitividad de los países o regiones. Por otro lado, sus


157

ideas se exponían en términos de estrategia de negocio, de modo que podían

trasladarse fácilmente a la práctica y ser aplicables tanto a las empresas como

a los gobiernos en el diseño de sus políticas regionales y nacionales.

En definitiva se trataba de buscar ventajas competitivas desde el punto de vista

territorial. Además, como señalaba P. Temple (1998), la idea de cluster

encajaba bien con la tendencia a la descentralización que ya se estaba

desarrollando en esa década.

Siguiendo esta tendencia numerosos gobiernos en todo el mundo, así como

instituciones regionales, públicas y privadas, han apoyado los clusters como

elemento de desarrollo regional. La OCDE se ha manifestado claramente en

esta línea en varias ocasiones (1999, 2001), ya que considera a los clusters

innovadores como impulsores del crecimiento económico nacional y una

herramienta de política económica para impulsar la competitividad. También en

esta línea se puede destacar la afirmación de S. Wallsten que en su obra The

role of government in regional technology development llegó a exponer que

(2004:229): “Los políticos de todo el mundo están ansiosos por encontrar

herramientas que ayuden a sus regiones a emular el éxito de Silicon Valley y a

crear nuevos centros de innovación y alta tecnología”.

Con el objetivo de demostrar empíricamente la relación de los cluster con las

ventajas que se les atribuyen y con algunos aspectos de la competitividad se

han desarrollado diversos estudios que pueden agruparse en:


158

- Análisis econométricos que miden el efecto directo de los clusters en

alguna de las ventajas de aglomeración o difusión del conocimiento.

- Trabajos que muestran evidencia indirecta de alguna de las ventajas

atribuidas a los clusters.

- Trabajos que tratan de buscar la relación explícita entre la existencia de

clusters y algunos de los aspectos de la competitividad de las empresas,

las regiones y los países.

Resulta conveniente analizar brevemente algunas de las aportaciones

existentes en cada uno de los estudios.

5.1. Análisis econométricos con evidencia directa.

En este primer grupo de trabajos se suele relacionar la existencia de clusters

u otros tipos de aglomeraciones industriales con alguna de las ventajas

expuestas en el apartado anterior como, por ejemplo, mayores tasas de

innovación o productividad.

Dentro de este grupo se pueden destacar los trabajos de E. Glaeser et al.

(1992), V. Henderson (1994), J.A. Herce et al. (1996), J.J. De Lucio (1998),

D.M. De Carolis y D.L. Deeds (1999), L.F. Signorini (2000), V. Boasson y A.

McPherson (2001), C. Beaudry y S. Breschi (2003), M. Porter (2004), V. Budí

(2008), Comisión Europea (2008) o V. Galetto (2008).


159

En estos estudios se mide la incidencia de las aglomeraciones industriales

sobre algunas variables como por ejemplo las tasas de innovación,

productividad o los resultados financieros. V. Boasson y A. McPherson (2001)

estudian las empresas farmacéuticas cotizadas en bolsa en Estados Unidos y

muestran que aquellas que están localizadas en clusters son más activas en

innovación de productos y obtienen mejores resultados financieros que las que

no lo están.

El trabajo de V. Galetto (2008:131), por ejemplo, demuestra que los territorios

con una mayor densidad de sistemas productivos locales son más innovadoras;

de hecho, la diferencia entre la intensidad innovadora de los distritos

industriales, medida en términos de patentes por millón de ocupados, respecto

a la media del país era del 46%. En términos de diseños industriales la

diferencia asciende al 77%, reforzando por tanto el resultado anterior.

En esta misma línea la Comisión Europea (2008) destaca que frente al 12%

de empresas innovadoras que solicitaron patentes en 2004, el porcentaje de

empresas innovadoras que operaban en clusters que las solicitaron ascendía a

un 29% en 2006. Aunque estos resultados se han obtenido a nivel de empresas

y la Comisión Europea reconoce la dificultad de extrapolarlos a nivel regional,

sí se han obtenido resultados positivos en cuanto a la relación del número de

patentes y la fortaleza de los clusters en regiones europeas. Resultados muy

similares se han obtenido en el Innobarómetro 2006 llevado a cabo por The

Gallup Organization (2006 ) y que analiza mediante entrevistas a más de 3,500

empresas que operan en clusters, la capacidad innovadora de las mismas.


160

5.2. Trabajos con evidencia indirecta.

Entre los trabajos que muestran evidencia indirecta entre los clusters y

algunas de las ventajas que se les atribuyen se puede incluir el de Hilpert

(1992), que realizó un estudio sobre el destino de los fondos científicos de la

Comunidad Europea y de los gobiernos nacionales y regionales y encontró que

tres cuartas partes de los mismos estaban concentrados en Europa en diez

“Islas de Innovación “, lo que demostraba que la actividad de innovación suele

estar concentrada en determinadas aglomeraciones empresariales.

En esta misma línea, D.B. Audretsch y M.P. Feldman en 1996 en su trabajo

R&D spillovers and the geography of innovation and production, obtuvieron

evidencia empírica de la concentración de la actividad innovadora en Estados

Unidos; 41,7% de todas las innovaciones registradas en la industria de los

ordenadores tuvieron lugar en California y un 12% adicional en Massachussets.

R.K. Woolthuis (1999) estudió las relaciones interorganizacionales y

comprobó que la cooperación y la confianza surgían del trabajo conjunto y que

esa confianza era un factor en el desarrollo de nuevos productos por parte de

empresas del clusters. Del mismo modo, E. Lorenz (1999) comprobó que la

generación de confianza mediante un proceso de aprendizaje continuo fue parte

fundamental en la exitosa remodelación de la industria de maquinaria de Lyon a

finales de los años 80, ya que se consiguieron mejoras económicas a través de

la cooperación entre empresas. En esta línea, otros estudios muestran


161

evidencia empírica de que la creación de conocimiento en los clusters proviene

de la sociabilidad de los individuos y la movilidad laboral, ya que son los

trabajadores los que intercambian y difunden el conocimiento en sus relaciones

con otros trabajadores y en sus distintas empresas (Coe, 2000; Bennet et al.,

2001; Lissoni, 2001; Welz, 2003).

Asimismo pueden incluirse en este grupo de trabajos los de otros autores

(Almeida y Kogut 1999; Breschi y Lissoni 2001; Cooper 2001; Fosfuri et al

2001; Dahl 2002) que han demostrado que los clusters tienen mayores ratios

de movilidad laboral y que ésta influye en la capacidad de innovación. Con

este comportamiento los trabajadores realizan una labor de difusión del

conocimiento de unas empresas a otras por lo que se puede considerar como

una evidencia indirecta de que los clusters promueven la innovación.

5.3. Trabajos sobre la relación explícita entre clusters y competitividad.

Entre los trabajos que explícitamente hablan de la relación entre los clusters y

la competitividad se pueden distinguir los que se centran en la competitividad de

las empresas y los que utilizan un enfoque más regional o nacional.

Entre los primeros se puede incluir el C. Camisón y J. Molina (1998) sobre el

distrito de la cerámica en Castellón, en el que demuestran que las empresas

pertenecientes al distrito obtienen mejores resultados empresariales que las

que no pertenecen a él. Según los autores es posible establecer una


162

vinculación entre los recursos compartidos y la obtención de ventajas

competitivas por parte de estas empresas pertenecientes al distrito.

También puede incluirse entre el primer grupo de trabajos el del European

Network for Social and Economic Research (ENSR) realizado en 2002 por A.

Isaksen y E. Hauge, que analizó clusters en 17 países europeos. Sus

resultados demostraron que las empresas que actuaban en clusters regionales

obtenían mejores resultados que la de la media nacional en sus respectivas

industrias, lo que implica una mayor competitividad de las empresas que

operan en clusters. Sólo en un 9% de los clusters analizados las empresas

productoras de bienes finales eran calificadas de débiles. En esta misma línea

el estudio de la OCDE (DATAR-OCDE, 2001) llegó a la conclusión de que las

empresas localizadas en una cluster eran más competitivas ya que conseguían

aumentar su rentabilidad entre un 2 y un 4 por ciento.

Entre los trabajos que se centran en la influencia de los clusters en la

competitividad o alguno de sus factores con un enfoque regional o nacional se

puede incluir el Cluster Mapping Project del Institute for Strategy and

Competitiveness que revela la importancia de la existencia de clusters fuertes

en la prosperidad de las regiones medida por sus salarios. Como señala C.

Ketels (2003:13) las regiones con clusters fuertes muestran una cifra superior

de salarios y un mayor crecimiento de los mismos. Además, el proyecto

demuestra que los salarios medios en las industrias locales de una región está

positiva y directamente relacionado con los salarios en los clusters abiertos a la

competencia (traded). Esto implica que los clusters abiertos a la competencia


163

crean valor compitiendo a través de las fronteras y este valor es repartido,

posteriormente, en la economía local a través del consumo local.

El Indice de Competitividad de los Negocios del Global Competitiveness

Report 2007-2008 del World Economic Forum relaciona estadísticamente

diversas variables, entre las que se encuentra la existencia de clusters, con el

PIB per Cápita ajustado por el poder de compra, como indicador de la

prosperidad de los países y muestra evidencia estadística de esa relación a

través de los resultados de análisis de regresión.

El European Cluster Observatory del Centre for Strategy and Competitiveness

también demuestra empíricamente que existe asociación entre la fortaleza de

los clusters y la prosperidad medida en términos de PIB per Cápita; según este

estudio, las regiones de Europa con un mayor porcentaje de empleo en

industrias que pertenecen a clusters fuertes son generalmente más prósperas.

C. Ketels et al. (2006) siguen un enfoque muy parecido en un estudio realizado

para los 10 países que se adhirieron a la Unión Europea en 2004, y señalan

que existe una relación estadísticamente significativa entre la fortaleza de los

clusters en estos países y su PIB per cápita.

Otros estudios que también inciden en la relación directa entre clusters y

algunos de los factores de la competitividad son el de M.T. Costa y E.

Viladecans-Marsal (1999), que estudiaron los volúmenes de exportación como

indicativo de competitividad y mostraron una relación positiva entre la

existencia de distritos industriales y volúmenes de exportación superiores.


164

También puede incluirse en este grupo el trabajo de M. Delgado (2007) que

muestra una relación directa entre la existencia de clusters y el tipo de

estrategias competitivas de las empresas. Esta autora considera que las

empresas que operan en clusters están más enfocadas a la calidad y a generar

un mayor valor añadido, lo que repercute positivamente en la región o país,

frente a otras empresas más enfocadas a estrategias de bajo coste.

5.4. Conclusiones.

Tal y como se ha expuesto a lo largo del apartado 5, se han desarrollado

diferentes trabajos en los que se analiza la posible influencia de los clusters

sobre la competitividad. Estos trabajos han mostrado evidencia directa o

indirecta de que los clusters aportan ventajas para las empresas que operan en

ellos y para las zonas geográficas en las que se localizan como, por ejemplo,

mayores grados de cooperación, confianza, innovación, salarios, exportaciones

o productividad. La mayor productividad y eficiencia de las empresas incide a

medio y largo plazo en la competitividad de las regiones y países, por lo que es

lógico el interés de los autores y gobiernos por los clusters como instrumento de

mejora de la competitividad.


165

6. CONCLUSIONES

El concepto de cluster ha suscitado un gran interés no sólo de numerosos

autores, sino también de organismos e instituciones públicas y privadas, que se

refleja en la profusión de artículos, estudios y proyectos relacionados con los

clusters. No obstante, aunque aparentemente se trata de un concepto sencillo,

existen importantes divergencias entre los autores respecto a su definición,

límites, características y ventajas.

En este capítulo se han revisado las principales aportaciones de autores y

organismos públicos y privados en cuanto a definición e identificación de

clusters. También se han expuesto los principales trabajos que explican las

ventajas de los clusters, y en concreto, aquellos que tratan de la influencia de

los clusters en la competitividad de países y regiones, ya que esa supuesta

influencia y los mecanismos a través de los cuales se realiza constituye el

enfoque central de esta tesis.

Los trabajos que relacionan clusters y competitividad no siempre han

resultado concluyentes; de hecho, gran parte de las aportaciones se han

centrado en alguna de las ventajas de los clusters, o han analizado la influencia

de los clusters en la competitividad de un grupo de empresas o sobre algún

aspecto concreto relacionado con la competitividad de países y regiones. Sin

embargo, no existen trabajos empíricos que aporten una visión más global e

integral de la influencia de los clusters en la competitividad de varios países


166

(incluidas las principales economías mundiales) o de regiones y de los

mecanismos a través de los cuales se produce.

En esta tesis precisamente lo que se plantea es realizar un análisis empírico,

que se desarrolla en los capítulos 4 y 5, sobre cómo influyen los clusters en la

competitividad de los países y regiones, utilizando un concepto de

competitividad amplio e integrador. Para ello se analizará el estado de

desarrollo de los clusters y la competitividad en España, Cataluña, y 136

países y se estudiará a través de qué variables se produce esa supuesta

relación entre clusters y competitividad.


167


168

PARTE III

ESTUDIO EMPÍRICO

CAPITULO 4

INVESTIGACIÓN EMPÍRICA UTILIZANDO LA

METODOLOGÍA DEL FORO ECONÓMICO

MUNDIAL

Capítulo 4. Estudio empírico utilizando la metodología del Foro Económico Mundial

170


171

ÍNDICE

1. INTRODUCCIÓN.....................................................................................173

2. LA ELECCIÓN DE CATALUÑA...............................................................175

3. OBJETIVOS............................................................................................179

4. HIPÓTESIS..............................................................................................180

5. METODOLOGÍA......................................................................................181

5.1. Recogida de datos............................................................................181

5.2. Procedimiento realizado ………………………………………………..183

6. RESULTADOS........................................................................................184

7. CONCLUSIONES....................................................................................185


172


173

1. INTRODUCCIÓN

En los capítulos 2 y 3 se han desarrollado los conceptos de competitividad y

clusters y se ha puesto de manifiesto la posible relación existente entre ambos,

que se basa en una pretendida influencia de los clusters sobre la


Con el objeto de analizar empíricamente esta relación se han realizado

diversos estudios pero, como se señalaba en el capítulo 3, tienen la limitación

de estar centrados o bien en regiones o países específicos o en aspectos

concretos de la competitividad.

En esta tesis se pretende demostrar la influencia de los clusters sobre la

competitividad con un enfoque amplio e integrador, analizando el estado de

desarrollo de los clusters y las tasas de competitividad en España y otros 136

países y estudiando a través de qué mecanismos o variables se produce esa

pretendida influencia.

Esta visión integral se va a combinar con el estudio en profundidad de un

caso concreto, el de Cataluña, cuya elección se justifica en el apartado

siguiente. Se va a verificar si una región con mayor desarrollo de los clusters

que España, como es Cataluña, obtiene mejores resultados en el Índice de

Competitividad de los Negocios que España y se va a determinar a través de

qué variables o factores se relacionan los clusters con la competitividad.


174

Para ello se va a descomponer la competitividad de Cataluña en sus distintas

variables y se va a comparar con la de España en su conjunto. Esta

metodología se aplica teniendo en cuenta las limitaciones obvias, expresadas

en la introducción de esta tesis, de comparar regiones, como Cataluña, con

países, por lo que en los capítulos 4 y 5 se irán comentando los resultados que

se obtienen haciendo las precisiones oportunas.

La parte empírica de esta tesis se va a desarrollar en dos capítulos. En una

primera parte, incluida en este capítulo, se aplicará la metodología para medir

la competitividad del Foro Económico Mundial al caso concreto de Cataluña y

los resultados obtenidos se compararán con los de España y otros países. .De

los dos índices desarrollados por el Foro Económico Mundial se utilizará el

Índice de Competitividad de los Negocios, ya que este índice se enfoca más en

aspectos microeconómicos, que cada vez son más relevantes para la

competitividad, y además contempla explícitamente el papel de los clusters en

la competitividad, no en forma de una variable concreta en el índice, sino en

términos conceptuales a través del entorno microeconómico de negocios, tal y

como se ha expuesto en el capítulo 2.

Con esta primera parte del estudio empírico se pretende analizar si una

región con un elevado grado de desarrollo de los clusters como Cataluña

obtiene mejores resultados en el Índice de Competitividad de los Negocios que

España y se va a determinar en qué variables o factores obtiene ventajas

competitivas una región con alto grado de desarrollo de los clusters. Es


175

además la primera vez que se aplica la metodología del Foro Económico

Mundial a Cataluña.

La segunda parte del estudio empírico se realizará en el capítulo 5, en el que

se analizará de nuevo la influencia de los clusters sobre la competitividad y los

mecanismos a través de los cuales se produce, pero en este caso se utilizarán

métodos estadísticos alternativos.

2. LA ELECCIÓN DE CATALUÑA

En esta tesis se estudia la relación entre clusters y competitividad. Para ello

se analiza en profundidad la competitividad de una región española y la

influencia que tiene el desarrollo de los clusters en esa zona en dicha

competitividad.

Aunque existen diversas regiones españolas en las que se están estudiando

los clusters y sus efectos en la competitividad de la región, esta tesis se ha

centrado en Cataluña porque cumple perfectamente los dos aspectos que se

han tenido en cuenta en la elección de la región:

1. Que la recopilación de información, mediante encuestas y datos

publicados, sea factible y pueda hacerse con el suficiente rigor científico.

2. Que se trate de una región en la que el estado de desarrollo de los

clusters sea elevado, para que pueda observarse su influencia o no en

la competitividad.


176

En lo relativo a la recopilación de información, Cataluña dispone de un

excelente Instituto de Estadística (IDESCAT) que dispone de todos los datos

necesarios referidos al ámbito territorial de Cataluña. Por otro lado, para la

obtención de información mediante encuestas, se ha contado con la

colaboración del Departamento de Innovación y Empresa de la Generalitat de

Cataluña en la identificación de empresas y la verificación de la adecuación

muestral al tejido industrial catalán lo que ha permitido realizar el proceso con

el máximo rigor y eficiencia.

En cuanto al segundo de los aspectos, que la región escogida tenga un

elevado grado de desarrollo de los clusters, distintos autores reconocen que

Cataluña es, junto con la Comunidad Valenciana, una de las Comunidades

Autónomas que cuenta con mayor profusión de clusters dentro de España

(Costa, 1998; Trullén, 2002; Santa María et al., 2004; Ahedo, 2006; Boix y

Galetto, 2004 y 2006; Boix, 2008) y es además una región en la que el estado

de desarrollo de los clusters es mayor que en España en su conjunto1.

Esto tiene su reflejo en la política industrial que se ha llevado a cabo en

Cataluña en las dos últimas décadas, que pone de manifiesto la importancia

que atribuyen a los clusters. En 1990 Michael Porter publicó el libro The

Competitive Advantage of Nations, en el que introdujo los clusters en el análisis

del entorno competitivo a través de la metodología del Diamante, descrita en el

1 Para ello nos basamos en los resultados obtenidos por Cataluña y por España en su conjunto en una de las variables utilizadas por el World Economic Forum en la elaboración del Informe de Competitividad Mundial: el estado de desarrollo de los clusters. En dicha variable la puntuación obtenida por Cataluña (4,17 en una escala de 1 a 7) es superior a la de España en su conjunto (3,94).


177

Capítulo 3. La relevancia que el gobierno autonómico catalán ha otorgado a los

clusters es patente desde entonces: en 1992 la Generalitat de Cataluña

encargó a la consultora Monitor y profesores de la escuela de negocios IESE

un estudio de competitividad que aplicase la metodología del Diamante de

Michael Porter (Monitor Company y Ballarín y Faus Asociados, 1992).

La visión del gobierno catalán coincidía con la de Michael Porter en el

sentido de que ambos atribuían a la capacidad de innovación y mejora continua

de las empresas un papel fundamental en la competitividad de las naciones y

regiones, siendo la misión de los Gobiernos actuar sobre el entorno

proporcionando las condiciones óptimas para facilitar la actuación y evolución

de las empresas (Subirà y Gurguí, 2007).

En 1993 el Departamento de Industria y Energía de la Generalitat de

Cataluña, liderado por el Conseller Antoni Subirà, emprendió una política de

refuerzo de la competitividad de los distintos clusters industriales existentes en

la región. Se trataba de implantar una filosofía y proceso de cambio estratégico

en los sectores que lo requerían.

Se utilizó el término microcluster para referirse a un grupo de empresas y de

actividades relacionadas (industriales y/o de servicios) en un ámbito geográfico

determinado y no necesariamente muy extenso. Los microclusters se utilizaron

como unidad de análisis para encontrar fuentes de ventaja competitiva. La

metodología seguida por el gobierno catalán consistía en que los agentes del

cluster:


178

- identificaban los retos del clusters,

- definían una visión conjunta de futuro,

- describían las líneas de actuación para reforzar la competitividad del cluster.

Se trataba por tanto de una metodología de tipo micro, o de abajo a arriba, en

la que los datos utilizados eran mayoritariamente de tipo cualitativo.

Esta política de clusters del gobierno catalán era coherente con la tendencia

existente en los países desarrollados en el momento a considerar que los

mercados son eficientes por sí mismos y que la intervención estatal debe

limitarse a favorecer las condiciones para que operen las empresas. Se trataba

de conseguir que las empresas reflexionasen sobre sus oportunidades y

necesidades de cambio y que decidiesen conjuntamente una estrategia de

futuro. Los instrumentos públicos de apoyo no se centraban en las

subvenciones, sino en aquellos que, en opinión de las empresas de los

distintos microclusters, contribuyesen a facilitar el cambio estratégico que

necesitaban. En este sentido, en el microcluster de la piel, en lugar de solicitar

subvenciones al gobierno catalán se pidió un centro común de investigación y

desarrollo.

La publicación de Conejos et al. (1997) presenta cómo la metodología

expuesta se aplicó a distintos microclusters en Cataluña a través de la empresa

Competitiveness, entre los que se pueden destacar los siguientes: juguete de

madera en Osona, maquinaria agrícola en Lérida, joyería en Barcelona, piel en

Anoia, mueble doméstico en Montsiá, industrias cárnicas en Gerona, género de


179

punto en Maresme y Anoia, edición y artes gráficas en Barcelona y electrónica

de consumo en el Vallés.

Cataluña fue pionera mundialmente en la aplicación de esta metodología

(Subirà, 2009) y la escuela de negocios Harvard Business School se hizo eco

de ello publicando dos casos de estudio, sobre el cluster del la piel gruesa en

Anoia y el cluster del mueble en Montsiá respectivamente.

En definitiva, se considera que Cataluña constituye una región idónea para el

análisis empírico de esta tesis ya que cuenta con un significativo grado de

desarrollo de clusters y ofrece facilidades y garantías para la obtención de la

información requerida.

3. OBJETIVOS

El objetivo principal de esta tesis es demostrar la influencia de los clusters en la

competitividad de los países y regiones y analizar los mecanismos y variables

a través de los cuales se produce esa influencia.

Los objetivos específicos de esta primera parte de la investigación empírica

son:

1. Adaptar la metodología del Foro Económico Mundial para la elaboración del

Índice de Competitividad de los Negocios a una región como la catalana,

obteniendo así los resultados de competitividad de Cataluña. Esta es la

primera vez que dicha metodología se aplica a esta región española. Estos


180

resultados serán comparables a los de España en su conjunto y a los del

resto de países incluidos en el informe, aunque con las obvias limitaciones

derivadas de comparar países con una región.

2. Contrastar los resultados de competitividad de Cataluña con los de los

países analizados por el Foro económico Mundial y, en concreto, con los de

España. Se analizarán los distintos subíndices y factores en los que se

descompone el Índice de Competitividad de los Negocios para comparar

los resultados existentes en Cataluña y en España en cada uno de ellos, lo

que permitirá verificar si una región con mayor desarrollo de los clusters

que España, como es Cataluña, obtiene mejores resultados en el Índice de

Competitividad de los Negocios que España.

3. Determinar en qué variables o factores obtiene ventajas competitivas una

región con mayor desarrollo de los clusters.

4. HIPÓTESIS

Las hipótesis que se manejan en esta primera parte de la investigación

empírica son:

1. Los clusters son importantes para la competitividad, es decir, el mayor

desarrollo de los clusters en un país o región se da con tasas más altas

de competitividad en ese mismo territorio.

2. En el caso de Cataluña, el mayor desarrollo de sus clusters en relación

a España se dará con mayores tasas de competitividad microeconómica


181

expresados por el resultado obtenido en el Índice de Competitividad de

los Negocios.

5. METODOLOGÍA

En esta primera parte de la investigación empírica se va a utilizar la

metodología del Foro Económico Mundial para la elaboración del Índice de

Competitividad de los Negocios. Las variables que utiliza este índice, así como

su agrupación, se han descrito en el Capítulo 2.

De entre los dos índices que utiliza el Foro Económico Mundial para medir la

competitividad, el Índice de Competitividad Global y el Índice de Competitividad

de los Negocios, se ha decido utilizar sólo el segundo porque tal y como ya se

ha comentado analiza la competitividad basándose más en los factores de tipo

microeconómico que cada vez son más importantes para la competitividad y,

además, contempla explícitamente el papel de los clusters como una de las

influencias en la competitividad, no como una de las variables del índice pero sí

a través de su influencia en el entorno microeconómico en el que operan las

empresas.

5.1. Recogida de datos.

El Índice de Competitividad de los Negocios utiliza 57 variables para obtener el

resultado de competitividad de cada uno de los 124 países considerados.


182

Las observaciones para cada una de estas variables se obtienen tanto de

datos publicados como de las opiniones de ejecutivos y líderes de opinión de

cada uno de los países incluidos en la muestra. Estas opiniones se obtienen a

partir de la realización de una Encuesta Ejecutiva de Opinión, preparada por el

World Economic Forum, que se distribuye en cada uno de los países.

Para la elaboración del Índice de Competitividad de los Negocios de España

se realizó la Encuesta Ejecutiva de Opinión en todo el territorio nacional,

incluida Cataluña

Con el objeto de obtener las observaciones relativas a Cataluña se ha

adaptado la Encuesta Ejecutiva de Opinión para centrarla en la Comunidad

Autónoma de Cataluña y se ha entregado a empresarios y líderes de opinión

catalanes. La recogida de datos se ha realizado en el año 2007 y en

colaboración con el International Center for Competitiveness del IESE2. Se

enviaron 300 cuestionarios, habiéndose obtenido 48 respuestas.

En cuanto a las variables que se basan en datos publicados, se han obtenido

de fuentes de reconocida solvencia, como el Instituto Nacional de Estadística o

el Instituto de Estadística de Cataluña.

2 El International Center for Competitiveness (ICC) del IESE fue creado en 2006 con el objeto de promover la investigación rigurosa en el área de la competitividad. El ICC es un centro afiliado del Institute for Strategy and Competitiveness de Harvard Business School y es además el socio español del World Economic Forum en la elaboración del Global Competitiveness Report.


183

5.2. Procedimiento realizado.

Una vez obtenidos los datos para Cataluña, se ha aplicado la metodología del

Índice de Competitividad de los Negocios, de forma idéntica a como se aplica al

resto de países incluidos en el estudio del Foro Económico Mundial y tal como

se explica en el Capítulo 2 de esta tesis.

Para la aplicación de esta metodología a los datos de Cataluña se ha contado

con la colaboración del International Center for Competitiveness del IESE y del

Institute for Strategy and Competitiveness de Harvard Business School que, tal

y como se expone en el Capítulo 2, es la institución que ha desarrollado este

índice. El procedimiento que utilizan se compone de dos etapas: en primer

lugar, utilizan los datos de un panel de países para estimar los coeficientes del

modelo, y a continuación se aplican dichos coeficientes a los datos obtenidos

para cada país en el año en que se realiza el análisis.

Para estimar los coeficientes se calculan cargas factoriales para cada

variable agrupadas según los dos subíndices del modelo: la sofisticación de las

operaciones y estrategias de las compañías y la calidad del entorno

microeconómico de negocios. Seguidamente se determina el peso de cada

subíndice en el Índice de Competitividad de los Negocios según los

coeficientes obtenidos al realizar una regresión relacionando el PiB per cápita

con cada uno de los subíndices. Este procedimiento da como resultado un

peso de 0,834 del subíndice relativo a la calidad del entorno microeconómico


184

de los negocios, y de 0,166 para el subíndice de sofisticación de las

operaciones y estrategias de las compañías.

Finalmente se aplican a los datos obtenidos en Cataluña para cada una de

las variables las cargas factoriales y el peso de los subíndices resultantes. El

Anexo 3 presenta las cargas factoriales obtenidas para cada una de las

variables.

6. RESULTADOS

En el resultado global de competitividad Cataluña obtiene el puesto 48 en un

ranking de 124 países, inferior al puesto que ocupa España (30) y al que le

correspondería por su cifra de PIB per cápita como se analizará a

continuación. El cuadro 4.1. muestra un ranking de los 1243 países analizados

según la posición que ocupan en el índice, incluyendo a Cataluña.

3 La base de datos que el World Economic Forum utiliza para la elaboración del Global Competitiveness Report incluye observaciones de un número superior de países a los que aparecen en el ranking del Índice de Competitividad de los Negocios. Esto se debe a que para algunos de estos países no está disponible toda la información necesaria para la elaboración del BCI.


185

Cuadro 4.1.

Ranking mundial de países según

el Índice de Competitividad de los Negocios 2007

Fuente: Elaboración propia a partir de Foro Económico Mundial (2007).

B C I 20 0 6/0 7 B C I 2 00 6/0 7Pa í s/e c o no m í a R a n k Pa í s / ec o n om ía R a n kE s ta d os U ni do s 1 Ur ug ua y 6 3A le m a n ia 2 Tri n ida d y To ba go 6 4F in l a nd ia 3 Ch in a 6 5S ui za 4 S ri L a nk a 6 6D in a m a r c a 5 M a r ru e co s 6 7H ol a n da 6 Pa qu i sta n 6 8S ue c ia 7 Ke n ia 6 9R ei no Un id o 8 Bo ts w a n a 7 0J a p on 9 Ka z a kh st a n 7 1H on g K on g SA R 10 Pe rú 7 2S in ga p ur 11 Fi lip in a s 7 3A ust ri a 12 Ta n za n ia 7 4Is l a nd ia 13 R um a ni a 7 5N o ru e ga 14 Na m ib i a 7 6C a n a dá 15 E gip to 7 7F r a nc ia 16 A ze rba i y á 7 8B é lg ic a 17 A rg en t in a 7 9A ust ra l ia 18 Fe de r a ci ón R usa 8 0Is r a e l 19 Ni ge r ia 8 1M a la s ia 20 Uc ra n ia 8 2T a iw a n, C h in a 21 Vi et n a m 8 3I r la n da 22 Bu lg a ri a 8 4N u e v a Z el a n da 23 R ep úb li ca Do m i ni ca n a 8 5E s to ni a 24 A lge r ia 8 6C o re a , R e p . 25 S er b i a y M o nt e ne gr o 8 7T un e z 26 M a c ed on ia ,F YR 8 8In di a 27 Ug a nd a 8 9P or tu ga l 28 Bu r ki na F a so 9 0C h il e 29 M ol da v i a 9 1E s pa ñ a 30 M a l i 9 2E m ir a to s á ra be s U ni do s 31 Ga m b ia 9 3R ep úb lic a C he c a 32 Ve n ez ue l a 9 4S ud á fr ic a 33 A rm en ia 9 5Q a ta r 34 Be n in 9 6In do ne si a 35 Bo sn ia y H e rze g ov in a 9 7E s lov e n ia 36 M a d a ga sc a r 9 8T a il a nd ia 37 Ta ji ki s t a n 9 9I t a li a 38 M on g oli a 1 00H u ng ri a 39 Ge or g i a 1 01R ep úb lic a de E s lo va q ui a 40 M a u ri ta n ia 1 02M a lt a 41 Ni ca ra gu a 1 03B a r ba do s 42 Z im ba w e 1 04L it ua n i a 43 M a l a w i 1 05K u w a i t 44 E cu a do r 1 06C h ip re 45 Ho nd ur a s 1 07T ur qu i a 46 Ca m b oy a 1 08L it ua n i a 47 Ba n gl a de sh 1 09C a t a lu ñ a 48 S ur in a m 1 10M a u ri ti us 49 M oz a m b i qu e 1 11G r ec ia 50 Ne p a l 1 12C o sta R i ca 51 Ky rg y z R e pu b li c 1 13B a h re i n 52 Ca m e ron 1 14J o rd a ni a 53 Gu y a na 1 15P o l on ia 54 Le sot ho 1 16J a m a ic a 55 Za m b ia 1 17B r a s il 56 Bo li vi a 1 18C r oa c ia 57 E ti opi a 1 19M é ji co 58 A lba n ia 1 20P a n a m a á 59 Pa ra gu a y 1 21C o lo m b i a 60 Ch a d 1 22E l Sa lv a do r 61 A ng ol a 1 23G u a te m a l a 62 Bu r un di 1 24


186

Una representación en dos dimensiones de los resultados obtenidos por los

distintos países en el índice comparados con su cifra de PIB per cápita permite

un análisis interesante. En la figura 4.1. se pueden observar todos los países

analizados colocados en función de su PIB per cápita y resultado en el Índice

de Competitividad de los Negocios. La línea blanca representa la línea de

regresión y las líneas superior e inferior a la línea de regresión indican las

áreas de confianza del 95%.

Los países que se sitúan encima o cerca de la línea de regresión, son los que

obtienen unos resultados en el índice similares a la posición que tendrían

según su PIB per cápita. Por debajo de la línea estarían los países que

obtienen un ranking en el índice superior a su grado de bienestar, medido por

su PIB per cápita. Estos países podrían ser calificados de overachievers, ya

que han conseguido una competitividad microeconómica superior a su tasa de

prosperidad o bienestar, como por ejemplo Malasia, India, Indonesia o Brasil.

En el otro extremo están aquellos países cuya competitividad microeconómica

está por debajo de lo que indicaría su PIB per cápita. Vemos como Cataluña se

encuentra claramente en este grupo, que podrán denominarse underachievers,

junto a países como Noruega o Italia. España también pertenece a estos

países aunque su posición es algo más equilibrada que la de Cataluña.


187

Figura 4.1.

Situación de los países según el Índice de Competitividad de los

Negocios (Business Competitiveness Index) y PIB per cápita4

Fuente: Elaboración propia a partir de Foro Económico Mundial (2007).

Se comentan a continuación los aspectos más significativos de los resultados

obtenidos por Cataluña en cada uno de los subíndices y variables que los

componen. En lo que respecta a los dos subíndices la diferencia es notable:

mientras en la Sofisticación de las operaciones y estrategias de las compañías

Cataluña se sitúa en una buena posición (32), en la Calidad del entorno

nacional de negocios baja hasta el puesto 50 (véase cuadro 4.2.).

4 Aunque se entienden las limitaciones de incluir a Cataluña en un gráfico como el de la figura 4.1, ya que se está comparando una Comunidad Autónoma con un conjunto de países en términos de PIB per Cápita, se considera que es un ejercicio interesante y aporta cierta luz sobre la posición competitiva actual y potencial de Cataluña.

Índice de Competitividad de los Negocios

PIB

pe

rc

áp

ita

0

5.000

10.000

15.000

20.000

25.000

30.000

35.000

40.000

45.000

0 20 60

Estados

UnidosNoruega

Irlanda

Australia

Qatar

Italia Emiratos

Árabes Unidos

EspañaCataluña

Grecia

Bahrein

Chipre

Malasia

IndiaIndonesia

AlemaniaSuecia

Israel

Turquia

Chile

Tailandia

Jordania

Jamaica

Argentina

a

Trinidad

y

Tobago

Estonia

Finlandia

Nueva Zelanda

SingapurTaiwan

Dinamarca

Suiza

Islandia

Suecia

Israel

Turquia

Chile

Tailandia

Jordania

Jamaica

Argentina

a

Trinidad

y

Tobago

Estonia

Finlandia

Nueva Zelanda

SingapurTaiwan

Dinamarca

Suiza

Islandia

Canadá

Eslovenia

Sudáfrica

PIB

pe

rc

áp

ita

($

)


188

En comparación con España en su conjunto Cataluña obtiene resultados muy

parecidos en el primer subíndice, pero la diferencia en cuanto a la calidad del

entorno nacional de negocios es de 20 posiciones. A continuación se analizan

en detalle estos resultados y algunas de sus posibles causas.

Cuadro 4.2.

Resultados del Índice de Competitividad de los Negocios

Indice de Competitividad de los Negocios Cataluña EspañaResultado global 48 30Sofisticación y operaciones de las compañías 32 31Calidad del entorno de negocios 50 31

Fuente: Elaboración propia

El cuadro 4.3. muestra los resultados detallados por cada una de las

variables, especificando la posición que Cataluña obtiene en comparación con

España en el ranking en cada uno de los aspectos incluidos en el índice.


189

Cuadro 4.3.

Resultados detallados por variables del Índice de Competitividad de los

Negocios para España y Cataluña a

a (Los números correspondientes a España y Cataluña indican su posición en el ranking total de países incluidos)

I. ESTRATEGIAS Y OPERACIONES DE LAS COMPAÑIAS

Cataluña España

Amplitud de los mercados internacionales 40 41

Capacidad de innovación 27 35

Gasto empresarial en I+D 35 47

Control de la distribución internacional 34 43

Grado de orientación al cliente 37 38

Medida de compensación por incentivos 42 23

Medida del marketing 34 23

Medida de exportaciones 53 50

Medida de formación del personal 38 42

Naturaleza de la ventaja competitiva 23 28

Licencias de tecnología extranjera 73 11

Sofisticación de los procesos productivos 31 29

Confianza en la gestión profesional 67 33

Presencia completa de la cadena de valor 26 24

Voluntad de delegar autoridad 18 45


A. CONDICIONES DE LOS FACTORES

1. Infrastructuras fïsicas

Calidad de las infraestructuras 80 25

Desarrollo de la infraestructura ferroviaria 72 18

Calidad de las infraestructuras portuarias 59 23

Calidad de las infraestructuras de transporte aéreo 91 23

Calidad de la infraestructura de teléfonos/fax 30 32

Calidad del suministro eléctrico 104 29

Usuarios de internet (hard data) 28 36

Teléfonos móviles (hard data) 30 22

2. Infrastructuras administrativas

Confianza en los servicios policiales 42 22

Independencia del poder judicial 57 65

Eficiencia del marco legal 61 48

Impacto de pagos ilegales en las políticas de gobierno 62 28

Centralización de la política económica 34 5

Leyes relativas a TI 38 33



190

Cuadro 4.3.

Resultados detallados por variables del Índice de Competitividad de los

Negocios para España y Cataluña

3. Recursos humanos Cataluña España

Calidad del sistema educativo 80 67

Calidad de la enseñanza de ciencias y matemáticas 91 82

Calidad de las escuelas de negocios 6 12

Cooperación en las relaciones empleador-empleado 76 70

4. Infraestructura tecnológica

Disponibilidad de científicos e ingenieros 92 42

Calidad de las instituciones de investigación científica 37 48

Colaboración para investigación entre universidades y empresas 44 51

Patentes USA (hard data) 26 28

5. Mercados financieros

Sofisticación de los mercados financieros 36 22

Fácil acceso a préstamos 62 39

Acceso a la bolsa local 70 53

Disponibilidad de capital riesgo 33 30

B. CONDICIONES DE DEMANDA

Sofisticación de los compradores 36 29

Obtención del gobierno de productos de tecnología avanzada 110 52

Presencia de estándares regulación 44 30

Exigencia de las normativas medio ambientales 41 39

C. INDUSTRIAS DE APOYO Y RELACIONADAS

Calidad de los proveedores locales 28 32

Cantidad de proveedores locales 35 17

Disponibilidad local de equipos de procesamiento 28 29

Disponibilidad local de servicios de investigación y formación 35 50

D. CONTEXTO DE ESTRATEGIA Y RIVALIDAD DE LAS EMPRESAS

1. Incentivos

Favoritismo en decisiones de funcionarios públicos 38 78

Eficacia de la gestión corporativa 38 47

Protección de la propiedad intelectual 45 29

Derechos de propiedad 53 26

2. Competitividad

Intensidad de la competencia local 18 34

Efectividad de la política antimonopolio 43 38

Barreras arancelarias 35 36

Dominio de mercado 26 33



191

Se comentan a continuación los aspectos más significativos de los

resultados obtenidos:

I. Estrategias y operaciones de las compañías

Los factores incluidos en este subíndice presentan en general una valoración

bastante equilibrada, sin grandes dispersiones.

Las principales áreas de ventaja competitiva para Cataluña respecto a

España y el resto de países incluidos en el estudio son la voluntad de delegar

autoridad (18), la naturaleza de la ventaja competitiva (23)5, la presencia a lo

largo de toda la cadena de valor (26), la capacidad para la innovación (27) o la

sofisticación de los procesos productivos (31). Es muy significativa la ventaja

de Cataluña respecto a España en su conjunto en el aspecto de voluntad de

delegar autoridad, en el que España baja hasta el puesto 45, lo cual es lógico

teniendo en cuenta que Cataluña es una región y lo comparamos con un país.

Cataluña también es bastante superior en cuanto a la capacidad para innovar y

en cuanto al control de la distribución internacional.

Las áreas de principal desventaja en este apartado serían las licencias de

tecnología extranjera (73), muy por debajo del dato de España, y la confianza

existente en la gestión profesional (67).

5 La naturaleza de la ventaja competitiva indica si la base de la competitividad de las empresas en mercados internacionales son los bajos precios o los recursos naturales (en cuyo caso el puesto en el ranking no sería positivo) o si, por el contrario, la competitividad de las empresas se basa en productos y procesos único. en este segundo caso se obtendría una buena posición en el ranking, como ocurre con Cataluña.


192

II. Calidad del entorno microeconómico de negocios

Los resultados de Cataluña en cada uno de los apartados incluidos en este

subíndice son desiguales. Se exponen a continuación los resultados más

relevantes en cada uno de los apartados.

A-. Condiciones de los factores.

En este apartado es necesario tener en cuenta que existen aspectos cuyas

competencias corresponden al ámbito estatal y en los que Cataluña puede

verse desfavorecida en su valoración, como por ejemplo algunas de las

variables incluidas en las infraestructuras físicas.

Se analizan cinco tipos de infraestructuras:

1. Infraestructuras físicas: el análisis muestra ventajas para Cataluña en

cuanto a usuarios de Internet, teléfonos móviles o infraestructuras de

teléfonos/fax, pero poniendo de manifiesto las grandes desventajas en

cuanto a la infraestructura aeroportuaria, ferroviaria y portuaria.

2. Infraestructuras administrativas: destacan algunas áreas de mejora, como

el impacto de pagos ilegales en las políticas de gobierno, la eficiencia

del marco legal o la independencia del poder judicial, ésta última, con el

puesto 57 mejor valorada que para el conjunto de España (65).

3. Recursos humanos: destaca la calidad de las escuelas de negocio (6), y

los aspectos peor valorados en este apartado son la calidad de la

enseñanza de ciencias y matemáticas, la calidad del sistema educativo o

la cooperación en las relaciones empleador-empleado.

4. Infraestructura tecnológica: las patentes registradas son la única ventaja

en este apartado, siendo la disponibilidad de científicos e ingenieros la


193

principal área de mejora (92) muy por debajo del resultado de España

(42). Cataluña obtiene mejores resultados que España, además de en

las patentes, en la colaboración para la investigación entre universidad y

empresa.

5. Mercados financieros: No existen ventajas significativas en cuanto a los

mercados financieros, y hay que prestar atención al acceso a la bolsa

local, así como al acceso a préstamos.

B. Condiciones de la demanda.

El factor mejor valorado en cuanto a la demanda es la sofisticación de los

compradores (36), aunque no puede ser calificado de excesivamente positivo.

La exigencia de las normativas medioambientales (41), así como la presencia

de los estándares de regulación (44) bajan aún más, pero la principal área de

atención se encuentra en la obtención por parte del gobierno de productos de

tecnología avanzada, en la que Cataluña obtiene el puesto 110 del ránking.

C. Industrias de apoyo y relacionadas.

La disponibilidad local de equipos de procesamiento y la calidad de los

proveedores locales, ambos con la posición 28 y por encima de los resultados

de España, son los dos principales factores positivos en este apartado. Algo

por debajo estarían la cantidad de proveedores locales (35) y la disponibilidad

local de servicios especializados en investigación y formación (35). De nuevo

es necesario matizar que al evaluar estas variables se están comparando

ámbitos locales diferentes en el caso de España y Cataluña.


194

D-. Contexto de estrategia y rivalidad de las empresas.

El índice distingue entre incentivos y competitividad. En cuanto a los

incentivos, no existen ventajas claras para Cataluña, siendo los factores mejor

valorados el favoritismo en las decisiones de funcionarios públicos (38) y, con

el mismo puesto, la eficacia de la gestión corporativa. Un poco por debajo

estarían la protección de la propiedad intelectual (45), así como los derechos

de propiedad (53).

Sin embargo, en cuanto a la competitividad, sí se observan algunas ventajas

en Cataluña, como el alto grado de intensidad en la competencia local (18), con

una diferencia significativa respecto a España (34), y el dominio del mercado

(26)6, que se sitúa de nuevo por encima del dato para el conjunto de España

(33). En las barreras arancelarias la posición de Cataluña baja ligeramente al

puesto 35, pero el único aspecto en cuanto a la competitividad de las empresas

en el que Cataluña estaría por detrás de España en su conjunto sería la

efectividad de la política antimonopolio (43 Cataluña versus 38 para España).

En conjunto, como se desprende del análisis del Índice de Competitividad de

los Negocios, la actividad empresarial en Cataluña tiene un buen grado

competitivo y de sofisticación tal y como muestra la posición obtenida en el

subíndice de sofisticación y operaciones de las compañías.

6 Esta variable indica si el mercado se encuentra dominado por unas pocas firmas (en este caso la posición en el ranking sería muy baja, ya que no se dan condiciones de competencia), o si está repartido entre muchas empresas que compiten (en este caso la posición en el ranking es alta, como en el caso de Cataluña, lo que indica que el mercado es competitivo).


195

Sin embargo, las condiciones del entorno microeconómico no son las

mejores, tal y como muestra la valoración que obtiene Cataluña en el subíndice

de calidad del entorno de negocios. Aunque se han ido exponiendo distintas

variables en las que Cataluña tiene una posición de desventaja en lo relativo al

entorno microeconómico, son destacables los problemas encontrados en el

área de condiciones de los factores. Así, aunque Cataluña cuenta con

razonables condiciones de demanda, buena competitividad de sus empresas,

y una red apropiada de industrias relacionadas, al no darse las condiciones

óptimas de infraestructuras, especialmente las físicas, se resiente todo el

entorno en el que operan las empresas y, por tanto, la competitividad

microeconómica de la región.

7. CONCLUSIONES

Los resultados que pueden extraerse de esta primera parte de la

investigación empírica, realizada aplicando la metodología del Índice de

Competitividad de los Negocios a Cataluña y comparando los resultados con

los obtenidos por España son las siguientes:

a) La competitividad de Cataluña según el Índice de Competitividad de los

Negocios es inferior a la de España y también inferior a la que le

correspondería a Cataluña por su PIB per cápita.

b) La posición de desventaja de Cataluña en cuanto a competitividad es

más notoria en lo que se refiere a la calidad del entorno de negocios

microeconómico, ya que en lo referente a la sofisticación de las


196

operaciones y estrategias de las empresas, Cataluña presenta

resultados muy parecidos a los de España en su conjunto.

c) Sin embargo, sí existen determinados aspectos, en su mayoría de tipo

microeconómico, en los que Cataluña presenta resultados superiores a

los de España y que parecen indicar un mayor dinamismo de los

mercados y de las empresas que en ellos operan como, por ejemplo: la

capacidad de innovación; el número de patentes; la naturaleza de la

ventaja competitiva; la calidad de los proveedores locales; la intensidad

de la competencia local; la disponibilidad local de servicios de

investigación y formación; la disponibilidad de equipos de

procesamiento; el dominio del mercado y el control de la distribución

internacional.

Conviene matizar que algunos de estos factores están condicionados por la

diferencia territorial existente entre la consideración de España en su totalidad

y Cataluña como región y, por tanto, con menor capacidad jurídica-económica

e influencia territorial.

Por tanto, con los resultados obtenidos en esta primera parte de la

investigación empírica no puede afirmarse que un mayor desarrollo de los

clusters en una región se de con unas tasas de competitividad superior en

términos generales. Se ha comparado Cataluña, que tiene un mayor grado de

desarrollo de clusters que España en su conjunto, con España, y España

obtiene mejores resultados en el Índice de Competitividad de los Negocios.


197

Sí se han encontrado aspectos de tipo microeconómico asociados al

dinamismo y competitividad de los mercados locales para los que Cataluña

obtiene resultados superiores a los de España (capacidad de innovación,

naturaleza de la ventaja competitiva, calidad de los proveedores locales,

competencia en el mercado local, la disponibilidad local de servicios

especializados en investigación y formación, la disponibilidad de equipos

industriales o el control de la distribución internacional). También se han

identificado otras variables en las que Cataluña obtiene resultados que

inferiores a los de España pero positivos y por encima del su ranking general

en el Índice de Competitividad de los Negocios (sofisticación de los procesos

productivos, presencia completa de la cadena de valor, sofisticación de los

compradores o cantidad de proveedores locales).

En la segunda parte de la investigación empírica de esta tesis, que se lleva a

cabo en el capítulo 5, se va a investigar si los positivos resultados de Cataluña

en esas variables microeconómicas se deben a que en esta región los clusters

están más desarrollados y, por tanto, puede hablarse de una influencia del

estado de desarrollo de los clusters sobre estas variables de competitividad

microeconómica.


198

CAPITULO 5

INVESTIGACIÓN EMPÍRICA UTILIZANDO

MÉTODOS ESTADÍSTICOS ALTERNATIVOS

Capítulo 5. Investigación empírica utilizando métodos estadísticos alternativos

200


201

ÍNDICE

1. INTRODUCCIÓN.....................................................................................205

2. OBJETIVOS.............................................................................................207

3. HIPÓTESIS..............................................................................................208

4. METODOLOGÍA......................................................................................209

4.1. Análisis factorial.........................................................................210

4.2. Análisis de conglomerados o cluster..........................................214

4.3. Regresión lineal..........................................................................216

5. ANALISIS DE LA RELACIÓN DE LA VARIABLE ESTADO

DE DESARROLLO DE LOS CLUSTERS CON OTRAS

VARIABLES QUE INFLUYEN EN LA COMPETITIVIDAD.....................217

5.1. Definición de las variables..........................................................219

5.2. Análisis descriptivo de las variables...........................................227

5.2.1. Estadísticos básicos........................................................227

5.2.2. Diagramas de cajas.........................................................229

5.2.3. Pruebas de normalidad: Kolmogorov-Smirnof

e histogramas...........................................................................231

5.3. Obtención de variables categorizadas mediante un análisis

cluster...........................................................................................240

5.3.1. Nuevas variables categorizadas.................................242

5.3.2. Distribución de frecuencias de variables

categorizadas……………………………………………….242

5.3.3. Anova y pruebas post-hoc................................................254

5.4. Análisis de asociaciones entre variables dos a dos mediante


202

tablas de contingencia.........................................................................259

5.4.1. Tablas recuento................................................................260

5.4.2. Gráficos de barras............................................................266

5.4.3. Pruebas de Chi cuadrado de Pearson,

V de Cramer y Gamma....................................................273

5.5. Estudio de las relaciones entre todas las variables

conjuntamente mediante análisis de correspondencias múltiples....276

6. OBTENCIÓN DE INDICADORES DE COMPETITIVIDAD

MEDIANTE ANÁLISIS FACTORIAL.......................................................281

6.1. Obtención de factores de competitividad con una

muestra de 34 variables..................................................................283

6.1.1. Definición de variables....................................................284

6.1.2. Categorización de factores.............................................297




correspondencias múltiples.............................................309

6.2. Obtención de factores de competitividad con toda

la base de datos..............................................................................313

6.2.1. Definición de variables....................................................313

6.2.2. Categorización de factores.............................................339




correspondencias múltiples.............................................348


203

7. ANÁLISIS DE LA RELACIÓN CAUSAL ENTRE EL

ESTADO DE DESARROLLO DE LOS CLUSTERS Y LA

COMPETITIVIDAD MEDIANTE REGRESIÓN LINEAL...........................352


resultantes del análisis factorial realizado con 34 variables............353


clusters...........................................................................353


de los clusters.................................................................355


resultantes del análisis factorial de toda la base de datos.............360


clusters...........................................................................360


de los clusters..................................................................362


204


205

1. INTRODUCCIÓN

El objetivo de esta tesis es demostrar la influencia de los clusters en la

competitividad de los países y regiones y establecer a través de qué

mecanismos o variables se produce esa influencia, incluyendo 137 países y la

Comunidad Autónoma de Cataluña en el análisis.

Para ello se lleva a cabo una investigación empírica en dos fases. En una

primera fase, realizada en el capítulo 4, se ha calculado la competitividad de

Cataluña utilizando la metodología del Foro Económico Mundial para la

elaboración del Índice de Competitividad de los Negocios y los resultados

obtenidos se han comparado con los de España en términos generales y para

cada una de las variables. Con ello se pretendía analizar si una región con un

elevado grado de desarrollo de los clusters como Cataluña obtiene mejores

resultados en el Índice de Competitividad de los Negocios que España y

determinar en qué variables o factores obtiene ventajas competitivas una

región con alto grado de desarrollo de los clusters.

Los resultados del estudio empírico realizado en el Capítulo 4 no permiten

afirmar que en el caso de Cataluña un mayor desarrollo de los clusters haya

implicado mayor competitividad que España, pero sí parece que este mayor

desarrollo de los clusters está asociado a mejores resultados en algunas

variables de tipo microeconómico.


206

En esta segunda parte de la investigación empírica se pretende analizar la

influencia de los clusters en la competitividad utilizando para medir la

competitividad una metodología estadística alternativa a la utilizada en el

Capítulo 4, que permitirá:

- Profundizar en el análisis de las relaciones entre el estado de desarrollo de

los clusters y otras variables, aportando por tanto mayor flexibilidad,

- Clasificar a los países en grupos homogéneos, que facilitan la comparación,

- Verificar si existe relación de causalidad entre el estado de desarrollo de los

clusters y la competitividad de los países y regiones.

En este capítulo se comprobará, con otros métodos estadísticos, si un mayor

desarrollo de los clusters implica mayor competitividad. También se pretende

aclarar a través de qué mecanismos o variables se produce la influencia de los

clusters en la competitividad; para ello se tomarán como punto de partida las

variables en las que Cataluña, una región con elevado grado de desarrollo de

los clusters, ha mostrado tener ventajas competitivas según se desprende del

análisis realizado en el Capítulo 4. Estas variables se irán ampliando en

sucesivos análisis hasta incluir todas las variables que se incluyen en la

Encuesta Ejecutiva de Opinión que realiza el Foro Económico Mundial para

medir la competitividad.

Tal y como se ha explicado en la introducción de esta tesis, se utilizan dos

metodologías diferentes en el análisis empírico porque el Índice del Foro

Económico Mundial utilizado en la primera parte del análisis empírico


207

proporciona una selección de variables reconocida y probada, así como unos

primeros resultados variables de competitividad que presentan buenos

resultados en regiones con clusters desarrollados. La utilización de una

segunda metodología basada en otros métodos estadísticos, como las tablas

de contingencia, las correspondencias múltiples, el análisis factorial, el análisis

cluster y las regresiones, proporcionará una mayor flexibilidad, ya que se

podrán analizar con más detalle y profundidad las posibles evidencias de

relación entre el “estado de desarrollo de los clusters” y otras variables de

competitividad encontradas en la primera parte del análisis empírico y permitirá

confirmar la influencia de los clusters sobre la competitividad, que es la

hipótesis principal de este estudio .

En este capítulo se desarrolla la segunda parte del estudio empírico

describiendo los objetivos, hipótesis, metodología y resultados.

2. OBJETIVOS

El objetivo principal de esta tesis es demostrar la influencia del estado de

desarrollo de los clusters sobre la competitividad de los países y regiones,

determinando en concreto en España y en una Comunidad Autónoma, como es

Cataluña, las variables o factores a través de los cuales se produce esta

influencia.

Los objetivos específicos de esta segunda parte de la investigación empírica

son:


208

1. Profundizar en la relación entre el “estado de desarrollo de los clusters” y

otras variables de competitividad utilizando métodos estadísticos tales

como las tablas de contingencia, el análisis de correspondencias

múltiples y el análisis cluster.

2. Desarrollar un modelo alternativo para analizar la influencia que tienen

los clusters sobre la competitividad. Este modelo permitirá confirmar o

no la influencia de los clusters sobre la competitividad. Para ello se

obtendrán indicadores de competitividad alternativos a los que usa el

Foro Económico Mundial, utilizando las mismas variables pero aplicando

varios métodos estadísticos como el análisis cluster, el análisis factorial

y las regresiones, lo que permitirá:

- Analizar la competitividad de España, Cataluña y el resto de países

incluidos en la base de datos del Foro Económico Mundial en función

de los nuevos indicadores de competitividad obtenidos.

- Verificar si el mayor desarrollo de los clusters en Cataluña ha supuesto

mejores resultados en cuanto a su competitividad.

- Comprobar la relación causal del estado de desarrollo de los clusters

en la competitividad a través de los nuevos indicadores obtenidos.

3. HIPÓTESIS

Las hipótesis que se manejan en esta segunda parte de la investigación

empírica son:


209

1. Los clusters tienen una influencia positiva en la competitividad, es decir, un

mayor desarrollo de los clusters en un país o región incide en tasas más altas

de competitividad en ese mismo territorio.

2. La influencia de los clusters en la competitividad se produce principalmente

a través de la mejora del entorno microeconómico de negocios en el que

operan las empresas, así como de las estrategias y operaciones de las

empresas.

3. En el caso de Cataluña, el mayor desarrollo de sus clusters en relación a

España se traducirá en mayores tasas de competitividad microeconómica.

Para este propósito se va a utilizar la misma base de datos que en el

Capítulo 4, en el que se aplicó la metodología del Foro Económico Mundial a

Cataluña y España. Sin embargo, en el presente capítulo se va a realizar un

procedimiento alternativo basado en los métodos estadísticos como las tablas

de contingencia, correspondencias múltiples, análisis factorial, análisis cluster y

regresiones.

4. METODOLOGÍA1

En primer lugar se van a definir las variables que se van a utilizar y se va a

realizar un análisis descriptivo de las mismas, aportando los estadísticos

principales y verificando su normalidad a través de las pruebas de Kolmogorov-

Smirnov y Shapiro-Wilks así como del estudio de sus histogramas.

1 Se han tomado como base para este apartado los trabajos de Peralta et al. (2000), Rúa, A., Redondo, R. y del Campo, C (2003) y Martínez, C. y Rúa, A. (2005).


210

Se definirá la variable “estado de desarrollo de los clusters” 2y se analizará su

relación con todas las demás variables. Para ello se utilizarán tablas de

contingencia, análisis de correspondencias múltiples y análisis cluster.

Posteriormente se incorporarán más variables al análisis y se realizarán

análisis factoriales que permitirán obtener indicadores de competitividad

alternativos a los que utiliza el Foro económico Mundial. Con estos nuevos

indicadores se analizará la competitividad de España, Cataluña y los países

incluidos en el estudio y se estudiará la influencia del “estado de desarrollo de

los clusters” en estos nuevos indicadores de competitividad.

Finalmente se analizarán las relaciones causales entre el “estado de

desarrollo de los clusters” y los indicadores de competitividad obtenidos

mediante regresiones.

Se describen a continuación los principales métodos estadísticos que se van a

utilizar en este capítulo.

4.1. Análisis factorial

El análisis factorial es una técnica estadística multivariante que permite

reducir el número de variables obteniendo nuevas variables incorrelacionadas

llamadas factores que aporten prácticamente la misma información que las

variables iniciales pero que permitan un análisis más sencillo3, de modo que :

Fi = Fi(xi)

2 Aunque esta variable se desarrollará en los próximos apartados, se puede adelantar aquí que indicará si clusters fuertes y muy arraigados están ampliamente extendidos en toda la economía. 3 Martínez, C. y Rúa, A. (2005).


211

donde

Fi son los nuevos factores obtenidos

xi son las variables originales

Con ello se reduce la complejidad de una tabla de datos cuantitativos y se

consigue explicar la estructura causal que origina las relaciones entre las

variables.

El análisis factorial se realiza sobre K variables aleatorias de tipo cuantitativo,

X1, X2, …Xk

y trata de encontrar P + K nuevas variables llamadas factores, F1, F2,…Fp,

U1, U2, …,Uk y ver su relación con las variables originales. Los factores

obtenidos F1, F2,….Fp son los factores comunes, porque influyen en común en

las K variables. Las variables U1, U2, ….Uk son factores únicos, porque cada

uno de ellos influye de forma exclusiva en una variable.

La relación de las variables con los factores resultantes del análisis se puede

expresar como:

X1 = a11F1 + …………+ a1pFp + d1U1

X2 = a21F1 + …………+ a2pFp + d2U2

…………………………………………

Xk = ak1F1 + …………+ akpFp + dkUk


212

Para conseguir el objetivo de explicar las variables a partir de un número más

reducido de factores, el número resultante de factores ha de ser menor que el

número de variables, es decir P<K.

Antes de realizar el análisis factorial se estudiará la viabilidad de realizarlo

para ese conjunto de datos. Para ello se utilizan la prueba de Kaiser-Meyer-

Okin (KMO) desarrollada por Kaiser (1974) y la prueba de esfericidad de

Bartlett.

El índice de KMO, se utiliza para comparar las magnitudes de los

coeficientes de correlación múltiples observados con las magnitudes de

coeficientes de correlación parcial. Cuando el valor del índice es bajo, menor

de 0´5, se desaconseja la aplicación del análisis ya que las correlaciones entre

pares de variables no se pueden explicar a través de las otras variables.

Cuanto más próximo a 1 esté el índice KMO más adecuada es la utilización del

análisis factorial.

La prueba de esfericidad de Bartlett contrasta si hay interrelaciones entre las

variables mediante la enunciación de la hipótesis nula consistente en que la

matriz de correlación es la matriz identidad (la que tiene unos en la diagonal

principal y ceros en el resto de valores). Si se confirma la hipótesis nula

supondría que las variables están incorrelacionadas. Si por el contrario se

rechaza la hipótesis nula, las variables estarían relacionadas y sería adecuado

realizar el análisis factorial.


213

Con el objeto de obtener unos factores que sean fácilmente interpretables se

va a utilizar la rotación de factores en el análisis factorial. Con ello se persigue

que cada una de las variables tenga una correlación más próxima a uno con

uno de los factores y próxima a cero con el resto de factores. Así cada factor

tendrá una correlación alta con un número de variables y baja con el resto.

El método de rotación que se va a seguir es ortogonal y, en concreto, se va a

utilizar el procedimiento Varimax, que consigue que la varianza total explicada

por los factores y la comunalidad4 de cada una no se alteren al aplicarlo.

El análisis factorial se realizará en dos etapas. En primer lugar, se

seleccionarán las variables que se consideran más significativas entre la base

total de variables de la Encuesta Ejecutiva de Opinión del Foro Económico

Mundial hasta un máximo de 34. La elección de este número de variables tiene

la ventaja de que se cumple la regla de que para que sea idóneo el análisis

factorial, deben existir 4 ó 5 observaciones por cada variable incluida en el

análisis factorial. Sin embargo, tiene el inconveniente de que se pueden haber

quedado fuera del análisis algunas variables que sean especialmente

significativas. La aplicación del análisis factorial a estas 34 variables resultará

en tres factores principales. Con estos tres factores se realizarán análisis

cluster y de regresión lineal.

En una segunda etapa, se tomarán como base los factores obtenidos en el

anterior análisis y se utilizarán como base de agrupación de todas las variables

4 La comunalidad es la cantidad de varianza que un test comparte con otro test en un espacio factorial común.


214

incluidas en la Encuesta Ejecutiva de Opinión del foro económico Mundial, no

sólo de las 34 anteriormente contempladas. Se irán adjudicando todas las

variables de la muestra a cada uno de esos grupos en función de su similitud

conceptual. De este modo, aunque incluimos un número de variables superior

al idóneo por el tamaño de la muestra, nos aseguramos de que ninguna

variable relevante se quede si analizar. Un vez definidos los grupos de

variables, se realizará un nuevo análisis factorial dentro de cada grupo y se

utilizará como base de análisis a partir de ahí el factor principal que resulta en

cada uno de los grupos. Sobre esos tres nuevos factores se realizará de

nuevo un análisis cluster y de regresión lineal.

4.2. Análisis de conglomerados o cluster

Este análisis es una técnica de análisis estadístico multivariante que permite

la partición de un conjunto de datos, en este caso correspondientes a distintos

países, en grupos de tal forma que los datos pertenecientes a un mismo grupo

son muy similares entre sí pero muy diferentes a los de los otros grupos. Este

tipo de análisis ha sido desarrollado por numerosos autores, por ejemplo:

Johnson, 1967; Jardine y Sibson, 1968; Rohlf, 1970; Lerman, 1970; Benzecri,

1976; Ketchen y Shook, 1996; Dolnicar, 2002).

Para conseguir formar grupos homogéneos de observaciones (en este caso

de países y de una región), hay que medir su similaridad o su distancia

(disimilaridad). Se han desarrollado numerosos métodos para medir la distancia

entre los casos, como la función de la distancia absoluta o Manhattan o la


215

formulación general de Power. En esta tesis se va a utilizar la distacia euclídea

que mide la distancia entre dos casos a través de :

Al tratarse de más de dos variables se generan tantas diferencias al cuadrado

como variables y se mide la distancia multidimensional entre dos puntos. La

matriz que recoge las distancias euclídeas entre todos los casos es la que sirve

de base para el análisis de conglomerados.

Este análisis se realizará en tres ocasiones. En primer lugar se tomará como

base la variable “estado de desarrollo de los clusters”, lo que permitirá dividir la

muestra en varios grupos homogéneos de países según su estado de

desarrollo de clusters y comprobar en qué grupos quedan tanto España como

Cataluña.

Este análisis cluster permitirá además realizar comparaciones con otras

variables mediante tablas de contingencia y análisis de correspodencias

múltiples.

Se realizarán dos análisis cluster más, cada uno de ellos con los factores

obtenidos en los dos análisis factoriales que se van a realizar.


216

4.3. Regresión lineal

El modelo de regresión lineal se utiliza para explicar el comportamiento de una

variable denominada variable dependiente o endógena (Y) a través de una o

varias variables independientes o explicativas (X).

Si se trata de una única variable explicatoria el modelo sería de regresión lineal

simple y si se trata de varias variables el modelo es de regresión lineal

múltiple. Se especifica de la siguiente forma:

Yi = β0 + β1x1 + β2x2 + ……+ βkxk + ui

donde i = 1,2,…..n; los parámetros β0, β1, …βk indican la magnitud del efecto

que cada variable independiente; x1, x2, ….. xk tienen sobre la variable

dependiente, β0 es la constante del modelo y ui es el error o perturbación

aleatoria.

Los supuestos con los que se trabaja en la regresión lineal son los de

linealidad, independencia de los resíduos, homocedasticidad, normalidad y no-

colinealidad.

Una vez realizado el análisis, el coeficiente de correlación múltiple (R) y su R

cuadrado ( ) indicarán el grado de relación entre la variable dependiente y las

independientes. indica la proporción de la varianza de la variable

dependiente que está explicada por las variables independientes.

R2R2

R2R2


217

Este análisis también se realizará en dos etapas. En primer lugar, se tratará de

explicar el comportamiento de la variable “estado de desarrollo de los clusters”

en función de los tres factores obtenidos en el análisis factorial. Para ello se

realizará una regresión lineal múltiple en la que el “estado de desarrollo de los

clusters” será por tanto la variable dependiente y los tres factores serán las

variables independientes.

En segundo lugar, se tratará de explicar la influencia de los clusters sobre

cada uno de los factores anteriores. Para ello se realizarán tres regresiones

lineales bivariables en las que la variable dependiente será cada uno de los

factores y el “estado de desarrollo de los clusters será la variable dependiente.

Estas metodologías han sido descritas de forma detallada por diversos

autores entre los que se pueden destacar: Bisquerra, 1989; Comrey, 1985;

Cuadras, 1996; Guigou, 1977; Hair et al. , 1998.

5. ANALISIS DE LA RELACIÓN DE LA VARIABLE “ESTADO DE

DESARROLLO DE LOS CLUSTERS” CON OTRAS VARIABLES QUE

INFLUYEN EN LA COMPETITIVIDAD

En la primera parte del análisis se va a estudiar la relación de la variable

“estado de desarrollo de los clusters” con otras variables que van a ser

seleccionadas de entre las variables que componen la base de datos del Foro

Económico Mundial.


218

El grupo de variables escogidas son las que se consideran más directamente

relacionadas con la existencia de clusters por ser variables de tipo

microeconómico y referidas a las estrategias y operaciones de las empresas,

así como al entorno de negocios en el que éstas se mueven.

La mayor parte de estas variables proceden del análisis empírico realizado en

el Capítulo 4, en el que se ha aplicado la metodología del Índice de

Competitividad de los Begocios a Cataluña y España y se han comparado los

resultados. Entre estas variables se encuentran aquellas en las que, en el

análisis empírico realizado en el Capítulo 4, Cataluña ha obtenido resultados

superiores a los de España (capacidad de innovación, naturaleza de la ventaja

competitiva, calidad de los proveedores locales, competencia en el mercado

local, la disponibilidad local de servicios especializados en investigación y

formación, la disponibilidad de equipos industriales o el control de la

distribución internacional). También se incluyen otras variables en las que

Cataluña obtiene resultados que inferiores a los de España pero positivos y por

encima del su ranking general en el Índice de Competitividad de los Negocios

(sofisticación de los procesos productivos, presencia completa de la cadena de

valor, sofisticación de los compradores o cantidad de proveedores locales).

En la segunda parte de la investigación empírica de esta tesis, que se lleva a

cabo en el capítulo 5, se va a investigar si los positivos resultados de Cataluña

en esas variables microeconómicas se deben a que en esta región los clusters

están más desarrollados y, por tanto, puede hablarse de una influencia del

estado de desarrollo de los clusters sobre estas variables de competitividad

microeconómica.


219

Se han incluido además la variable “estado de desarrollo de los clusters”, ya

que se trata de la variable principal de este estudio y aunque el Índice de

Competitividad de los Negocios contempla explícitamente el papel de los

clusters en el entorno microeconómico de negocios en el que operan las

empresas, lo hace a nivel conceptual, pero no incluye una variable específica

de clusters, tal y como se ha expuesto en el Capítulo 4. También se han

incluido las variables “exportaciones regionales”, “exportaciones

internacionales” y “región”, que aportarán una visión de la dimensión

geográfica y del nivel de apertura a otros mercados.

5.1. Definición de las variables

Las variables que se van a utilizar en esta primera parte del análisis

estadístico son:

1) Intensidad de la competencia local.

2) Sofisticación de los compradores.

3) Cantidad de los proveedores locales.

4) Calidad de los proveedores locales.

5) Estado de desarrollo de los clusters.

6) Disponibilidad local de equipos de procesamiento.

7) Disponibilidad local de servicios de investigación y formación.

8) Naturaleza de la ventaja competitiva.

9) Presencia completa de la cadena de valor.

10) Capacidad de Innovación.


220

11) Sofisticación de los procesos productivos.

12) Control de la distribución internacional.

13) Exportaciones regionales.

14) Exportaciones internacionales.

15) Región.

Para cada una de estas variables se tendrán 138 observaciones, cada una de

ellas correspondiente a un país o a una región. De las 138 observaciones que

hay para cada variable, 137 corresponden a distintos países y una a Cataluña.

Para obtener los datos el Foro Económico Mundial ha realizado la Encuesta

Ejecutiva de Opinión en el año 2007 en cada uno de los 137 países. La media

de respuestas por país es de 100 encuestas. En el caso de Cataluña, tal y

como se ha expuesto en el Capítulo 4, se ha realizado la Encuesta Ejecutiva en

esta Comunidad Autónoma5 y se han obtenido 48 respuestas de 300

encuestas enviadas. Este número de respuestas se considera adecuado dado

el tamaño de Cataluña y el número de empresas existentes en dicha

Comunidad Autónoma en comparación con España y la mayoría de países

incluidos en el estudio, que han obtenido alrededor de 100 respuestas.

Para calcular el valor de cada variable en un país o región se realiza una

media de los valores otorgados a esa respuesta por todos los encuestados en

dicho país o región. El valor de cada variable está comprendido entre 1 y 7, ya

5 Se ha realizado la Encuesta Ejecutiva en Cataluña, y los resultados obtenidos en cada una de las variables se han incorporado a la muestra inicial, ya que uno de los objetivos de la contrastación empírica de esta tesis es determinar la influencia que los clusters tienen en la competitividad de la región catalana.


221

que estos son los valores mínimos y máximos que los encuestados pueden

otorgar a cada variable en la Encuesta Ejecutiva.

Se especifica a continuación la pregunta exacta a la que se da respuesta en

cada una de las variables.

- Intensidad de la competencia local.

Indica el grado de competencia en el mercado local, siendo el valor mínimo

(1) el correspondiente a una competencia limitada en la mayoría de las

industrias, y el valor máximo (7) el asociado a una competencia intensa en la

mayoría de las industrias.

- Sofisticación de los compradores.

La sofisticación de los compradores en un país o región se identifica con sus

motivaciones a la hora de tomar una decisión de compra. Se considera que los

compradores son poco sofisticados y se les otorga el valor mínimo (1) cuando

sus decisiones de compra están basadas únicamente en el precio, y se asocia

el valor máximo (7) a decisiones de compra basadas en un análisis sofisticado

de los atributos de desempeño.

- Cantidad de los proveedores locales.

Mide la cantidad de proveedores locales en un país. El valor mínimo (1) se

asocia a la casi inexistencia de proveedores locales y el valor máximo (7) a

proveedores locales numerosos y que abarcan los materiales, componentes y

servicios más importantes.


222

- Calidad de los proveedores locales.

Indica el grado de calidad de los proveedores locales, correspondiendo el

valor mínimo (1) a una calidad muy deficiente y el valor máximo (7) a muy

buena.

- Estado de desarrollo de los Clusters.

Previamente a la pregunta se aclara que se denomina cluster a las

concentraciones de empresas, proveedores, productores de bienes y servicios

afines y de instituciones especializadas en un sector determinado, en un mismo

país o región. Se mencionan ejemplos de clusters para orientar al encuestado,

como el de la Tecnología de la Información en Silicon Valley, el de productos

de cuero y calzado en Italia y el de electrónica de consumo en Japón.

La pregunta que se realiza es: Clusters fuertes y muy arraigados están

ampliamente extendidos en toda la economía. El valor mínimo (1)

correspondería a “Estoy en total desacuerdo”, y el valor máximo (7)

correspondería a “Estoy en total acuerdo”, correspondiendo por tanto a un

mayor grado de clusterización del país.

- Disponibilidad local de equipos de procesamiento.

Explica cómo se produce la obtención de equipos y maquinaria específicos

de procesamiento para un determinado sector industrial. El valor mínimo (1)

correspondería a una obtención casi siempre a través de importación y el valor

máximo (7) se obtiene cuando estos equipos y maquinarias están casi siempre


223

disponibles en el mercado local, gracias a que existen proveedores

competentes.

- Disponibilidad local de servicios de investigación y formación.

Indica si los servicios de investigación y capacitación en un país están

disponibles, siendo el valor mínimo (1) el asociado a la no disponibilidad, y el

valor máximo (7) el correspondiente a disponibilidad de estos servicios en

instituciones locales de carácter internacional.

- Naturaleza de la ventaja competitiva.

Explica a qué se debe la competitividad de las empresas de un país en los

mercados internacionales. El valor mínimo (1) correspondería a los casos en

los que la competitividad se debe a bajos precios o recursos naturales locales,

y el valor máximo (7) a los casos en los que la ventaja competitiva de las

empresas se basa en sus productos y procesos únicos.

- Presencia completa de la cadena de valor.

Esta variable mide si las empresas exportadoras de un país participan

principalmente en algún paso de la cadena de valor (por ejemplo, en la

extracción o producción de recursos), o si por el contrario están presentes en

toda la cadena de valor, es decir, no sólo producen sino que también realizan el

diseño del producto, marketing, ventas y logística y prestan servicios de

postventa. El primer caso estaría asociado al valor mínimo (1) y el segundo al

valor máximo (7).


224

- Capacidad de Innovación.

Mide la forma de las empresas para obtener nuevas tecnologías siendo el

valor mínimo (1) el asociado la obtención a través de licencias o imitando a

empresas del exterior, y el valor máximo (7) el que indica que las empresas

llevan a cabo investigaciones formales y desarrollan sus propios productos y

procesos.

- Sofisticación de los procesos productivos.

Indica el tipo de métodos que se utilizan en los procesos de producción. El

valor mínimo (1) correspondería a métodos intensivos en mano de obra o

antiguas generaciones de tecnología de procesamiento, y el valor máximo (7)

se otorgaría cuando los procesos de producción utilizan la mejor y más

eficiente tecnología de procesamiento del mundo.

- Control de la distribución internacional.

Explica si la comercialización y distribución desde un país al exterior se

produce a través de empresas extranjeras o si por el contrario está controlada

por empresas locales. En el primer caso el valor asociado sería el mínimo (1), y

en el segundo el máximo (7).

- Exportaciones regionales.

Indica el volumen y tendencia de las exportaciones a países vecinos, siendo

el valor mínimo (1) el correspondiente a exportaciones limitadas y el valor

máximo (7) el correspondiente a exportaciones cuantiosas y en aumento a los

países vecinos.


225

- Exportaciones internacionales

Mide el alcance internacional de las exportaciones, indicando el valor mínimo

(1) que las empresas exportadoras venden principalmente en unos pocos

mercados del exterior, y el valor máximo (7) que las empresas exportadoras

venden prácticamente en todos los mercados internacionales.

- Región.

Se ha introducido una nueva variable, que es la de Región. Esta variable

clasifica los 137 países y Cataluña según su región de pertenencia6. Las

regiones en las que se ha clasificado a los países son 7:

Región Países incluidos

1 UE 15 2 Resto Europa 3 Norteamérica 4 Resto América y Caribe 5 Asia 6 Oceanía 7 África

El motivo de introducir esta variable en el análisis es que nos dará una visión

geográfica de la fortaleza o debilidad de algunas de las otras variables

estudiadas según las grandes regiones mundiales. Hay que señalar que dado

que la variable “región” no es cuantitativa, no se puede incluir en algunos de los

análisis que se realizarán, como los estadísticos descriptivos o las pruebas de

normalidad.

6 Cataluña estaría incluida en la región UE 15.


226

El Cuadro 5.1 que se muestra a continuación contiene un resumen de las

variables definidas exceptuando la variable Región, ya que no se le asignan

valores numéricos.

Cuadro 5.1.

Resumen de las principales variables incluidas en el análisis

Intensidad de la competencia local

Intensidad de la competencia en el mercado local en la mayoría de las industrias Limitada Intensa

Sofisticación de compradoresCriterio para la toma de decisiones de compra de los compradores Sólo el precio

Análisis sofisticado de atributos

Cantidad de proveedores locales Cantidad de proveedores locales Casi inexistentes NumerososCalidad de los proveedores locales Calidad de proveedores locales Muy deficiente Muy buenaEstado de desarrollo de los clusters

Existencia de clusters fuertes y arraigados en la economía

Estoy en total desacuerdo

Estoy en total acuerdo

Disponibilidad local de equipos de procesamiento

Procedencia de los equipos y maquinarias de procesamiento De fuera del país Del mercado local

Disponibilidad local de servicios de investigación y formación

Disponibilidad de servicios de investigación y formación en instituciones locales de nivel internacional No disponibles Disponibles

Naturaleza de la ventaja competitiva

Base de la competitividad de las empresas del país en los mercados internacionales

Bajos precios o recursos naturales

Productos y procesos únicos

Presencia global en la cadena de valor

Las empresas exportadoras del país participan principalmente en algún paso de la cadena de valor o en todos En alguno En todos

Capacidad de innovaciónMétodos de obtención de tecnología por parte de las empresas

Por licencias o imitación

Por desarrollo e investigación propia

Sofisticación de los procesos productivos

Métodos que se utilizan en los procesos de producción

Intensivos en mano de obra o tecnología antigua

Las mejores y más eficientes tecnologías

Control local de distribución internacional

Tipo de empresas que controlan la comercialización y distribución al exterior

De capital no local Empresas locales

Exportaciones regionales Nivel de exportaciones a los países vecinos LimitadasCuantiosas y en aumento

Exportaciones internacionalesnúmero de mercados del exterior a los que venden las empresas del país Pocos

Prácticamente a todos

1 ------------------------------- 7VALOR

VARIABLE DESCRIPCIÓN

Fuente : elaboración propia a partir de la Encuesta Ejecutiva de Opinión del Foro Económico Mundial.


227

5.2. Análisis descriptivo de las variables

En primer lugar se va a realizar un análisis descriptivo de las variables

seleccionadas, con el objeto de obtener un mejor entendimiento de las mismas,

así como de verificar que se dan las condiciones adecuadas para la aplicación

de distintas técnicas estadísticas sobre estas variables en los próximos

apartados.

Con este objeto se incluyen en el análisis descriptivo los estadísticos básicos

de cada variable (como los valores mínimos y máximos, la media y la

desviación típica), diagramas de cajas para comprobar los valores medios y

dispersión de cada variable y pruebas de normalidad.

5.2.1. Estadísticos básicos

El Cuadro 5.2 que se muestra a continuación contiene los estadísticos

básicos para cada una de las principales variables, incluyendo valores mínimos

y máximos, medias y desviaciones típicas. La variable “región” no se incluye al

no ser cuantitativa.


228

Cuadro 5.2

Estadísticos descriptivos

Variable N Mínimo Máximo Media Desv. típ.

Intensidad de la competencia local 137 2,50 6,32 4,81 0,74

Sofisticación de compradores 137 1,96 5,72 3,83 0,96

Cantidad de proveedores locales 137 3,00 6,29 4,68 0,70

Calidad de los proveedores locales 137 2,17 6,52 4,46 0,88

Estado de desarrollo de los clusters 137 1,85 5,66 3,57 0,76

Disponibilidad local de equipos de procesamiento 137 1,40 5,99 2,92 1,01

Disponibilidad local de servicios de investigación y formación 137 2,18 5,99 3,94 0,95

Naturaleza de la ventaja competitiva 137 2,13 6,27 3,69 1,00

Presencia global en la cadena de valor 137 2,09 6,27 3,76 1,05

Capacidad de innovación 137 1,91 6,08 3,39 0,99

Sofisticación de los procesos productivos 137 2,01 6,28 3,79 1,09

Control local de distribución internacional 137 2,45 5,48 4,06 0,66

Presencia regional de exportaciones 137 2,00 6,73 4,40 1,12

Presencia internacional de exportaciones 137 1,81 6,78 3,72 1,24

N válido (según lista) 137

Fuente : Elaboración propia.

Se puede observar que los valores mínimos oscilan entre un 1,40 en el caso

de la "disponibilidad local de equipos de procesamiento", y un 3,0 para la

variable "cantidad de proveedores locales". Los valores máximos presentan

una menor dispersión y van desde un 5,48 para la variable "control local de la


229

distribución internacional" hasta un 6,78 en el caso de la "presencia

internacional de exportaciones". Esta variable es la que obtiene una desviación

típica mayor (1,23).

En el caso de las medias también hay diferencias significativas entre las

variables. Así, mientras la "disponibilidad local de equipos de procesamiento"

tiene un valor medio de 2,92 (el único por debajo de 3), la media sube hasta

4,81 en el caso de la "intensidad de la competencia local".

La variable "estado de desarrollo de los clusters" presenta unos valores

relativamente bajos en comparación al resto de variables, tanto en lo que se

refiere al valor mínimo (1,85), máximo (5,66) como en la media (3,57).

5.2.2. Diagramas de cajas

Un análisis con Diagramas de cajas permite ver los valores medios y

dispersión de los mismos de forma gráfica:


230

Figura 5.1

Diagrama de Cajas de las variables

En el diagrama de cajas se aprecian los efectos comentados con

anterioridad: los menores valores que obtiene la variable "disponibilidad local

de equipos de procesamiento" seguida por la variable de "capacidad de

innovación". Se observa también la mayor dispersión de las dos variables

relativas a la presencia de las exportaciones, tanto regional como internacional.

La variable de "estado de desarrollo de los clusters" presenta unos valores en

general bajos pero bastante agrupados. Existe un valor especialmente alto, que


231

es el de Taiwán que se explica porque en este país los clusters están muy

desarrollados (Taiwan obtiene un valor de 5,66 en la variable “estado de

desarrollo de los clusters”). También presenta valores extremos, aunque en el

rango bajo, la variable de la "intensidad de la competencia local", en este caso

en Angola ya que en este país la competencia es muy limitada en la mayoría

de las industrias.

Otros valores dignos de mención son los de Alemania y Japón en términos de

"disponibilidad local de equipos de procesamiento", ya que ambos países

destacan por su capacidad como proveedores de equipos. En la variable

"naturaleza de la ventaja competitiva", que es otra de las que presenta valores

relativamente bajos en general, un grupo de países obtienen valores

especialmente altos: se trata de Suiza, Japón, Dinamarca, Holanda, Reino

Unido, Francia e Israel. Estos países compiten principalmente en base a

estrategias de calidad y de ahí la diferencia de valoración frente a la media.

También es destacable la posición de algunos países, en este caso Suecia,

Suiza, Japón, Alemania y Finlandia en cuanto a la "capacidad de innovación".

Este grupo de países se sitúan como mucho más innovadores que el resto y

destacan frente a una media en general baja.

5.2.3. Pruebas de normalidad: Kolmogorov-Smirnov e histogramas

Se ha realizado la prueba de Kolmogorov-Smirnov para estudiar la normalidad

de las variables. Los resultados se pueden observar en el Cuadro 5.3.


232

Cuadro 5.3

Pruebas de normalidad

Kolmogorov-Smirnov(a) Shapiro-Wilk

Estadístico gl Sig. Estadístico gl Sig. Intensidad de la competencia local ,058 137 ,200(*) ,984 137 ,113

Sofisticación de compradores ,084 137 ,019 ,961 137 ,001

Cantidad de proveedores locales ,048 137 ,200(*) ,993 137 ,747

Calidad de los proveedores locales ,065 137 ,200(*) ,987 137 ,234

Estado de desarrollo de los clusters ,078 137 ,039 ,988 137 ,272

Disponibilidad local de equipos de procesamientp ,082 137 ,024 ,943 137 ,000


,060 137 ,200(*) ,973 137 ,007

Naturaleza de la ventaja competitiva ,164 137 ,000 ,878 137 ,000

Presencia global en la cadena d evalor ,097 137 ,003 ,934 137 ,000

Capacidad de innovación ,161 137 ,000 ,899 137 ,000Sofisticación de los procesos productivos ,098 137 ,003 ,945 137 ,000

Control local de distribución internacional ,055 137 ,200(*) ,985 137 ,135

Presencia regional de exportaciones ,070 137 ,096 ,977 137 ,021

Presencia internacional de exportaciones ,111 137 ,000 ,941 137 ,000

* Este es un límite inferior de la significación verdadera.

a Corrección de la significación de Lilliefors

Los grados de significación obtenidos para algunas variables son bastante

altos. En general, se acepta para la mayoría de las variables la normalidad; sin

embargo, hay algunas variables para las que esto no se cumple, entre otras

para: la "naturaleza de la ventaja competitiva", la "capacidad de innovación", la

"presencia internacional de exportaciones", la "presencia global de la cadena

de valor" y la "sofisticación de los procesos productivos". Para estas variables,


233

tal y como puede observarse en el Cuadro 5.3, los grados de significación

obtenidos son bajos, por lo que se van a estudiar en primer lugar y con más

detalle los histogramas de estas variables.

Histogramas

Los histogramas muestran de forma gráfica las distribuciones de las

observaciones en cada una de las variables. Se muestran en primer lugar las

cinco variables mencionadas en el punto anterior para las que se obtenían

grados de significación bajos en las pruebas de normalidad, de hecho, en la

distribución de sus observaciones es apreciable cómo se alejan de la línea que

marca la distribución normal.

En la variable "naturaleza de la ventaja competitiva" las observaciones se

agrupan en torno al valor 3; no obstante, entre los valores 5 y 6 existe de nuevo

un grupo significativo de países.

En el caso de la "capacidad de innovación", un grupo muy significativo de

países obtiene valores entre 2 y 3, desplazándose a la izquierda de la media.

Un efecto parecido se produce en la distribución de las variables "presencia

internacional de exportaciones", "presencia global de la cadena de valor" y

"sofisticación de los procesos productivos", que se muestran a continuación.

En los tres casos, además de agruparse numerosas observaciones por debajo

de la media, existen grupos significativos de observaciones de valor

relativamente alto.


234

Figura 5.2

Histogramas

Figura 5.2


235

Figura 5.2

Histogramas

Como se observa en sus histogramas, el resto de las variables siguen una

distribución más ajustada a la distribución normal.

En el histograma de la variable "sofisticación de los compradores" se puede

destacar el elevado número de respuestas que se obtienen para los valores

entre 5 y 6 pero también se asemeja a la curva normal.


236

Figura 5.3

Histogramas (segunda parte).


237

El histograma de la variable "disponibilidad local de equipos de

procesamiento", aunque se asemeja a la curva de normalidad, presenta un alto

número de observaciones alrededor del valor 2.

Aunque la "disponibilidad local de servicios de investigación y formación"

también presenta un histograma bastante parecido a la curva normal, destacan

un elevado número de observaciones cercanos al valor 3, así como en los

valores más altos de esta variable, cercanos al 6.

Finalmente, la variable "presencia regional de exportaciones" presenta varias

peculiaridades en su histograma: se da un número bajo de observaciones en

torno al valor medio, habiendo un repunte bastante elevado entre los valores 5

y 6 que finalmente desciende de forma brusca casi al final.


238

Figura 5.4

Histogramas (tercera parte)


239

Figura 5.4

Histogramas (tercera parte)

En general, con los histogramas se observa más claramente cómo las

observaciones en la mayoría de las variables siguen una distribución parecida

a la de la normal, aunque hay cinco variables7 cuya distribución de

observaciones es más anómala, pero que también se consideran aptas para

los exámenes posteriores. Esto confirma los datos obtenidos en las pruebas de

Kolmogorov-Smifnov.

En este apartado se han descrito las variables que se van a utilizar,

analizando sus estadísticos básicos y sus condiciones de normalidad, como

punto de partida para el estudio estadístico que se realiza a continuación, en el

7 Las variables son: "naturaleza de la ventaja competitiva", "capacidad de innovación", "presencia internacional de exportaciones", "presencia global en la cadena de valor" y "sofisticación de los procesos productivos".


240

que se van a analizar las relaciones entre las variables. La normalidad de las

variables permitirá aplicar técnicas paramétricas como por ejemplo el ANOVA.

5.3. Obtención de variables categorizadas mediante un análisis cluster

Una vez definidas las variables de forma individual y analizados sus

estadísticos básicos y condiciones de normalidad, se van a tratar de establecer

relaciones entre las variables. Sobre todo, se pretende estudiar cómo se

relaciona la variable "estado de desarrollo de los clusters" con cada una de las

otras variables y con cuáles de ellas existe una relación más clara. Para ello

procederemos a categorizar las variables anteriores, es decir, transformar las

variables de naturaleza cuantitativa en variables de naturaleza cualitativa, con

objeto de poder aplicar de forma más consistente un análisis de asociación o

contingencia, así como un análisis de correspondencias múltiples, los cuales

sólo tienen sentido para variables cualitativas.

Para facilitar la categorización de las variables de partida se va a realizar un

análisis cluster. El análisis cluster permitirá recodificar cada variable en cuatro

valores, de manera que todas las observaciones que hay para cada variable

queden asociadas a uno de los cuatro grupos resultantes. Por tanto, una vez

realizado el análisis cluster, las nuevas variables recodificadas sólo podrán

tomar los valores 1,2,3 ó 4. Se trata de que los valores sean lo más

homogéneos posible dentro de cada grupo y lo más diferentes posible con el

resto de los grupos.


241

Con estas variables recodificadas de naturaleza, por lo tanto, cualitativa se

podrán realizar más facilmente análisis que midan las asociaciones entre

variables, como el análisis de contingencia y el análisis de correspondencias

múltiples.

Los pasos que se van a dar en este apartado son:

Realizar una análisis cluster para recodificar cada una de las variables

en una variable nueva que sólo pueda tomar los valores 1, 2, 3 ó 4, de

tal manera que todas las observaciones para cada variable se

reconduzcan a cuatro grupos.

Comprobar cómo se distribuyen las observaciones en los grupos

creados dentro de cada variable. Para ello se realizará un estudio de la

distribución de frecuencias de las nuevas variables recodificadas o

categorizadas.

Comprobar que los grupos establecidos son diferentes entre sí y que por

tanto tiene sentido la recodificación que se ha hecho. Esto se

comprobará realizando un análisis de la varianza para cada variable

(Anova de un factor).

Analizar si existen relaciones entre la variable “estado de desarrollo de

los clusters” y cada una de las otras variables. Para ello se realizarán

tablas de contingencia entre cada una de las variables recodificadas y la

variable “estado de desarrollo de los clusters” recodificada.


242

Analizar las relaciones que existen entre todas las variables. Para ello

se realizará un análisis de correspondencias múltiples entre todas las

variables recodificadas.

5.3.1. Nuevas variables categorizadas

Para obtener las nuevas variables recodificadas se realiza un análisis cluster,

como se ha explicado con anterioridad, para cada una de ellas. Las nuevas

variables recodificadas sólo pueden tomar los valores 1,2,3 ó 4, así que todas

las observaciones se asignan a uno de los cuatro grupos en función de su

valor, y se ordenan los grupos de tal manera que el grupo 1 contiene las

observaciones con valores más bajos y el grupo 4 las observaciones con

valores más altos.

5.3.2. Distribución de frecuencias de variables categorizadas

Una vez que se han obtenido las variables recodificadas, se realiza un

análisis de frecuencias de cada una de ellas, con el objeto de observar cómo

se distribuyen las observaciones por grupos. Se van a comentar los aspectos

más significativos de cada variable.

1. Estado de desarrollo de los clusters

Para esta variable se ha realizado un análisis más detallado, ya que se trata

de la variable central del estudio. Por esa razón, además de la distribución de


243

frecuencias se han desarrollado gráficos de barras y un cuadro con los países

comprendidos en cada uno de los cuatro grupos.

La distribución de frecuencias para la variable categorizada correspondiente

al “estado de desarrollo de los clusters” muestra como las observaciones se

distribuyen de modo bastante homogéneo en los grupos 1, 3 y 4. Sin embargo,

el grupo 2 contiene más de un 42% de las observaciones. El cuadro 5.4.

también muestra el rango de las observaciones en cada uno de los grupos,

así como la media y desviación típica en cada grupo. Como puede observarse,

el grupo 4 al que pertenecen las observaciones de los países con valores más

altos y, por tanto, con un mayor grado de desarrollo de los clusters no alcanza

valores excesivamente altos, estando su rango entre un mínimo de 4,44 y un

máximo de 5,66.

Cuadro 5.4

Estado de desarrollo de los clusters categorizado

Cluster Frecuencia PorcentajePorcentaje acumulado Rango Media

Desviación típica

1 28 20,3 20,3 1,85-2,95 2,56 0,282 59 42,8 63,0 2,98-3,69 3,36 0,23 27 19,6 82,6 3,74-4,34 4,03 0,194 24 17,4 100,0 4,44-5,66 4,77 0,29

Total 138 100,0

El gráfico de barras nos permite observar más claramente esta mayor

concentración de observaciones en el grupo 2.


244

Figura 5.5

Estado desarrollo de los clusters categorizado4321

Fre

cue

nc

ia

60

50

40

30

20

10

0

Estado desarrollo de los clusters categorizado

El Cuadro 5.5 muestra los países incluidos en cada grupo. Tanto España

como Cataluña quedan incluidos en el grupo 3, en el que el rango de valores va

de 3,74 a 4,48. Este grupo tienen un reparto bastante heterogéneo de regiones

ya que junto a algunos países europeos se incluyen otros de Asia, Oceanía y

varios de Resto de América, como Brasil, Panamá o Puerto Rico.

El Grupo 4, que contiene aquellos países en los que los clusters están más

desarrollados, está formado por el resto de países de EU 15, y otros de la

región asiática, como Taiwan, Indonesia, Malasia o Singapur, con reconocidas

formaciones de clusters. También se sitúan en este grupo Estados Unidos e

India. La mayoría de los países africanos y de América Central y del Sur se

encuentran incluídos en los grupos 1 y 2.


245

Cuadro 5.5.

Distribución de países según la variable "estado de desarrollo de los clusters" categorizada

GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4

Angola Albania Arabia Saudí AlemaniaArgelia Argentina Australia AustriaArmenia Azerbayán Bélgica Canadá Bahamas Bahrain Brasil Corea. Benin Bangladesh Cataluña DinamarcaBielorusia Barbados China Emiratos Arabes Unidos

Bosnia y Herzegovina Bolivia Chipre Estados UnidosBulgaria Botswana Eslovenia Finlandia Burkina Faso Brunei España Holanda Burundi Camboya Francia Hong Kong SAR Camerún Colombia Irlanda Hungría Chad Costa Rica Islandia India Georgia Croacia Israel IndonesiaGuyana Chile Luxemburgo ItaliaLibia Ecuador Nigeria Japón Macedonia, FYR Egipto Noruega Kuwait Malawi El Salvador Omán Malasia Mali Estonia Panamá Reino Unido Moldavia Etiopía Puerto Rico RumaniaMongolia Filipinas Qatar Singapur Montenegro Gambia República Checa SueciaMozambique Ghana Sri Lanka Suiza Namibia Grecia Sudáfrica Taiwan Paraguay Guatemala Tailandia VietnamRepública Kirguistán Honduras TúnezSuriname Jamaica Turquía

Tajikistan Jordania UzbekistanZimbabwe Kazastán

Kenia Latvia Lesotho Lituania Madagascar Malta Marruecos Mauricio Mauritania Mexico Nepal Nicaragua Nueva ZelandaPakistán

Perú Polonia Portugal

República DominicanaRepública EslovacaRusia Senegal Serbia Siria Tanzania Timor-LesteTrinidad y Tobago

Ucrania Uganda Uruguay Venezuela Zambia



246

2. Disponibilidad local de maquinaria de procesamiento

En este caso, aunque se repite la menor frecuencia del valor 4, al igual que

en el caso de la variable cluster, el resto de valores se distribuyen de forma

ligeramente diferente. Más del 75% de las observaciones toman el valor 1 o 2,

y el valor máximo está por debajo de 6. Esto muestra en general poca

disponibilidad de equipos de procesamiento en la media de los países

estudiados. Las observaciones correspondientes a España y Cataluña se

encuentran en el grupo 3.

Cuadro 5.6

Disponibilidad local de equipos de procesamiento categorizada


Desviación típica

1 54 39,1 39,1 1,4 - 2,46 1,976 0,2792 50 36,2 75,4 2,48 - 3,49 2,967 0,2963 22 15,9 91,3 3,66 - 4,44 4,016 0,2294 12 8,7 100,0 4,67 - 5,99 5,048 0,442

Total 138 100,0

3. Cantidad de proveedores locales

En el análisis de la variable “cantidad de proveedores locales” se tiene una

distribución más homogénea de observaciones en los cuatro grupos aunque

destaca el grupo con valor 3, que acumula un 34% de las observaciones. La

observación correspondiente a Cataluña estaría incluida en el grupo 3,

mientras que la de España se incluye en el grupo 4, lo que indica una mejor

posición de España en este aspecto en consonancia con los resultados

obtenidos en el Capítulo 4.


247

Cuadro 5.7

Cantidad de proveedores locales categorizada


Desviación típica

1 24 17,4 17,4 3 - 4,01 3,671 0,3102 39 28,3 45,7 4,3 - 4,65 4,392 0,1563 47 34,1 79,7 4,99 - 5,29 4,953 0,1934 28 20,3 100,0 5,32 - 6,29 5,643 0,261

Total 138 100,0

4. Calidad de proveedores locales

En la variable “calidad de proveedores locales” el grupo con más

observaciones es el que obtiene valor de 2. En este caso, sin embargo, las

observaciones tanto de España como de Cataluña se encuentran en el grupo 3,

con puntuaciones prácticamente idénticas.

Cuadro 5.8

Calidad de proveedores locales recodificada


Desviación típica

1 30 21,7 21,7 2,17 - 3,7 3,321 0,3432 51 37,0 58,7 3,76 - 4,51 4,167 0,1633 32 23,2 81,9 4,55 - 5,29 4,904 0,2244 25 18,1 100,0 5,34 - 6,52 5,766 0,322

Total 138 100,0

5. Sofisticación de los compradores

En esta variable de nuevo la distribución de observaciones es bastante

homogénea en todos los grupos, destacando ligeramente el grupo 2 en número

de observaciones. Tanto España como Cataluña pertenecen al grupo 3.


248

Cuadro 5.9

Sofisticación de los compradores categorizada


Desviación típica

1 35 25,4 25,4 1,96 - 3,05 2,663 0,2512 40 29,0 54,3 3,08 - 3,86 3,485 0,2193 36 26,1 80,4 3,91 - 4,73 4,265 0,2594 27 19,6 100,0 4,81 - 5,72 5,311 0,220

Total 138 100,0

6. Intensidad de la competencia local

Los valores que se obtienen para esta variable son bastante altos, estando

casi un 65% de las observaciones en los grupos 3 y 4. Esto refleja que la

mayoría de los países consideran que la intensidad competitiva local es muy

fuerte en la mayoría de las industrias. Esta es la única variable en la que el

valor que obtiene un mayor número de observaciones es el 4. Tanto España

como Cataluña cuentan con una competencia local muy intensa por lo que se

incluyen en el grupo 4.

Cuadro 5.10

Intensidad de la competencia local categorizada


Desviación típica

1 15 10,9 10,9 2,5 - 3,84 3,497 0,3472 34 24,6 35,5 3,9 - 4,5 4,256 0,1853 44 31,9 67,4 4,57 - 5,25 4,873 0,2074 45 32,6 100,0 5,28 - 6,32 5,634 0,256

Total 138 100,0

7. Disponibilidad local de servicios de investigación y formación.

La mayoría de las observaciones se agrupan en los valores menores, lo que

indica en general una baja disponibilidad local de servicios de investigación y


249

formación en los países estudiados. Tan sólo 13 países se encuentran en el

grupo 4, en el que se incluye a las principales economías europeas, así como a

Estados Unidos, Israel y Japón. España y Cataluña obtienen valoraciones

significativamente más bajas en esta variable, lo que los sitúa en el grupo 2.

Cuadro 5.11


categorizada


Desviación típica

1 44 31,9 31,9 2,18 - 3,4 2,905 0,3452 57 41,3 73,2 3,43 - 4,39 3,927 0,2743 24 17,4 90,6 4,45 - 5,33 4,870 0,2474 13 9,4 100,0 5,51 - 5,99 5,786 0,156

Total 138 100,0

8. Naturaleza de la ventaja competitiva

En esta variable la mayoría de las observaciones pertenecen a los grupos 1 y

2, lo que refleja que la ventaja competitiva de la mayoría de los países se basa

en bajos precios o recursos naturales. Los países incluidos en los grupos 3 y 4

basan su ventaja competitiva en productos y procesos únicos, que es el caso

de España y Cataluña que se encuentran en el grupo 3.

Cuadro 5.12

Naturaleza de la ventaja competitiva categorizada


Desviación típica

1 47 34,1 34,1 2,13 - 3,11 2,805 0,2122 47 34,1 68,1 3,15 - 3,8 3,437 0,1693 21 15,2 83,3 3,83 - 4,76 4,181 0,2954 23 16,7 100,0 4,92 - 6,27 5,604 0,383

Total 138 100,0 9. Presencia completa de la cadena de valor


250

Las observaciones se distribuyen de nuevo de forma bastante homogénea,

aunque el grupo correspondiente al valor 1 obtiene el doble de observaciones

que el correspondiente al valor 4. Por tanto, la mayoría de países valoran a la

baja la presencia completa de la cadena de valor. Las observaciones de

Cataluña y España de nuevo se incluyen en el grupo 3.

Cuadro 5.13

Presencia completa de la cadena de valor categorizada


Desviación típica

1 43 31,2 31,2 2,13 - 3,11 2,688 0,2452 37 26,8 58,0 3,15 - 3,8 3,463 0,2193 36 26,1 84,1 3,83 - 4,76 4,210 0,2974 22 15,9 100,0 4,92 - 6,27 5,670 0,385

Total 138 100,0

10. Sofisticación de los procesos productivos

En este caso de nuevo las observaciones se distribuyen de forma

relativamente homogénea, aunque con mayor peso de los grupos 1 y 2.

Cataluña y España se encuentran en el grupo 3 que incluye países que utilizan

métodos de producción basados en tecnologías eficientes.

Cuadro 5.14

Sofisticación de los procesos productivos categorizada


Desviación típica

1 42 30,4 30,4 2,01 - 3,03 2,665 0,2772 42 30,4 60,9 3,04 - 3,89 3,454 0,2503 31 22,5 83,3 3,95 - 4,87 4,378 0,2944 23 16,7 100,0 5,16 - 6,28 5,671 0,352

Total 138 100,0


251

11. Control de la distribución internacional

En esta variable la mayor parte de las observaciones se agrupan en los

valores centrales, pertenecientes a los grupos 2 y 3, como es el caso de

España y Cataluña que se incluyen en el grupo 3.

Cuadro 5.15

Control de la distribución internacional categorizada


Desviación típica

1 20 14,5 14,5 2,45 - 3,38 3,089 0,2262 50 36,2 50,7 3,44 - 4,01 3,910 0,0593 45 32,6 83,3 4,03 - 4,69 4,512 0,1024 23 16,7 100,0 4,72 - 5,48 5,167 0,197

Total 138 100,0

12. Capacidad de innovación

La distribución de frecuencia de esta variable es similar a la de la naturaleza

de la ventaja competitiva ya que las observaciones se concentran sobre todo

en los grupos 1 y 2, lo que indica que la capacidad de innovación de la mayoría

de los países se deriva de licencias o imitación. Frente a esto existe un menor

número de países, incluidos en los grupos 3 y 4 cuya capacidad de innovación

es más amplia y responde a desarrollo e investigación propia, precisamente en

el grupo 3 es donde se incluyen España y Cataluña.


252

Cuadro 5.16

Capacidad de innovación categorizada


Desviación típica

1 48 34,8 34,8 1,91 - 2,86 2,513 0,2262 52 37,7 72,5 2,89 - 3,73 3,226 0,2873 23 16,7 89,1 3,79 - 4,82 4,272 0,3314 15 10,9 100,0 4,96 - 6,08 5,510 0,320

Total 138 100,0

13. Exportaciones regionales

Aunque la mayoría de las observaciones se concentran en los valores

centrales es significativo el alto número de observaciones en el grupo 4. en

esta variable tanto España como Cataluña se incluyen en el grupo 3.

Cuadro 5.17

Exportaciones regionales categorizada


Desviación típica

1 23 16,7 16,7 2 - 3,24 2,793 0,3582 42 30,4 47,1 3,27 - 4,23 3,962 0,1613 37 26,8 73,9 4,3 - 5,3 4,960 0,2014 36 26,1 100,0 5,37 - 6,73 6,010 0,299

Total 138 100,0

14. Exportaciones internacionales

En este caso se observa una concentración de observaciones mayor en los

grupos 1 y 2 lo que indica que la mayoría de los países exportan a un número

limitado de mercados del exterior. En este caso los resultados obtenidos para

España y Cataluña las incluyen de nuevo en el grupo 3.


253

Cuadro 5.18

Exportaciones internacionales categorizada


Desviación típica

1 42 33,3 33,3 1,81 - 2,92 2,468 0,2982 46 30,4 63,8 2,96 - 3,94 3,421 0,3033 27 19,6 83,3 4,03 - 5,13 4,565 0,3734 23 16,7 100,0 5,23 - 6,78 5,792 0,427

Total 138 100,0

15. Región

Este cuadro muestra el número de países que se agrupan dentro de cada

región, predominando Asia, seguida por África. Sólo tres países pertenecen al

grupo de América del Norte, pero se ha separado del resto de América debido

a la gran diferencia en términos de competitividad entre ambos grupos de

países. España y Cataluña pertenecen al grupo UE 15.

Cuadro 5.19

Región

Frecuencia PorcentajePorcentaje

válidoPorcentaje acumulado

Válidos UE 15 16 11,6 11,6 11,6Resto Europa 24 17,4 17,4 29América del Norte 3 2,2 2,2 31,2Resto América 24 17,4 17,4 48,6Asia 38 27,5 27,5 76,1Oceanía 2 1,4 1,4 77,5Africa 31 22,5 22,5 100Total 138 100 100

En este apartado se ha realizado un análisis de la distribución de frecuencias

de las variables categorizadas que ha permitido comprobar cómo se distribuyen

las observaciones y, por tanto, los países y la región catalana en cada uno de


254

los cuatro grupos que se han formado en cada variable. De este modo se ha

podido comprobar que las observaciones correspondientes tanto a España

como a Cataluña para las distintas variables suelen estar incluidas en el grupo

3, con gran parte de los países desarrollados, aunque en una variable el valor

de ambas observaciones ha estado en el grupo 4 ( en el caso de la "intensidad

de la competencia"), en otra en el grupo 2 ( en el caso de la "disponibilidad de

maquinaria local") y en la variable “cantidad de proveedores locales” España

está en el grupo 4 y Cataluña en el grupo 3.

Para verificar que el análisis de conglomerados o cluster que se ha hecho es

correcto, es decir, ver si existen diferencias significativas entre los cuatro

grupos se van a realizar a continuación el ANOVA y las pruebas post-hoc.

5.3.3. Anova y pruebas post-hoc

El ANOVA y las pruebas post-hoc permiten verificar que el análisis de

conglomerados que se ha realizado para las distintas variables es correcto, en

el sentido de que existen diferencias significativas entre los cuatro grupos

considerados.

En el ANOVA la hipótesis nula con la que se trabaja es que las medias

entre los distintos grupos son iguales. Los resultados obtenidos en cuanto a

significación permitirán o no rechazar la hipótesis nula. En caso de significación

cercana a cero, se rechazaría la hipótesis nula y por tanto se podría concluir

que las medias de todos los grupos no son iguales sino que al menos dos


255

grupos son significativamente diferentes, pudiendo haber grupos similares.

Para comprobarlo se van a realizar además los test de HDS de Tukey y Waller-

Duncan, que muestran si hay diferencias entre los grupos resultantes del

análisis cluster.

La tabla que se muestra a continuación contiene los resultados del ANOVA y

las pruebas de HDS de Tukey y Waller-Duncan para todas las variables. Para

todas ellas el grado de significación resultante en el ANOVA permite rechazar

la hipótesis nula, lo que confirma que al menos existe un grupo diferente al

resto. Además, los resultados de las pruebas de HDS de Tukey y Waller-

Duncan muestran que existen diferencias entre los cuatro grupos para todas

las variables. Por lo tanto, el análisis de conglomerados llevado a cabo es

adecuado al encontrar cuatro grupos significativamente diferentes para cada

una de las variables consideradas.


256

Cuadro 5.20

ANOVA y pruebas post-hoc para las variables categorizadas

ANOVA R-value

1 2 3 4 3,4967

4,2559 4,8734

Tukey HSD

5,6340 3,4967

4,2559 4,8734

Intensidad de la competencia local

,000

Waller-Duncan

5,6340

ANOVA R-value

1 2 3 4 2,6629

3,4851 4,2643

Tukey HSD

5,3102 2,6629

3,4851 4,2643

Sofisticación de los compradores

,000

Waller-Duncan

5,3102

ANOVA R-value

1 2 3 4 3,6710

4,3914 4,9534

Tukey HSD

5,6427 3,6710

4,3914 4,9534

Cantidad de proveedores locales

,000

Waller-Duncan

5,6427

ANOVA R-value

1 2 3 4 3,3214

4,1665 4,9035

Tukey HSD

5,7654 3,3214

4,1665 4,9035

Calidad de proveedores locales

,000

Waller-Duncan

5,7654 Fuente: Elaboración propia.


257

Cuadro 5.20


ANOVA R-value

1 2 3 4 2,5615

3,3638 4,0380

Tukey HSD

4,7704 2,5615

3,3638 4,0380

Estado de desarrollo de los clusters

,000

Waller-Duncan

4,7704

ANOVA R-value

1 2 3 4 1,9762

2,9662 4,0159

Tukey HSD

5,0464 1,9762

2,9662 4,0159

Disponibilidad local de equipos de procesamiento

,000

Waller-Duncan

5,0464

ANOVA R-value

1 2 3 4 2,9042

3,9275 4,8697

Tukey HSD

5,7862 2,9042

3,9275 4,8697

Disponibilidad local de servicios de investigación y formación ,000

Waller-Duncan

5,7862

ANOVA R-value

1 2 3 4 2,8048

3,4365 4,1809

Tukey HSD

5,6026 2,8048

3,4365 4,1809


,000

Waller-Duncan

5,6026

ANOVA R-value

1 2 3 4 2,6882

3,4626 4,2100

Tukey HSD

5,6694 2,6882

3,4626 4,2100

Presencia global de la cadena de valor

,000

Waller-Duncan



258

Cuadro 5.20


ANOVA R-value

1 2 3 4 2,5127

3,2265 4,2726

Tukey HSD

5,5098 2,5127

3,2265 4,2726

Capacidad de innovación

,000

Waller-Duncan

5,5098

ANOVA R-value

1 2 3 4 2,6650

3,4643 4,3937

Tukey HSD

5,6722 2,6650

3,4643 4,3937

Sofisticación de los procesos productivos

,000

Waller-Duncan

5,6722

ANOVA R-value

1 2 3 4 3,0886

3,7242 4,3253

Tukey HSD

5,1119 3,0886

3,7242 4,3253

Control local de distribución internacional

,000

Waller-Duncan

5,1119

ANOVA R-value

1 2 3 4 2,7935

3,7348 4,7914

Tukey HSD

5,8169 2,7935

3,7348 4,7914

Presencia regional de exportaciones

,000

Waller-Duncan

5,8169

ANOVA R-value

1 2 3 4 2,4680

3,4210 4,5652

Tukey HSD

5,7917 2,4680

3,4210 4,5652

Presencia internacional de exportaciones

,000

Waller-Duncan



259

Las pruebas de HDS de Tukey y Waller-Duncan proporcionan además los

valores medios que toman las distintas variables en cada uno de los cuatro

grupos y permiten comprobar si existe cierta uniformidad entre ellas: es decir,

si por ejemplo los valores medios para el grupo 1 son parecidos en todas las

variables. Los resultados indican que no se da una uniformidad clara. Por

ejemplo, el valor medio para el grupo 1 en la variable cantidad de proveedores

locales es 3,6710 y para la variable disponibilidad local de equipos de

procesamiento dicho valor es de 1,9762.

5.4. Análisis de asociaciones entre variables dos a dos mediante tablas

de contingencia

Una vez que se ha comprobado que la categorización de las variables

realizada mediante el análisis cluster es correcta, tal y como han demostrado el

ANOVA y las pruebas post-hoc, se va a estudiar la existencia de asociaciones

entre variables categorizadas dos a dos. Para ello se va a realizar un análisis

mediante tablas de contingencia.

Dado que el objetivo de esta tesis es demostrar la influencia de los clusters

en la competitividad de países y regiones y analizar a través de qué

mecanismos y variables se produce dicha influencia, en este análisis una de

las variables va a ser siempre la de "estado de desarrollo de los clusters" que

se irá relacionando con cada una de las demás variables consideradas.

Dentro de este apartado se va a:


260

En primer lugar, exponer las tablas resumen con el recuento del

número de observaciones cruzando las dos variables recodificadas.

Este tipo de tablas permitirán ver cómo se distribuyen las

observaciones de cada variable en cada uno de los cuatro grupos,

pero en relación a los grupos que se han formado para la variable de

"estado de desarrollo de los clusters". Las tablas incluirán también los

residuos8 resultantes para cada dos grupos lo que aportará

información sobre el grado de asociación de los grupos.

En segundo lugar, mostrar los gráficos de barras para cada una de las

variables para poder observar de forma más clara la posible asociación

existente entre cada variable y la variable "estado de desarrollo de los

clusters".

Finalmente, comprobar que las asociaciones mostradas no se deben al

azar, para lo que se realizará la prueba de Chi-cuadrado de Pearson y

se hallarán las medidas simétricas V de Cramer y Gamma.

5.4.1. Tablas de recuento

Se van a realizar tablas de recuento para todas las variables analizadas

cruzando cada una de ellas con la variable “estado de desarrollo de los

clusters”.

Estas tablas muestran el número de observaciones cruzando las variables

recodificadas de dos en dos y permiten ver cómo se distribuyen las

observaciones de cada variable en cada uno de los cuatro grupos. Las tablas

8 El valor de,los residuos es indicativo del grado de asociación entre los grupos considerados. Residuos de valores mayores o menores a 2 indican un grado e asociación significativa.


261

muestran además los residuos que se obtienen en cada asociación de dos

grupos. Residuos de valor mayor que 2 o menor a 2 indican una asociación

más significativa entre los grupos contemplados.

Los resultados de las tablas de recuento y el tamaño de los residuos

muestran indicio de asociación entre la variable "estado de desarrollo de los

clusters" y el resto de variables analizadas.

Cuadro 5.21.

Tablas de recuento

Intensidad competencia categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Intensidad 1 Recuento 7 8 0 0 15Competencia Residuo 2,3 0,6 -1,7 -1,6categorizada 2 Recuento 16 16 2 0 34

Residuo 3,5 0,4 -1,8 -2,43 Recuento 5 27 8 4 44

Residuo -1,3 1,9 -0,2 -1,34 Recuento 0 8 17 20 45

Residuo -3,0 -2,6 2,8 4,4Total Recuento 28 59 27 24 138

Sofisticación compradores categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Sofisticación 1 Recuento 18 17 0 0 35Compradores Residuo 4,1 0,5 -2,6 -2,5categorizada 2 Recuento 10 24 4 2 40


Residuo -2,7 0,4 2,6 -0,54 Recuento 0 1 9 17 27




262

Cuadro 5.21.

Tablas de recuento

Naturaleza de la ventaja competitiva categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Naturaleza 1 Recuento 19 25 1 2 47Ventaja Residuo 3,1 1,1 -2,7 -2,2Competitiva 2 Recuento 8 26 9 4 47categorizada Residuo -0,5 1,3 -0,1 -1,5

3 Recuento 1 7 9 4 21Residuo -1,6 -0,7 2,4 0,2


Total Recuento 28 59 27 24 138

Capacidad de innovación categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Capacidad 1 Recuento 19 26 2 1 48Innovación Residuo 3,0 1,2 -2,4 -2,5

2 Recuento 8 31 8 5 52Residuo -0,8 1,9 -0,7 -1,3




Cantidad proveedores categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Cantidad 1 Recuento 16 11 0 0 27Proveedores Residuo 4,5 -0,2 -2,3 -2,2categorizada 2 Recuento 10 22 3 2 37




Calidad proveedores categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Calidad 1 Recuento 16 14 0 0 30Proveedores Residuo 4,0 0,3 -2,4 -2,3

2 Recuento 12 29 6 3 50Residuo 0,6 1,6 -1,2 -1,9

3 Recuento 0 14 12 4 30Residuo -2,5 0,3 2,5 -0,5


Total Recuento 28 59 27 24 138 Fuente: Elaboración propia.


263

Cuadro 5.21.

Tablas de recuento

Disponibilidad local de equipos de procesamiento categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Disponibilidad 1 Recuento 21 31 2 0 54Local Equipos Residuo 3,0 1,6 -2,6 -3,1Procesamiento 2 Recuento 6 25 13 6 50categorizada Residuo -1,3 0,8 1,0 -0,9


4 Recuento 0 0 1 11 12Residuo -1,6 -2,3 -0,9 6,2


Disponibilidad local de servicios de investigación y formación categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Disponibilidad local 1 Recuento 23 21 0 0 44Servicios Residuo 4,7 0,5 -2,9 -2,8Investigación 2 Recuento 5 33 14 5 57Formación Residuo -1,9 1,7 0,9 -1,6categorizada 3 Recuento 0 5 10 9 24

Residuo -2,2 -1,6 2,4 2,44 Recuento 0 0 3 10 13


Presencia global de la cadena de valor categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Presencia global 1 Recuento 21 22 0 0 43Cadena de valor Residuo 4,2 0,8 -2,9 -2,7categorizada 2 Recuento 6 21 6 4 37




Sofisticación de los procesos productivos Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Sofisticación 1 Recuento 21 20 1 0 42Procesos Residuo 4,3 0,5 -2,5 -2,7Productivos 2 Recuento 7 27 5 3 42categorizada Residuo -0,5 2,1 -1,1 -1,6



Total Recuento 28 59 27 24 138 Fuente: Elaboración propia.


264

Cuadro 5.21.

Tablas de recuento

Control local de distribución internacional categorizada Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Control local 1 Recuento 12 7 0 1 20Distribución Residuo 3,9 -0,5 -2,0 -1,3Internacional 2 Recuento 13 33 2 2 50categorizada Residuo 0,9 2,5 -2,5 -2,3

3 Recuento 3 18 20 4 45Residuo -2,0 -0,3 3,8 -1,4



Exportaciones regionales Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Exportaciones 1 Recuento 12 10 1 0 23Regionales Residuo 3,4 0,1 -1,6 -2,0categorizada 2 Recuento 14 23 3 2 42




Exportaciones internacionales Estado desarrollo de los clusters categorizado Total

1 2 3 4 1Exportaciones 1 Recuento 25 21 0 0 46Internacionales Residuo 5,1 0,3 -3,0 -2,8categorizada 2 Recuento 3 32 5 2 42


Residuo -2,3 -1,9 4,7 0,64 Recuento 0 1 6 16 23




265

Cuadro 5.22.

Tablas de recuento

Estado desarrollo de los clusters categorizado Total1 2 3 4

Región UE 15 Recuento 0 2 6 8 16% de Región 0% 12,50% 37,50% 50% 100%% de Estado desarrollo de los clusters categorizado 0% 3,40% 22,20% 33,30% 11,60%Residuos tipificados -1,80 -1,85 1,62 3,13

Resto Europa Recuento 6 11 4 3 24% de Región 25,00% 45,80% 16,70% 12,50% 100%% de Estado desarrollo de los clusters categorizado 21,40% 18,60% 14,80% 12,50% 17,40%Residuos tipificados 0,51 0,23 -0,32 -0,57

América del Norte Recuento 0 1 0 2 3% de Región 0% 33,30% 0% 66,70% 100%% de Estado desarrollo de los clusters categorizado 0% 1,70% 0% 8,30% 2,20%Residuos tipificados -0,78 -0,25 -0,77 2,05

Resto América Recuento 4 17 3 0 24% de Región 16,70% 70,80% 12,50% 0% 100%% de Estado desarrollo de los clusters categorizado 14,30% 28,80% 11,10% 0% 17,40%Residuos tipificados -0,39 2,10 -0,78 -2,04

Asia Recuento 5 12 10 11 38% de Región 13,20% 31,60% 26,30% 28,90% 100%% de Estado desarrollo de los clusters categorizado 17,90% 20,30% 37,00% 45,80% 27,50%Residuos tipificados -0,98 -1,05 0,94 1,71

Oceanía Recuento 0 1 1 0 2% de Región 0% 50% 50% 0% 100%% de Estado desarrollo de los clusters categorizado 0% 1,70% 3,70% 0% 1,40%Residuos tipificados -0,64 0,16 0,97 -0,59

Africa Recuento 13 15 3 0 31% de Región 41,90% 48,40% 9,70% 0% 100%% de Estado desarrollo de los clusters categorizado 46,40% 25,40% 11,10% 0% 22,50%Residuos tipificados 2,68 0,48 -1,24 -2,32

Total Recuento 28 59 27 24 138% de Región 20,30% 42,80% 19,60% 17,40% 100%% de Estado desarrollo de los clusters categorizado 100 100 100 100 100


La variable “región” se ha utilizado este análisis para comprobar cómo se

comporta la existencia de clusters desarrollados regionalmente y tratar de

establecer algunas pautas. Por tanto, se ha realizado una tabla recuento


266

relacionado la variable "estado de desarrollo de los clusters" con la variable

"región".

En cuanto a la distribución de regiones en cada uno de los grupos, tal y como

muestra el cuadro 5.22. , existen algunas asociaciones significativas. En el

caso de los países de UE 15, entre los que están España y la región catalana,

un 50% se incluyen en el grupo 4, siendo la asociación importante, tal y como

demuestra la magnitud de los residuos tipificados (3,1). No existe ningún país

en el grupo 1 y sólo dos en el grupo 2. Las regiones de Resto de Europa y Asia

se distribuyen de forma más homogénea entre los cuatro grupos y los residuos

tipificados no son muy significativos.

En el caso de la región Resto de América, el 70% de los países están en el

grupo 2 y los residuos tipificados (2,1) son significativos en este grupo.

También es de destacar la nula presencia de estos países en el grupo 4, de

mayor desarrollo de los clusters, que además presenta unos residuos negativos

de -2,0. Algo parecido sucede con África en cuanto al grupo 4 (residuos -2,3 y

nula presencia) aunque en este caso los países se distribuyen básicamente

entre los grupos 1 y 2.

5.4.2. Gráficos de barras

A continuación se muestran los gráficos de barras de las variables

analizadas en las tablas de contingencia. Cada uno de los gráficos corresponde

a una de las variables cuyos valores se muestran en el eje horizontal. El color


267

de las barras indica el número de observaciones de cada uno de los 4 grupos

que se producen para la variable "estado de desarrollo de los clusters" en cada

grupo de la variable con la que se relaciona.

Estos gráficos muestran de forma más clara la evidencia de asociación entre

la variable "estado de desarrollo de los clusters" y cada una de las otras

variables incluidas en el análisis. En todos los casos o bien se asocian los

valores más altos de la variable “estado de desarrollo de,los clusters” con los

valores más altos de la otra variable que se considere, o se asocian los valores

más bajos de la variable “estado de desarrollo de los clusters” con los valores

más bajos de la otra variable que se considere o suceden las dos asociaciones

a la vez.


268

Figura 5.6.

Gráficos de barras correspondientes a tablas de contingencia



269

Figura 5.6.




270

Figura 5.6.




271

Figura 5.6.




272

Figura 5.6.


AfricaOceaníaAsiaResto América

América del Norte

Resto europa

EU 15

20

15

10

5

0

4321


Región


En el gráfico de barras de las variables "región" y "estado de desarrollo de los

clusters" se puede observar cómo la región que cuenta con un mayor número


273

de países en los que existen clusters fuertes y desarrollados es Asia, seguida

por UE 15, región en la que se encuentran España y Cataluña. Africa

claramente cuenta con clusters poco desarrollados, ya que la mayoría de las

observaciones de esta región pertenecen a los grupos 1 y 2 de la variable

cluster, y algo parecido ocurre con la región Resto de América, cuyas

observaciones pertenecen básicamente al grupo 2 de la variable cluster. En la

región Resto de Europa la distribución se distribuye e forma más homogénea

entre los cuatro grupos de la variable cluster, lo que indica que en esta región

conviven países con clusters muy desarrollados con otros cuyos clusters son

muy débiles.

5.4.3. Pruebas de Chi-cuadrado de Pearson, V de Cramer y Gamma.

Los resultados obtenidos en cuanto a la asociación de cada una de las

variables con la variable "estado de desarrollo de los clusters" se deben

verificar con las pruebas de Chi-cuadrado de Pearson, V de Cramer y Gamma.

Se han realizado estas pruebas para todas las variables excepto para la

variable “región” por no estar las regiones ordenadas de menor a mayor

desarrollo y no tratarse de una variable ordinal

El valor de la V de Cramer oscila entre 0 y 1 de modo que cuanto más cerca

esté de 1 más intensa es la relación y cuanto más cerca esté de 0 menos

intensa será la asociación entre las dos variables.

Por su parte, el coeficiente Gamma varía entre -1 y 1, indicando mayor


274

intensidad de asociación cuanto más cerca está de los extremos y menor

intensidad cuanto más cerca esté de 0. El signo positivo indica que categorías

bajas de una variable se asocian con categorías bajas de la otra y que

categorías altas se asocian con categorías altas. El signo negativo denota que

categorías bajas de una variable se asocian con categorías altas de la otra y

viceversa.

Los grados de significación obtenidos nos permiten afirmar que existe esa

asociación y los valores que se obtienen en las medidas de Chi-cuadrado de

Pearson, V de Cramer y Gamma son significativos, lo que indica que esta

asociación no se debe al azar. Los valores de Gamma son positivos en todas

las variables. Por lo tanto, al tratarse de una asociación positiva, los valores

altos de la variable cluster se relacionan con valores más altos de cada una de

las variables analizadas y al revés. El cuadro 5.23 muestra los resultados

obtenidos en las tres pruebas para cada uno de los análisis de contingencia

realizados.


275

Cuadro 5.23

Pruebas de Chi-cuadrado, V de Cramer y Gamma

El análisis que se ha realizado con las tablas de contingencia permite

confirmar que existe asociación entre la variable "estado de desarrollo de los

clusters" y cada una de las demás variables. La limitación de las tablas de

contingencia es que las comparaciones entre variables han de realizarse de

dos en dos. Para poder superar esta limitación y comprobar mejor las

asociaciones entre todas las variables, se va a completar el estudio empírico

hasta ahora realizado con un análisis de correspondencias múltiples.

Variable Chi-cuadrado de Pearson V de Cramer Gamma

Disponibilidad de equipos de procesamiento 98,959 0,489 0,813(.000) (.000) (.000)

Cantidad de proveedores locales 107,516 0,51 0,845(.000) (.000) (.000)

Calidad de proveedores locales 94,939 0,479 0,833(.000) (.000) (.000)

Sofisticación de los compradores 103,123 0,499 0,856(.000) (.000) (.000)

Intensidad de la competencia local 81,742 0,444 0,81(.000) (.000) (.000)

Disponibilidad local de servicios de investigación y formación 102,552 0,498 0,885(.000) (.000) (.000)

Naturaleza de la ventaja competitiva 75,787 0,428 0,743(.000) (.000) (.000)

Presencia global de la cadena de valor 105,549 0,505 0,831(.000) (.000) (.000)

Sofisticación de los procesos productivos 97,466 0,485 0,848(.000) (.000) (.000)

Control local de la distribución internacional 115,184 0,527 0,815(.000) (.000) (.000)

Capacidad de innovación 93,162 0,474 0,778(.000) (.000) (.000)

Exportaciones regionales 69,64 0,41 0,752(.000) (.000) (.000)

Exportaciones internacionales 143,456 0,589 0,925(.000) (.000) (.000)

Región 56,567 0,37 (.000) (.000)


276

5.5. Estudio de las relaciones entre todas las variables conjuntamente

mediante un análisis de correspondencias múltiples.

El análisis realizado en el apartado anterior con las tablas de contingencia ha

permitido comprobar que la variable "estado de desarrollo de los cluster" se

asocia con todas las demás variables incluidas hasta el momento en el análisis.

Pero como se señalaba con anterioridad, las tablas de contingencia sólo

permiten analizar las variables de dos en dos.

Para poder comprobar si más de dos variables se asocian entre ellas y

analizar qué categorías están más asociadas se va a realizar un análisis de

correspondencias múltiples. Para este análisis se siguen utilizando las

variables categorizadas previamente establecidas.

El cuadro 5.24 contiene el resumen del modelo con los datos relativos al Alfa

de Cronbach y a la varianza explicada por cada una de las dos dimensiones

utilizadas9. Como puede observarse, los dos ejes presentan pesos

destacables sobre todo la dimensión 1 que explica el 78,4% de la varianza de

las variables.

9 El Alfa de Cronbach es un índice de consistencia interna que toma valores entre 0 y 1. Su interpretación será que, cuanto más se acerque el índice al extremo 1, mejor es la fiabilidad.


277

Cuadro 5.24.

Resumen del análisis de correspondencias múltiples

DimensiónAlfa de

CronbachTotal

(autovalores) Inercia% de la varianza

1 0,979 10,977 0,784 78,4062 0,925 7,073 0,505 50,523Total 18,05 1,289Media ,958ª 9,025 0,645 64,464a. El Alfa de Cronbach Promedio está basado en los autovalores promedio.

Varianza explicada

El diagrama conjunto de puntos o Mapa perceptural muestra las posiciones

relativas de las categorías de todas las variables, indicando mayor asociación

cuanto más cerca se encuentren las mismas categorías entre sí.


278

Figura 5.8

La dimensión 1 indica el grado de clusterización y el desarrollo de los países,

de manera que las observaciones situadas más a la izquierda corresponden a

un bajo grado de clusterización y de desarrollo de los países o regiones. Los

resultados muestran cómo las variables se asocian claramente por grupos de

valores: las observaciones correspondientes al grupo 4 están muy agrupadas

entre sí y separadas del resto de observaciones, excepto en la variable

Intensidad de la competencia, para la que los valores correspondientes al

grupo 4 se encuentran más próximos a los valores del grupo 3 del resto de

variables.


279

También puede observarse cómo se asocian las regiones con las distintas

variables. Por ejemplo, la región UE 15 se asocia al grupo 4 en todas las

variables. América del Norte está en general más asociada al grupo 4 pero

ligeramente separada, sobre todo, por el efecto de México, que hace que se

acerque más al grupo 3. Oceanía se asocia en general con los valores de los

grupos 3, y las regiones Resto de Europa y Resto de América lo hacen con el

grupo 2. África está básicamente asociada a los grupos 1 y 2.

Con el objeto de observar más claramente la asociación entre las regiones y

la variable cluster, se ha realizado un análisis específico de correspondencias

múltiples sólo para estas dos variables.

El resumen del modelo puede observarse en el cuadro 5.37, que muestra un

mayor peso de la dimensión 1.

Cuadro 5.25.

Resumen del análisis de correspondencias múltiples entre

las variables "estado de desarrollo de los clusters" y "región"

DimensiónAlfa de

CronbachTotal

(autovalores) Inercia% de la varianza

1 0,734 1,580 0,790 79,0122 0,354 1,215 0,607 60,744Total 2,795 1,398Media ,569ª 1,398 0,699 69,878a. El Alfa de Cronbach Promedio está basado en los autovalores promedio.

Varianza explicada


280

El diagrama conjunto de puntos confirma lo que se ha comentado con

anterioridad en el análisis de tablas de contingencia respecto a la relación entre

las regiones y el estado de desarrollo de los clusters: tanto las regiones de UE

15 como América del Norte presentan una asociación clara con el grupo 4, Asia

con el grupo 3, África con el 1 y el Resto de América con el grupo 2. La región

Resto de Europa está asociada tanto con el grupo 2 como con el 3.

Figura 5.9

Diagrama conjunto de puntos de categorías

Dimensión 13210-1

Dim

ensi

ón 2

3

2

1

0

-1

-2

Africa

Oceanía

Asia

Resto América

América del Norte

Resto europaEU 15

4

32

1

Región



281

Mediante el análisis cualitativo llevado a cabo se ha demostrado que existe

una asociación entre la variable "estado de desarrollo de los clusters" y el resto

de variables analizadas. De igual modo, se ha observado que existe relación

entre todas las variables ya que se asocian por grupos de valores. Finalmente,

también se ha mostrado cómo los países más desarrollados, incluidos en la

región UE 15, así como America del Norte, se asocian con los mayores valores

en casi todas las variables y, en concreto, con los valores superiores,

pertenecientes al grupo 4 de la variable "estado de desarrollo de los clusters".

6. OBTENCIÓN DE INDICADORES DE COMPETITIVIDAD MEDIANTE UN

ANÁLISIS FACTORIAL

Hasta el momento se han analizado las relaciones entre la variable "estado

de desarrollo de los clusters" y las otras 14 variables seleccionadas, todas ellas

relativas al entorno microeconómico en el que compiten las empresas. Sin

embargo, el Índice de Competitividad Global del Foro económico Mundial

considera que hay muchas otras variables que son importantes para la

competitividad, tal y como se ha descrito en el capítulo 2 de esta tesis.

En este apartado del estudio empírico se van a ir incorporando al análisis el

resto de variables incluidas en la Encuesta Ejecutiva de Opinión que utiliza el

Foro Económico Mundial para la elaboración de su Índice de competitividad

Global con el objeto de tener una visión completa e integradora de todos los

factores que influyen en la competitividad y analizar la relación de la variable

"estado de desarrollo de los clusters" con el resto de variables que más influyen

en la competitividad.


282

Aunque añadir más variables al análisis aumentará la complejidad de manejo

de las mismas, este problema se puede solventar al realizar un análisis factorial

el cual, como se ha explicado en el apartado de metodología de este capítulo,

permite simplificar la información que se maneja reduciendo el número de

variables y obteniendo nuevas variables incorrelacionadas llamadas factores

que aportan prácticamente la misma información que las variables iniciales

pero que permiten un análisis más sencillo. Este análisis factorial resultará en

indicadores de competitividad alternativos a los que utiliza el Foro Económico

Mundial, aunque utilizando las mismas variables. A partir de ellos se analizará

la competitividad de los países incluidos en la muestra, España y la región

catalana y se estudiará la influencia del “estado de desarrollo de los clusters”

en estos nuevos indicadores de competitividad.

El análisis factorial se va a realizar en dos etapas:

a) En primer lugar se va a realizar un análisis factorial con una muestra de

34 variables, tomando las 14 variables iniciales más otras 20 de la base

de datos de la Encuesta Ejecutiva de Opinión del Índice de

Competitividad Global del Foro Económico Mundial. Con ello se amplia

la muestra, enriqueciendo el análisis, y se cumple con el criterio de que

deben existir 4 ó 5 observaciones por cada variable usada en el

análisis. Como la base de datos que se maneja contiene 138

observaciones, correspondientes a 137 países y Cataluña, el número

máximo de variables recomendado que deberían incluirse en el análisis

factorial es de 34.


283

b) En segundo lugar, se va a realizar un nuevo análisis factorial pero ahora

tomando todas las variables de la base de datos de la Encuesta

Ejecutiva de Opinión del Índice de Competitividad Global del Foro

Económico Mundial. En este caso no se respeta el criterio de que el

número idóneo de variables deba ser inferior en 4 ó 5 veces al número

de observaciones pero, por otro lado, se asegura la inclusión de todas

las variables que puedan ser relevantes para el estudio incrementando

así el criterio objetivo del análisis.

Por tanto, con el primer análisis factorial se consigue superar la limitación

derivada del número máximo de variables que deben incluirse desde el punto

de vista metodológico y con el segundo se consigue maximizar el criterio

objetivo del análisis. Se comprobará si ambos análisis factoriales obtienen

resultados similares.

6.1. Obtención de factores de competitividad con una muestra de 34

variables

Como se explicaba con anterioridad, con este método multivariante se

pretende reducir la dimensión de una tabla de variables para obtener unos

pocos componentes principales o factores a partir de los cuales se puedan

explicar el conjunto de las variables. Estos factores serán indicadores de

competitividad y permitirán analizar las relaciones entre ellos y la variable

“estado de desarrollo de los clusters” de forma mucho más sencilla que

utilizando las variables separadamente creando un método alternativo al del

Índice de Competitividad de los Negocios de Foro Económico Mundial. Los


284

tres factores identificados, a los que se denominará Competitividad

microeconómica, Tecnología e Institucional, permitirán caracterizar con más

claridad la influencia de los clusters en la competitividad.

6.1.1. Definición de variables

Las variables a utilizar en este primer análisis factorial se han seleccionado

teniendo en cuenta las siguientes consideraciones:

a) Idóneamente deben existir 4 ó 5 observaciones por cada variable

analizada. Como la base de datos que se maneja contiene 138

observaciones, correspondientes a los 137 países y la región catalana,

se ha fijado un número máximo de 34 variables

b) Junto a las 14 variables que se han utilizado hasta el momento se han

incluido otras 20, tomadas también de la base de datos que el Foro

Económico Mundial utiliza para la elaboración del Índice de

Competitividad Global y que obtiene mediante la Encuesta Ejecutiva de

Opinión.1 Las 14 variables que se han utilizado hasta el momento se

refieren al entorno microeconómico en que compiten las empresas. De

las 20 variables adicionales, 10 se refieren al entorno institucional,

político y económico del país, y otras 10 a aspectos relacionados con la

tecnología. Con las variables seleccionadas se incluyen en el análisis los

1 Las variables que van a utilizarse en el análisis factorial son las que el Foro Económico Mundial contempla en la Encuesta Ejecutiva de Opinión. Por tanto, no se incluyen las variables del Índice de Competitividad Global que corresponden a datos publicados.


285

temas que el Foro Económico Mundial considera fundamentales para el

estudio de la competitividad de los países2 .

El Cuadro 5.26 que se muestra a continuación contiene un listado de las

variables utilizadas en el Análisis Factorial con información de sus medias y

desviaciones típicas. Las veinte variables adicionales son las que se

encuentran al final de la tabla. De entre ellas, las diez primeras harían

referencia a los factores de tipo institucional, y las diez siguientes a aspectos

relacionados con la tecnología.

2 En el capítulo 2 se ha realizado una descripción de los pilares y variables utilizados en la elaboración de los índices de competitividad del Foro Económico Mundial.


286

Cuadro 5.26.

Estadísticos descriptivos de las variables utilizadas en el

análisis factorial inicial

Variable MediaDesviación

típicaN del

análisis

Intensidad de la competencia local 4,8196 0,7378 138

Sofisticación de compradores 3,8369 0,9589 138

Cantidad de proveedores locales 4,6867 0,6939 138

Calidad de los proveedores locales 4,4674 0,8836 138

Estado de desarrollo de los clusters 3,5776 0,7596 138

Disponibilidad local de equipos de procesamient 2,9271 1,0128 138

Disponibilidad local de servicios de investigación y formación 3,9402 0,9486 138

Naturaleza de la ventaja competitiva 3,6957 1,0014 138

Presencia global en la cadena de valor 3,7681 1,0485 138

Capacidad de innovación 3,4008 0,9894 138

Sofisticación de los procesos productivos 3,7978 1,0854 138

Control local de distribución internacional 4,0594 0,6543 138

Presencia regional de exportaciones 4,4043 1,1122 138

Presencia internacional de exportaciones 3,7223 1,2359 138

Expectativas de recesión 4,6833 0,7550 138

Eficiencia del marco legal 3,8856 1,1346 138

Gasto público 3,4662 0,8479 138

Centralización de la política económica 2,9987 0,8721 138

Derechos de propiedad 4,6499 1,0520 138

Libertad de prensa 5,0312 1,0582 138

Fiabilidad de servicios policiales 4,2905 1,1544 138

Calidad de las infraestructuras 3,7779 1,3676 138

Sofisticación de los mercados financieros 4,1056 1,3037 138

Calidad del sistema educativo 3,7148 0,9992 138

Disponibilidad de últimas tecnologías 4,3014 1,0869 138

Absorción de tecnología por empresas 4,7168 0,7868 138

Prevalencia de tecnología extranjera 4,4236 0,8595 138

Calidad de las instituciones de investigación 3,9304 0,9457 138

Gasto empresarial en I + D 3,4043 0,9330 138

Colaboración en investigación universidad industria 3,2712 0,9607 138

Competencia en el sector ISP 4,1393 0,9462 138

Uso de Internet por las empresas 3,9940 0,9520 138

Uso de Internet en los colegios 3,6458 1,3729 138

Acceso a contenido digital 4,5620 1,0177 138


287

Con el objeto de comprobar si es adecuado realizar un análisis factorial, se

han obtenido la medida de adecuación muestral de Kaiser-Meyer-Okin y la

prueba de esfericidad de Bartlett.

El cuadro 5.27 muestra los resultados obtenidos en estas pruebas. La medida

de adecuación muestral de Kaiser- Meyer- Olkin analiza si las correlaciones

parciales entre las variables son pequeñas. El resultado 0,962 es muy alto e

indica que existe una fuerte estructura de dependencia multivariante.

También el Chi-cuadrado asociado a la prueba de esfericidad de Bartlett y el

grado de significación correspondiente corroboran el resultado.

Cuadro 5.27

KMO y prueba de Bartlett

,962

7949,965

561

,000

Medida de adecuación muestral deKaiser-Meyer-Olkin.

Chi-cuadradoaproximado

gl

Sig.

Prueba de esfericidadde Bartlett

En la matriz reproducida se ha obtenido un residuo próximo a cero lo que

indica también que el método es correcto.

A continuación se muestra la matriz de comunalidades que indica el

porcentaje de varianza de cada variable explicada por los factores retenidos

(véase cuadro 5.28). Como se puede observar, los porcentajes de varianza

explicada son muy altos en todas las variables excepto en la de “centralización

de la política económica”.


288

Cuadro 5.28.

Matriz de comunalidades del análisis factorial inicial

Variable Inicial Extracción

Intensidad de la competencia local 1,000 0,820

Sofisticación de compradores 1,000 0,865

Cantidad de proveedores locales 1,000 0,767

Calidad de los proveedores locales 1,000 0,933

Estado de desarrollo de los clusters 1,000 0,703

Disponibilidad local de equipos de procesamient 1,000 0,876

Disponibilidad local de servicios de investigación y formación 1,000 0,931

Naturaleza de la ventaja competitiva 1,000 0,747

Presencia global en la cadena de valor 1,000 0,842

Capacidad de innovación 1,000 0,921

Sofisticación de los procesos productivos 1,000 0,906

Control local de distribución internacional 1,000 0,745

Presencia regional de exportaciones 1,000 0,739

Presencia internacional de exportaciones 1,000 0,893

Expectativas de recesión 1,000 0,436

Eficiencia del marco legal 1,000 0,878

Gasto público 1,000 0,839

Centralización de la política económica 1,000 0,482

Derechos de propiedad 1,000 0,884

Libertad de prensa 1,000 0,653

Fiabilidad de servicios policiales 1,000 0,789

Calidad de las infraestructuras 1,000 0,857

Sofisticación de los mercados financieros 1,000 0,891

Calidad del sistema educativo 1,000 0,750

Disponibilidad de últimas tecnologías 1,000 0,939

Absorción de tecnología por empresas 1,000 0,855

Prevalencia de tecnología extranjera 1,000 0,819

Calidad de las instituciones de investigación 1,000 0,838

Gasto empresarial en I + D 1,000 0,908

Colaboración en investigación universidad industria 1,000 0,893

Competencia en el sector ISP 1,000 0,694

Uso de Internet por las empresas 1,000 0,885

Uso de Internet en los colegios 1,000 0,845

Acceso a contenido digital 1,000 0,816Método de extracción: Análisis de Componentes principales.


289

Del análisis factorial resultan tres factores que pueden observarse en el

cuadro 5.29. que conjuntamente explican un 81,29% de la varianza del

conjunto de las variables. En una primera extracción, el primero de los factores

explicaba más del 73% de la varianza pero se ha realizado una rotación

Varimax tras la cual el porcentaje de varianza explicada por cada uno de los

factores se distribuye de modo más homogéneo entre los tres factores.

Cuadro 5.29.

Varianza explicada por cada factor

24,884 73,189 73,189 24,884 73,189 73,189 11,894 34,981 34,981

1,613 4,745 77,934 1,613 4,745 77,934 9,602 28,241 63,222

1,144 3,363 81,297 1,144 3,363 81,297 6,145 18,075 81,297

,950 2,794 84,091

,773 2,275 86,366

,563 1,657 88,022

,522 1,534 89,557

,493 1,451 91,008

,370 1,087 92,095

,329 ,968 93,062

,302 ,888 93,950

,260 ,764 94,714

,210 ,617 95,330

,190 ,560 95,890

,171 ,504 96,394

,145 ,428 96,822

,136 ,399 97,221

,112 ,330 97,551

,104 ,306 97,856

,093 ,273 98,129

,083 ,245 98,374

,080 ,234 98,609

,072 ,213 98,822

,061 ,178 99,000

,053 ,156 99,156

,049 ,145 99,301

,041 ,121 99,422

,039 ,114 99,536

,035 ,103 99,639

,032 ,094 99,734

,029 ,084 99,818

,025 ,075 99,893

,021 ,062 99,955

,015 ,045 100,000

Componente1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

Total% de lavarianza % acumulado Total

% de lavarianza % acumulado Total

% de lavarianza % acumulado

Autovalores inicialesSumas de las saturaciones al cuadrado

de la extracciónSuma de las saturaciones al cuadrado

de la rotación

Método de extracción: Análisis de Componentes principales.

La matriz de componentes rotados (véase cuadro 5.30) muestra las cargas

factoriales para cada una de las variables, es decir, a cual de los tres factores

se asocia más claramente cada variable.


290

Cuadro 5.30.

Matriz de componentes rotados

1 2 3

Disponibilidad local de equipos de procesamiento 0,880

Capacidad de innovación 0,835 0,422


Disponibilidad local de servicios de investigación y formación 0,756 0,550


Calidad de las instituciones de investigación 0,743

Presencia internacional de exportaciones 0,738 0,517

Presencia global en la cadena de valor 0,720 0,501

Control local de distribución internacional 0,676

Centralización de la política económica 0,662

Estado de desarrollo de los clusters 0,659 0,428


Cantidad de proveedores locales 0,629 0,568

Calidad del sistema educativo 0,624 0,529

Presencia regional de exportaciones 0,615 0,561


Naturaleza de la ventaja competitiva 0,586 0,499

Uso de Internet en los colegios 0,571 0,564 0,449

Libertad de prensa 0,789

Sofisticación de los mercados financieros 0,426 0,748

Intensidad de la competencia local 0,490 0,701



Disponibilidad de últimas tecnologías 0,480 0,658 0,525

Acceso a contenido digital 0,525 0,654


Absorción de tecnología por empresas 0,455 0,636 0,493

Derechos de propiedad 0,630 0,613


Gasto público 0,854

Eficiencia del marco legal 0,415 0,426 0,724

Fiabilidad de servicios policiales 0,421 0,720

Expectativas de recesión 0,651

Calidad de las infraestructuras 0,460 0,560 0,576Método de extracción: Análisis de componentes principales.

Método de rotación: Normalización Varimax con Kaiser.

La rotación ha convergido en 6 iteraciones.

ComponenteVariable

Cada factor tiene una serie de variables asociadas con una distribución

diferente de cargas. Esto hace que los factores sean fácilmente interpretables.


291

Las variables asociadas al primer factor son, en su gran mayoría, las que se

han utilizado en la parte inicial de este análisis empírico, y que se refieren a

aspectos de competitividad microeconómica. Hay algunas otras variables,

como el “gasto empresarial en I+D”, la “colaboración en investigación

universidad industria” o la “calidad de las instituciones de investigación”, que

aunque tienen contenido tecnológico también hacen referencia a la operativa

de las empresas o al entorno microeconómico en el que éstas compiten. Por

tanto, a este primer factor se le puede denominar “Competitividad

Microeconómica”.

Las variables asociadas al segundo factor incluyen en su mayor parte todas

las que hacen referencia a la tecnología (excepto las tres incluidas en el primer

factor). También se asocian a este factor dos de las pertenecientes a la primera

parte del análisis empírico, como son la “intensidad de la competencia local” y

la “calidad de los proveedores locales”. Por otro lado, hay tres variables que

hacen más referencia al entorno institucional pero que se asocian a este factor:

“libertad de prensa”, “sofisticación de los mercados financieros” y “derechos

de propiedad” (aunque ésta última está también fuertemente asociada al tercer

factor). Debido al mayor peso de los aspectos tecnológicos , se denominará a

este segundo factor “Tecnología”.

Finalmente, al tercero de los factores se asocian únicamente variables de tipo

institucional como el “marco legal”, las “infraestructuras” o el “gasto público”,

por lo que se denominará a este factor “Institucional”.


292

El cuadro 5.31. muestra las variables asociadas a cada uno de los tres

factores obtenidos.

Cuadro 5.31

Variables asociadas a cada factor

Factor 1. Competitividad microeconómica

Factor 2. Tecnología Factor 3. Institucional

Disponibilidad local de equipos de procesamiento Libertad de prensa Gasto público

Capacidad de innovaciónSofisticación de los mercados financieros Eficiencia del marco legal

Gasto empresarial en I + D Intensidad de la competencia local Fiabilidad de servicios policiales

Disponibilidad local de servicios de investigación y formación Calidad de los proveedores locales Expectativas de recesión

Colaboración en investigación universidad industria Prevalencia de tecnología extranjera Calidad de las infraestructuras

Calidad de las instituciones de investigación Disponibilidad de últimas tecnologías

Presencia internacional de exportaciones Acceso a contenido digital

Presencia global en la cadena de valor Uso de Internet por las empresas

Control local de distribución internacional Absorción de tecnología por empresas

Centralización de la política económica Derechos de propiedad

Estado de desarrollo de los clusters Competencia en el sector ISPSofisticación de los procesos productivos

Cantidad de proveedores locales

Calidad del sistema educativo

Presencia regional de exportaciones

Sofisticación de compradores


Uso de Internet en los colegios


Estos tres factores constituyen nuevos indicadores de competitividad, cada

uno de ellos agrupando variables de contenido similar (microeconómicas, de

tecnología o referentes a las instituciones). Utilizando métodos estadísticos

como el análisis de correspondencias múltiples y las regresiones se analizará

la influencia de los clusters sobre cada uno de estos indicadores obtenidos.


293

Una vez obtenidos los tres factores, es interesante observar cómo se sitúa

cada uno de los países y la región catalana respecto a cada factor. Para ello se

realizan gráficos de dispersión de puntos combinando los factores. Es

importante recordar que los factores son variables tipificadas y al tener todas

las cargas factoriales positivas con los tres factores, valores altos de cada

factor indican grado de desarrollo alto y al contrario.

En primer lugar se ha obtenido el gráfico de dispersión de puntos para los

factores 1 (Competitividad Microeconómica) y 2 (Tecnología) (véase figura

5.10). Los países que se sitúan por encima de la línea horizontal que marca el

0 en el Factor 1 “Competitividad Microeconómica” estarían por encima de la

media en cuanto a competitividad y al revés.

Tal y como puede observarse en el gráfico, en el cuadrante superior derecho

se sitúan la mayoría de los países de UE 15. España tiene una posición más

modesta en ambas dimensiones, colocándose en la media en cuanto al factor

tecnológico, y algo por encima de la media en cuanto a competitividad.

Por otro lado, Cataluña se sitúa por encima de España en cuanto al primer

factor aunque ambos valores parecen estar próximos en cuanto a tecnología.

La mayoría de países africanos quedan situados en el cuadrante inferior

izquierdo, el que corresponde a los menores valores en ambos factores.


294

Figura 5.10.

Gráfico de dispersión de puntos para los

factores 1 (Competitividad Microeconómica) y 2 (Tecnología)

Factor 2 - Tecnología3,000002,000001,000000,00000-1,00000-2,00000-3,00000

Facto

r 1

- C

om

pe

titi

vid

ad

3,00000

2,00000

1,00000

0,00000

-1,00000

-2,00000

-3,00000

Zimbabwe

Zambia

Venezuela

Uruguay

Uganda

Ucrania

Túnez

Trinidad y Tobago

Timor-Leste TanzaniaTajikistan

Taiwan

Tailandia

Suiza

Suecia

Sudáfrica

Sri Lanka SingapurSerbia

Rusia

Rumania

República Eslovaca

República Dominicana

República Checa

República Kirguistán

Reino Unido

Qatar Portugal

Polonia

Perú

Paraguay

Panamá

Pakistán

Omán

Nueva Zelanda

Noruega

Namibia

Mozambique

Montenegro

Mongolia

Mexico

MauritaniaMauricio

Marruecos

Malta

Malawi

Malasia

MadagascarLuxemburgoLituania

Libia

Lesotho

KeniaKazastán

Japón

Jamaica

Italia

IsraelIslandia

Irlanda

Indonesia

India

Holanda

GreciaGhana

Georgia

Francia

Finlandia

Etiopía

Estonia

Estados Unidos

España

Ecuador

Dinamarca

China

Chile

Corea.

Cataluña

Camerún

Burundi

Brunei

Brasil

Bielorusia

Bélgica

Bangladesh

Bahamas

Armenia

ArgeliaAngola

Alemania

Albania


El siguiente gráfico de dispersión de puntos sitúa a los países en función de

los factores 1 (Competitividad Microeconómica) y 3 (Institucional) (véase figura

5.11). De nuevo la mayoría de los países de UE 15 se colocan en el cuadrante


295

superior derecho. Sin embargo, en este caso el cuadrante inferior izquierdo no

está ocupado en su mayoría por los países africanos, como ocurría con los

factores 1 y 2 sino por los países del resto de América. Los países africanos,

en su mayoría, obtienen valores medios o altos en el factor institucional, lo que

los sitúa más a la derecha del gráfico. De hecho, muchos de ellos superan en

este factor a España, que se encuentra situado aproximadamente en la media.

Cataluña, sin embargo, queda significativamente detrás de España y la

mayoría de los países desarrollados en el factor institucional.

La comparación de Cataluña con España y el resto de países en lo relativo a

los resultados en el factor Institucional debe realizarse aceptando las

limitaciones derivadas de comparar países con una Comunidad Autónoma, que

no tiene la misma capacidad ni potencial institucional.


296

Figura 5.11.

Gráfico de dispersión de puntos para los

factores 1 (Competitividad Microeconómica) y 3 (Institucional).


Estos gráficos proporcionan una primera aproximación de la situación de cada

país respecto a cada unos de los factores Para conseguir una mejor

clasificación de países en función de los tres factores, se va a realizar una

categorización de los factores mediante un análisis cluster.


297

6.1.2. Categorización de los factores obtenidos mediante un análisis cluster

Con el objeto de obtener una mejor clasificación de los países y de la región

catalana en función de cada factor, se ha realizado un análisis cluster con los

factores obtenidos. Con este análisis se generarán cuatro grupos dentro de

cada factor y se ordenarán de menor a mayor valoración; es decir, el primer

grupo contendrá a los países que hayan obtenido las valoraciones más bajas

en las variables representadas por ese factor. Todo esto permitirá llevar a cabo,

un análisis de asociación entre los grupos y el "estado de desarrollo de los

cluster".

Factor 1- Competitividad Microeconómica

Se ha establecido que el número de grupos sea cuatro, ya que permite obtener

grupos suficientemente diferentes unos de otros, pero intentando mantener un

número mínimo de observaciones en cada uno, y los centros de los

conglomerados resultantes son los siguientes:

Cuadro 5.32.

Centros de los conglomerados finales

1 2 3 4

Factor 1- Competitividad Microeconómica -2,231425 -0,786854 0,197616 1,511404

Conglomerado

El grado de significación obtenido en el test ANOVA confirma que el análisis

cluster realizado es correcto.


298

Cuadro 5.33

ANOVA

Media cuadrática gl

Media cuadrática gl F Sig.

Factor 1 - Competitividad Microeconómica 39,849 3 0,13 134 305,977 0,000

Conglomerado Error

Una vez obtenidos los cuatro grupos se puede realizar un análisis de

frecuencias para el Factor 1 (Competitividad Microeconómica) categorizado,

que resulta en la siguiente distribución:

Cuadro 5.34.

Distribución de frecuencias del Factor 1 categorizado



Válidos 1 3 2,2 2,2 2,22 59 42,8 42,8 44,93 47 34,1 34,1 79,04 29 21,0 21,0 100,0

Total 138 100,0 100,0

El grupo 2 contiene más de un 42% de las observaciones, seguido por el

grupo 3 con el 34% y es también destacable que el grupo 1 sólo contiene 3

observaciones. Hay 29 países que se sitúan en el grupo 4, que indica una

mayor Competitividad Microeconómica, ya que agrupa a los países que tienen

las valoraciones más altas en las variables incluidas en este factor.

La distribución de frecuencias por regiones muestra como la mayoría de las

observaciones correspondientes a UE 15 se incluyen en el grupo 4, de mayor

competitividad. También entran en este grupo dos de las tres observaciones de

América del Norte, Canadá y Estados Unidos, así como varios países de Asia y


299

Resto de Europa. África y el resto de América se engloban, en su mayor parte,

en el grupo dos.

Cuadro 5.35.

Distribución de frecuencias de la variable región según el Factor 1

categorizado

Región

1 33,3 33,3 33,3

1 33,3 33,3 66,7

1 33,3 33,3 100,0

3 100,0 100,0

2 3,4 3,4 3,4

4 6,8 6,8 10,2

20 33,9 33,9 44,1

13 22,0 22,0 66,1

20 33,9 33,9 100,0

59 100,0 100,0

3 6,4 6,4 6,4

13 27,7 27,7 34,0

1 2,1 2,1 36,2

3 6,4 6,4 42,6

16 34,0 34,0 76,6

2 4,3 4,3 80,9

9 19,1 19,1 100,0

47 100,0 100,0

11 37,9 37,9 37,9

7 24,1 24,1 62,1

2 6,9 6,9 69,0

8 27,6 27,6 96,6

1 3,4 3,4 100,0

29 100,0 100,0

Resto América

Asia

Africa

Total

Válidos

EU 15

Resto europa

Resto América

Asia

Africa

Total

Válidos

EU 15

Resto europa

América del Norte

Resto América

Asia

Oceanía

Africa

Total

Válidos

EU 15

Resto europa

América del Norte

Asia

Africa

Total

Válidos

Factor 1 - Competitividadcategorizado1

2

3

4


válidoPorcentajeacumulado


El cuadro 5.36 muestra la distribución de países por grupos según el Factor 1

categorizado, estando ordenados los países dentro de cada grupo de mayor a

menor puntuación factorial. La distribución por países nos permite comprobar

como Cataluña se encuentra en el grupo 4 junto a la mayoría de los países de

EU 15 , mientras que España se queda en el grupo 3 en el que sólo hay otros

dos países de EU 15, Irlanda y Noruega.


300

Cuadro 5.36.

Distribución de frecuencias de países según el Factor 1 categorizado

Grupo 1 Grupo 2 Grupo 3 Grupo 4Bahrain Colombia Uzbekistan Alemania Namibia República Eslovaca Serbia Corea. Bahamas Benin Hong Kong SAR Suiza

Pakistán España (0,6375) Estados Unidos Filipinas Singapur Japón Ecuador Sri Lanka Bélgica Guyana India Finlandia Egipto Islandia Indonesia Armenia Irlanda Italia Chile Azerbayán China Timor-Leste Brasil Malasia Senegal Kenia Taiwan Puerto Rico Rumania Bielorusia Libia Zimbabwe Suecia Burkina Faso Noruega Holanda Guatemala Bulgaria Austria Jordania Etiopía Omán Qatar Nigeria Dinamarca Sudáfrica República Kirguistán Francia Portugal Lituania Reino Unido Mongolia Uganda Ucrania Venezuela Kazastán Eslovenia Gambia Arabia Saudí Cataluña (1,0922) Chipre Hungría Canadá Perú Luxemburgo Israel Nicaragua Vietnam República Checa Honduras Costa Rica Rusia Bolivia Croacia Polonia Camerún Bosnia y Herzegovina Túnez Mali Macedonia, FYR Kuwait Australia Mozambique Mexico Nepal Turquía Georgia Camboya Albania Argentina Lesotho Tailandia Ghana Nueva Zelanda Burundi Moldavia Grecia Tanzania Uruguay Madagascar El Salvador Chad Malawi Marruecos Suriname Estonia Jamaica Siria Mauricio Tajikistan Argelia Emiratos Arabes UnidosMontenegro Latvia Brunei Paraguay Mauritania Bangladesh Panamá Malta Trinidad y Tobago Barbados Zambia República Dominicana Angola Botswana



301

Estos resultados obtenidos con este nuevo enfoque son diferentes a los

obtenidos en la primera parte del estudio empírico, en donde se había utilizado

la metodología del Foro Económico Mundial en la elaboración del Índice de

Competitividad de los Negocios. En aquel caso la valoración de Cataluña, en

términos de competitividad, se situaba por debajo de la de España; en este

caso, en el que se ha utilizado un análisis estadístico distinto en el que se han

destacado las variables que se ha considerado que pueden influir más en la

competitividad los resultados son los contrarios: Cataluña obtiene una posición

más favorable que España en cuanto a la competitividad medida en base al

nuevo indicador de competitividad obtenido en el análisis factorial.

Factor 2- Tecnología

También para la categorización de este factor se ha establecido que el número

de grupos sea cuatro y los centros de los conglomerados resultantes son los

siguientes:

Cuadro 5.37


1 2 3 4

Factor 2 - Tecnología -1,503482 -0,583672 0,49788 1,287908

Conglomerado




302

Cuadro 5.38

ANOVA

Media

cuadrática glMedia

cuadrática glFactor 2 - Tecnología 41,16 3 0,101 134 407,988 0,000

Sig.

Conglomerado Error

F


frecuencias para el Factor 2 categorizado, que resulta en la siguiente

distribución:

Cuadro 5.39.

Distribución de frecuencias para el Factor 2 categorizado



Válidos 1 22 15,9 15,9 15,92 44 31,9 31,9 47,83 43 31,2 31,2 79,04 29 21,0 21,0 100,0

Total 138 100,0 100,0

Aunque los grupos 2 y 3 contienen un porcentaje de observaciones

sensiblemente superior a los grupos 1 y 4, la distribución de observaciones

dentro de cada grupo es bastante más homogénea que para el Factor 1.

La distribución de la variable región en cada uno de los grupos muestra cómo

los países pertenecientes a UE 15 están únicamente en los grupos 3 y 4, así

como los de América del Norte y Oceanía.


303

La región africana tiene presencia en este caso en los cuatro grupos, pero la

mayoría de las observaciones se encuentran en los grupos 1 y 2. Asia y Resto

de Europa se distribuyen en los cuatro grupos.

Cuadro 5.40.

Distribución de frecuencias de la variable región según el Factor 2

categorizado

3 13,6 13,6 13,6

8 36,4 36,4 50,0

11 50,0 50,0 100,0

22 100,0 100,0

9 20,5 20,5 20,5

4 9,1 9,1 29,5

16 36,4 36,4 65,9

15 34,1 34,1 100,0

44 100,0 100,0

8 18,6 18,6 18,6

7 16,3 16,3 34,9

2 4,7 4,7 39,5

11 25,6 25,6 65,1

11 25,6 25,6 90,7

4 9,3 9,3 100,0

43 100,0 100,0

8 27,6 27,6 27,6

5 17,2 17,2 44,8

1 3,4 3,4 48,3

9 31,0 31,0 79,3

3 10,3 10,3 89,7

2 6,9 6,9 96,6

1 3,4 3,4 100,0

29 100,0 100,0

Resto Europa

Asia

Africa

Total

Válidos

Resto Europa

Resto América

Asia

Africa

Total

Válidos

EU 15

Resto Europa

América del Norte

Resto América

Asia

Africa

Total

Válidos

EU 15

Resto Europa

América del Norte

Resto América

Asia

Oceanía

Africa

Total

Válidos

Factor 2 - Tecnologíacategorizado1

2

3

4



La tabla siguiente muestra los países incluidos en cada grupo, ordenados de

mayor a menor puntuación factorial. En este caso, tanto España como

Cataluña se encuentran en el grupo 3 aunque se puede observar que España

obtiene una puntuación factorial superior a Cataluña.


304

Cuadro 5.41.

Distribución de países según el Factor 2 categorizado

Grupo 1 Grupo 2 Grupo 3 Grupo 4Gambia Singapur Grecia Puerto Rico Tanzania Sri Lanka Hungría Bahamas Uzbekistan Nepal Taiwan Portugal Moldavia Nicaragua Bahrain Jamaica Argelia Pakistán Turquía Chile Zimbabwe Botswana El Salvador Brasil República Kirguistán Rumania Lituania Panamá Armenia Kenia Alemania Malta Madagascar Mali Islandia Reino Unido Camboya Mongolia Mauricio Suecia China Montenegro Trinidad y Tobago República Dominicana Lesotho Nigeria Filipinas Estonia Burundi Camerún Bélgica Guatemala Tajikistan Ghana Dinamarca Nueva Zelanda Angola Mauritania Tailandia Japón Timor-Leste Polonia India Francia Serbia Emiratos Arabes Unidos Mexico Noruega Chad Malasia Estados Unidos Austria Libia Bulgaria Namibia República Eslovaca Omán Bolivia Kuwait Israel Bielorusia Qatar Senegal Canadá Etiopía Marruecos Chipre Sudáfrica

Benin España (0,50225) Irlanda Guyana Uruguay Australia Bosnia y Herzegovina Honduras Perú Suriname Finlandia Hong Kong SAR Georgia Costa Rica Holanda Burkina Faso Paraguay Luxemburgo Arabia Saudí Barbados República Checa Siria Suiza Brunei Egipto Zambia Colombia Uganda Ecuador Vietnam Corea. Malawi Latvia Azerbayán Bangladesh Mozambique Italia Túnez Croacia Albania Jordania Ucrania Eslovenia Indonesia Cataluña (0,04226) Macedonia, FYR Venezuela Kazastán Argentina Rusia



305

Factor 3- Institucional

Se ha establecido que el número de grupos sea cuatro, y los centros de los


Cuadro 5.42


1 2 3 4

Factor 3 - Institucional -1,177733 -0,186393 0,565411 1,698657

Conglomerado



Cuadro 5.43

ANOVA

40,842 3 ,108 134 378,110 ,000Factor 3 - Institucional

Mediacuadrática gl

Conglomerado

Mediacuadrática gl

Error

F Sig.


frecuencias para el Factor 3 categorizado que resulta en la siguiente

distribución:


306

Cuadro 5.44.

Distribución de frecuencias para el Factor 3 categorizado

39 28,3 28,3 28,3

42 30,4 30,4 58,7

38 27,5 27,5 86,2

19 13,8 13,8 100,0

138 100,0 100,0

1

2

3

4

Total

VálidosFrecuencia Porcentaje

Porcentajeválido

Porcentajeacumulado

Los grupos 1, 2 y 3 contienen un número de observaciones próximos al 30%

cada uno de ellos, bastante por encima del 13% de observaciones incluidas en

el grupo 4.

En este factor, la distribución de la variable región no sigue unas pautas tan

claras como en los dos factores anteriores. Todas las regiones se distribuyen

de forma bastante uniforme en los cuatro grupos (exceptuando obviamente

América del Norte y Oceanía que tienen menos de cuatro observaciones). Por

ejemplo, África al igual que Asia tienen prácticamente el mismo número de

países en los grupos 1 y 2 que en los grupos 3 y 4.


307

Cuadro 5.45.

Distribución de frecuencias para la variable Región según el Factor 3

categorizado

2 5,1 5,1 5,1

10 25,6 25,6 30,8

1 2,6 2,6 33,3

14 35,9 35,9 69,2

6 15,4 15,4 84,6

6 15,4 15,4 100,0

39 100,0 100,0

5 11,9 11,9 11,9

6 14,3 14,3 26,2

1 2,4 2,4 28,6

7 16,7 16,7 45,2

14 33,3 33,3 78,6

9 21,4 21,4 100,0

42 100,0 100,0

7 18,4 18,4 18,4

6 15,8 15,8 34,2

1 2,6 2,6 36,8

2 5,3 5,3 42,1

8 21,1 21,1 63,2

1 2,6 2,6 65,8

13 34,2 34,2 100,0

38 100,0 100,0

2 10,5 10,5 10,5

2 10,5 10,5 21,1

1 5,3 5,3 26,3

10 52,6 52,6 78,9

1 5,3 5,3 84,2

3 15,8 15,8 100,0

19 100,0 100,0

UE 15

Resto Europa

América del Norte

Resto América

Asia

África

Total

Válidos

UE 15

Resto Europa

América del Norte

Resto América

Asia

África

Total

Válidos

UE 15

Resto Europa

América del Norte

Resto América

Asia

Oceanía

África

Total

Válidos

UE 15

Resto Europa

Resto América

Asia

Oceanía

África

Total

Válidos

Factor 3 - Institucionalcategorizado1

2

3

4



El Cuadro 5.46 muestra los países incluidos en cada grupo, ordenados de

mayor a menor puntuación factorial.


308

Cuadro 5.46.

Distribución de países según el Factor 3 categorizado

Grupo 1 Grupo 2 Grupo 3 Grupo 4Senegal Georgia Kuwait Singapur Filipinas Armenia Gambia Qatar Macedonia, FYR Vietnam Suiza Emiratos Arabes UnidosCamerún Reino Unido Chipre Brunei Uganda Siria Bahamas Barbados Rumania Mali Luxemburgo Bahrain Honduras España Holanda Islandia Timor-Leste Indonesia Malta Túnez Nigeria Azerbayán Ghana Australia Polonia Corea. Bielorusia Dinamarca Hungría China Uzbekistan Malasia Bangladesh Trinidad y Tobago Sudáfrica Hong Kong SAR Jamaica Uruguay Suecia Noruega Moldavia Egipto Austria Finlandia Cataluña Burkina Faso Libia Botswana Mongolia Lesotho Irlanda Omán Rusia Francia Namibia Jordania Nepal Bélgica Montenegro Arabia Saudí Guyana Madagascar Marruecos Argelia Mexico Camboya Zambia República Dominicana El Salvador Canadá Puerto Rico Suriname Angola República Checa Pakistán Nueva Zelanda Bulgaria Taiwan Tanzania Guatemala Albania Estonia Perú Portugal Malawi Nicaragua Mozambique Kazastán Argentina Burundi Mauricio República Kirguistán República Eslovaca Etiopía Bolivia Eslovenia Israel Venezuela Panamá Tajikistan Chad Costa Rica Mauritania Ucrania Estados Unidos Tailandia Italia Colombia Chile Bosnia y Herzegovina Benin Latvia Zimbabwe Croacia Alemania Ecuador Turquía Grecia Paraguay Japón India Brasil Lituania

Serbia Kenia Sri Lanka



309

Es digno de mención el caso de Cataluña, que es la única observación de UE

15, junto a Italia, que se queda en el grupo 1, mientras que España se sitúa en

el grupo 2, junto a otros cuatro países de EU 15. El grupo 4 incluye algunos

países africanos como Argelia, Bostwana o Túnez.

Si bien es cierto que Cataluña, tal y como se comentó en el Capítulo 4,

adolece de ciertos problemas institucionales que están condicionados por ser

una Comunidad Autónoma, no deja de resultar sorprendente su inclusión en el

grupo 1 y la aparentemente mejor situación institucional de algunos países

menos desarrollados. Esto puede deberse al reducido número de variables que

se incluyen en el factor institucional, por ello se ha considerado conveniente

realizar en el apartado 6.2. un nuevo análisis factorial con toda la base de

datos, lo que ampliará significativamente el número de variables consideradas

en el nuevo factor institucional.

6.1.3. Análisis de la relación entre el estado de desarrollo de los clusters y los

factores de competitividad obtenidos mediante análisis de correspondencias

múltiples.

Una vez categorizados los tres factores obtenidos se pueden observar más

fácilmente las relaciones entre ellos, así como con la variable “estado de

desarrollo de los clusters” y la variable “región”. El análisis de correspondencia

múltiples permite observar esas relaciones.

Se han incluido por tanto los tres factores obtenidos, así como la variable

“estado de desarrollo de los clusters” y la variable “región”.

El cuadro que se muestra a continuación contiene un resumen del modelo.


310

Cuadro 5.47

Resumen del modelo

Total (Autovalores) Inercia

% de la varianza

1 0,735 2,427 0,485 48,5382 0,540 1,760 0,352 35,203Total 4,187 0,837Media 0,653 2,094 0,419 41,871

Varianza explicada

DimensiónAlfa de

Cronbach

El Alfa de Cronbach Promedio está basado en los autovalores promedio

En el gráfico de puntos (véase figura 5.12) se observa cómo los grupos 4 del

Factor Competitividad Microeconómicay de la variable “estado de desarrollo de

los clusters” están muy asociados. Esto indica que clusters muy desarrollados

se asocian con tasas muy altas de Competitividad Microeconómica lo que

confirma la hipótesis central de esta tesis.

Estos altos grados de desarrollo de los clusters y de Competitividad

Microeconómica se relacionan claramente a su vez con las regiones de UE15

y América del Norte.

Los grupos 1 y 2 del Factor Tecnológico se asocian con el grupo 1 de la

variable “estado de desarrollo de los clusters”. En cuanto al Factor Institucional,

el grupo 1 se asocia al grupo 2 de la variable “estado de desarrollo de los

clusters” pero, en el resto de grupos, no se observa una asociación tan clara.

África y el Resto de Europa se asocian con los grupos 1 y 2 de los factores y

Asia, en general, con el grupo 3.


311

Figura 5.12

Diagrama conjunto de puntos de categorías

Como conclusiones de este primer análisis factorial realizado con una

muestra de 34 variables se pueden señalar las siguientes:

a) Las variables se agrupan claramente en torno a tres factores que

definen los grandes temas que afectan a la competitividad general de un

país o región y que son: la Competitividad Microeconómica, la

Tecnología y el factor Institucional. Estos son los nuevos indicadores de

competitividad obtenidos en este trabajo y que permiten un análisis de la


312

competitividad desde otro punto de vista y caracteriza con más claridad

la influencia de los clusters en la competitividad.

b) La categorización de estos factores permite clasificar a los 137 países y

a la región catalana en función de su grado de competitividad

microeconómica, avance tecnológico e instituciones. La valoración de

Cataluña en términos del factor de Competitividad Microeconómica es

excelente, al situarse en el grupo 4 con una puntuación factorial de

1,0922, por encima de España que queda en el grupo 3 con una

puntuación factorial de 0,6375. Esto supone un resultado diferente del

obtenido en la primera parte del análisis empírico realizado según la

metodología del Índice de Competitividad de los Negocios del Foro

Económico Mundial, que otorgaba a Cataluña una tasa de

competitividad microeconómica por debajo del de España.

c) En términos del factor Tecnología tanto España como Cataluña

presentan resultados similares y están incluidas en el grupo 3. Sin

embargo, en lo que se refiere al factor Institucional Cataluña se sitúa en

el grupo 1, con los países que obtienen valoraciones más bajas en estas

variables, mientras España se coloca en el grupo 2, aunque como ya se

ha señalado en relación al factor Institucional hay que tener en cuenta

las limitaciones de comparar una Comunidad Autónoma con países.

d) El análisis de correspondencias múltiples ha permitido constatar que

clusters muy desarrollados se asocian muy estrechamente con los

resultados más altos de Competitividad Microeconómica, lo que

corrobora la hipótesis central de este estudio.


313

6.2. Obtención de factores de competitividad con toda la base de datos

El análisis factorial realizado en el apartado anterior, con una muestra de 34

variables, cumple la condición de mantener la proporción adecuada entre el

número de observaciones y el de variables y proporciona unos resultados muy

claros en cuanto a la relación entre los clusters y la competitividad.

La principal limitación que plantea el análisis factorial anterior es que está

realizado con una selección de las variables que se consideran más

importantes pero para confirmar definitivamente la veracidad de la hipótesis

establecida sobre que el desarrollo de los clusters favorece la competitividad de

los países o regiones se ha considerado conveniente ampliar el análisis

factorial incluyendo todas las variables que la Encuesta Ejecutiva de Opinión

del Foro Económico Mundial contempla para la elaboración del Índice de

Competitividad Global1.

6.2.1. Definición de variables

Para el análisis factorial con todas las variables de la base de datos se

tomará como base cada uno de los factores obtenidos en el análisis anterior

(Factor 1- Competitividad Microeconómica, Factor 2– Tecnología, Factor 3–

1 Tal y como se ha comentado con anterioridad en este Capítulo, en el análisis factorial se contemplan las variables incluidas en la Encuesta Ejecutiva de Opinión que el Foro Económico Mundial utiliza para la elaboración de su Índice de Competitividad Global. Sin embargo, no se incluyen las variables del Índice de Competitividad Global que corresponden a datos publicados, y no a encuestas. Por otro lado, la Encuesta Ejecutiva de Opinión incluye más variables de las que finalmente se utilizan en el cálculo del Índice de Competitividad Global. Por lo tanto, el total de variables contempladas en esta parte del análisis empírico es superior a las incluidas en el Índice de Competitividad Global definido en el Capítulo 2.


314

Institucional), pero ampliando el número de variables incluidas en cada factor

hasta que todas las variables de la base de datos que utiliza el Foro

Económico Mundial e la elaboración del Índice de Competitividad Global estén

incluidas en alguno de los tres factores.

Se han asignado las variables a cada factor según su mayor afinidad con

cada uno de estos tres factores. Una vez añadidas todas las variables, en el

grupo 1, correspondiente a Competitividad Microeconómica, habrá 36

variables, 19 en el grupo 2, de Tecnología, y 74 en el grupo 3 de Institucional.

A continuación se realizará un análisis factorial en cada uno de los grupos y

se seleccionará el factor principal que resulte en cada uno de esos tres análisis,

ya que es el que explicará un mayor porcentaje de la varianza de las variables

de ese grupo. Estos nuevos factores obtenidos utilizando todas las variables

serán los indicadores de competitividad que se utilizarán para medir la

competitividad de España y Cataluña y compararla con la del resto de los

países. Con el factor principal de cada uno de los grupos se realizará

posteriormente un análisis cluster para analizar mejor la posición de cada país

en cada uno de los indicadores de competitividad y un análisis de

correspondencias múltiples para comprobar las relaciones entre los factores de

competitividad y el estado de desarrollo de los clusters.

Finalmente, los tres factores principales seleccionados se utilizarán en la

regresión lineal con el objeto de comprobar la relación de causalidad entre el

estado de desarrollo de los clusters y la competitividad.


315

Primer grupo: variables de Competitividad

A las 14 variables incluidas en el Factor 1- Competitividad obtenido en el

análisis factorial realizado con anterioridad, se les han añadido otras 22

variables de la base de datos de la Encuesta Ejecutiva de Opinión del Foro

Económico Mundial, aquellas que guardan una relación más directa con

aspectos de competitividad microeconómica, por lo que el número final de

variables relacionadas con el Factor 1-Competitividad es de 36. El cuadro 5.48

muestra las 36 variables con sus estadísticos descriptivos.


316

Cuadro 5.48.

Estadísticos descriptivos de las variables de Competitividad utilizadas en

el análisis factorial con toda la base de datos.

Variable MediaDesviación

típicaN. del

análisis

Intensidad de la competencia local 4,81964 0,73782 138

Sofisticación de compradores 3,83694 0,95888 138

Cantidad de proveedores locales 4,68665 0,69392 138

Calidad de los proveedores locales 4,46743 0,88357 138

Estado de desarrollo de los clusters 3,57756 0,75964 138

Disponibilidad local de equipos de procesamiento 2,92705 1,01283 138

Disponibilidad local de servicios de investigación y formación 3,94016 0,94860 138

Naturaleza de la ventaja competitiva 3,69566 1,00143 138

Presencia global en la cadena de valor 3,76808 1,04847 138

Capacidad de innovación 3,40078 0,98938 138

Sofisticación de los procesos productivos 3,79776 1,08541 138

Control local de distribución internacional 4,05938 0,65426 138

Presencia regional de exportaciones 4,40435 1,11222 138

Presencia internacional de exportaciones 3,72232 1,23594 138

Estandares regulatorios 4,20399 1,02986 138

Política antitrust 3,97174 0,97920 138

Dominio del mercado 3,87957 0,93859 138

Facilidad para empezar negocios 4,12812 0,89907 138

Marketing 4,34609 1,00041 138

Orientación al cliente 4,59652 0,72814 138

Delegación de autoridad 3,94304 0,85311 138

Compensación por incentivos 4,07703 0,77799 138

Profesionalidad de la gestión 4,59159 0,84152 138

Eficacia de los Consejos de Administración 4,66783 0,57834 138

Solidez de los bancos 5,52659 0,78502 138

Facilidad de acceso a bancos 3,41391 0,98029 138

Disponibilidad capital riesgo 3,24312 0,89948 138

Acceso a crédito 4,55399 0,67098 138

Acceso a mercados de capitales 4,38543 1,14745 138

Regulación de intercambio de acciones 4,51862 1,02624 138

Restricciones entrada y salida capitales 4,84188 1,18395 138

Prevalencia propiedad extranjera 5,03072 0,77417 138

Impacto regulacion en FDI 5,01551 0,75126 138

Prevalencia barreras comerciales 4,59623 0,74883 138

Fortaleza de estandares de auditoria y contabilidad 4,70225 0,94288 138

Protección intereses minoritarios 4,47101 0,81077 138



317

Los resultados del test de Bartlett y la prueba KMO indican la adecuación de la

realización del análisis factorial con este conjunto de variables.

Cuadro 5.49.

Prueba KMO y test de Bartlett

0,962

Prueba de esfericidad de BartlettChi-cuadrado aproximado 8220,452gl 630Sig. 0,000

Medida de adecuación muestral de Kaiser-Meyer-Olkin

Las comunalidades obtenidas son altas en todas las variables (véase cuadro

5.50).


318

Cuadro 5.50. Matriz de comunalidades de las variables de competitividad

microeconómica Variable Inicial Extracción

Intensidad de la competencia local 1 0,805

Sofisticación de compradores 1 0,888

Cantidad de proveedores locales 1 0,792

Calidad de los proveedores locales 1 0,929

Estado de desarrollo de los clusters 1 0,715

Disponibilidad local de equipos de procesamiento 1 0,888

Disponibilidad local de servicios de investigación y formación 1 0,908

Naturaleza de la ventaja competitiva 1 0,734

Presencia global en la cadena de valor 1 0,875

Capacidad de innovación 1 0,891

Sofisticación de los procesos productivos 1 0,903

Control local de distribución internacional 1 0,790

Presencia regional de exportaciones 1 0,764

Presencia internacional de exportaciones 1 0,913

Estandares regulatorios 1 0,933

Política antitrust 1 0,886

Dominio del mercado 1 0,835

Facilidad para empezar negocios 1 0,658

Marketing 1 0,877

Orientación al cliente 1 0,854

Delegación de autoridad 1 0,844

Compensación por incentivos 1 0,794

Profesionalidad de la gestión 1 0,781

Eficacia de los Consejos de Administración 1 0,761

Solidez de los bancos 1 0,752

Facilidad de acceso a bancos 1 0,804

Disponibilidad capital riesgo 1 0,836

Acceso a crédito 1 0,588

Acceso a mercados de capitales 1 0,745

Regulación de intercambio de acciones 1 0,863

Restricciones entrada y salida capitales 1 0,652

Prevalencia propiedad extranjera 1 0,859

Impacto regulacion en FDI 1 0,858

Prevalencia barreras comerciales 1 0,680

Fortaleza de estandares de auditoria y contabilidad 1 0,921

Protección intereses minoritarios 1 0,723

Método de extracción: análisis de componentes principales.


319

Cuadro 5.51.

Varianza explicada por cada factor

25,866 71,849 71,849 25,866 71,849 71,849 14,876 41,323 41,323

2,410 6,695 78,544 2,410 6,695 78,544 9,282 25,783 67,106

1,023 2,842 81,386 1,023 2,842 81,386 5,141 14,280 81,386

,848 2,357 83,743

,771 2,141 85,884

,627 1,741 87,625

,587 1,631 89,257

,436 1,211 90,468

,359 ,996 91,464

,330 ,915 92,380

,268 ,746 93,125

,251 ,697 93,822

,230 ,638 94,460

,222 ,617 95,077

,206 ,573 95,650

,189 ,526 96,176

,155 ,431 96,607

,136 ,377 96,984

,122 ,339 97,323

,108 ,300 97,623

,097 ,271 97,894

,090 ,250 98,144

,082 ,229 98,373

,077 ,214 98,587

,069 ,191 98,778

,067 ,187 98,965

,063 ,175 99,140

,055 ,154 99,294

,049 ,136 99,430

,047 ,131 99,561

,036 ,099 99,659

,032 ,088 99,747

,028 ,077 99,825

,023 ,063 99,888

,021 ,059 99,947

,019 ,053 100,000

Componente1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36




Autovalores inicialesSumas de las saturaciones al cuadrado de

la extracciónsuma de las saturaciones al cuadrado de la

rotación

Método de extracción: análisis de componentes principales

Se ha realizado una rotación Varimax y se han extraído tres factores, que

conjuntamente explican más del 81% de la varianza de las variables tal y como

se muestra en el cuadro 5.51.

El primer factor agrupa la mayor parte de las variables e incluye todas las

variables comprendidas en el Factor 1- Competitividad Microeconómica que se

había definido anteriormente, así como algunas de las variables introducidas

ahora. Se puede denominar a este factor Factor 1A- Competitividad


320

Microeconómica. Este factor explica el 41% de la varianza de todas las

variables incluidas y es el que se toma como indicador de la Competitividad

Microeconómica para el análisis posterior.

El segundo de los factores explica aproximadamente el 25% de la varianza

de las variables y agrupa básicamente a las variables que hacen referencia al

sistema financiero. Se podría llamar a este factor Factor 1B – Competitividad

Financiera. El tercer factor sólo incluye tres variables que hacen referencia a la

inversión extranjera y explica el 14% de la varianza de todas la variables. Se

podría denominar a este factor Factor 1C- Competitividad de Inversión. Las

variables asociadas a cada factor se pueden observar en el cuadro 5.52.

Por tanto, de entre las 36 variables de la base de datos que hacen referencia

a aspectos de competitividad microeconómica, se pueden extraer tres factores,

pero hay uno de ellos (el Factor 1A - Competitividad Microeconómica), que

explica el 41% de la varianza del conjunto de variables. Se utilizará este factor

en los análisis posteriores que van a realizarse ya que se conseguirá disminuir

notablemente la complejidad de los datos con un solo factor que es capaz de

explicar gran parte de la varianza de las variables.


321

Cuadro 5.52.


1 2 3

Disponibilidad local de equipos de procesamiento 0,929

Capacidad de innovación 0,886

Presencia global en la cadena de valor 0,845

Presencia internacional de exportaciones 0,831

Disponibilidad local de servicios de investigación y formación 0,831


Control local de distribución internacional 0,807

Cantidad de proveedores locales 0,795

Orientación al cliente 0,792

Dominio del mercado 0,791


Estandares regulatorios 0,751 0,518

Estado de desarrollo de los clusters 0,735

Presencia regional de exportaciones 0,719

Naturaleza de la ventaja competitiva 0,717


Política antitrust 0,708 0,523

Compensación por incentivos 0,677 0,557

Marketing 0,666 0,584

Delegación de autoridad 0,652 0,586

Intensidad de la competencia local 0,646 0,475 0,402

Disponibilidad capital riesgo 0,644 0,600

Fortaleza de estandares de auditoria y contabilidad 0,427 0,774

Regulación de intercambio de acciones 0,401 0,738

Acceso a mercados de capitales 0,413 0,734

Facilidad de acceso a bancos 0,501 0,699

Acceso a crédito 0,693

Solidez de los bancos 0,679 0,495

Profesionalidad de la gestión 0,497 0,653

Eficacia de los Consejos de Administración 0,529 0,615

Protección intereses minoritarios 0,423 0,606 0,420

Prevalencia barreras comerciales 0,577 0,513

Facilidad para empezar negocios 0,477 0,487 0,441

Impacto regulacion en FDI 0,863

Prevalencia propiedad extranjera 0,858

Restricciones entrada y salida capitales 0,702

ComponenteVariables

Método de extracción: análisis de componentes principales. La rotación convergió en 7 iteraciones.


322

Segundo grupo: variables de Tecnología

En el caso del Factor 2 – Tecnología, se han añadido otras diez variables de

contenido tecnológico a las 9 ya incluidas en el Factor 2 del análisis factorial

realizado con una muestra de 34 variables y con las 19 resultantes se ha

realizado de nuevo un análisis factorial.

Cuadro 5.53.

Estadísticos descriptivos de las variables de tecnología utilizadas en el

análisis factorial con toda la base de datos

MediaDesviación

típicaN del

análisis

Disponibilidad de últimas tecnologías 4,3014 1,0869 138

Absorción de tecnología por empresas 4,7168 0,7868 138

Prevalencia de tecnología extranjera 4,4236 0,8595 138

Calidad de las instituciones de investigación 3,9304 0,9457 138

Gasto empresarial en I + D 3,4043 0,9330 138

Colaboración en investigación universidad industria 3,2712 0,9607 138

Competencia en el sector ISP 4,1393 0,9462 138

Uso de Internet por las empresas 3,9940 0,9520 138

Uso de Internet en los colegios 3,6458 1,3729 138

FDI y transferencia tecnología extranjera 4,8289 0,5981 138

Tecnología avanzada proporcionada por el Gobierno 3,6425 0,6479 138

Prioridad del Gobierno a las TIC 4,6266 0,7095 138

Exito Gobierno en promoción de las TIC 4,2060 0,7429 138

Servicios gubernamentales online 3,6220 1,2508 138

TIC y productividad gubernamental 4,1626 0,9052 138

Estrategia del Gobierno en TIC 3,9980 0,8354 138

Presencia TIC en oficinas gobierno 4,3022 0,9281 138

Leyes relativas a TIC 3,7638 1,0851 138

Convergencia contenido digital 4,2955 0,9082 138



323

Cuadro 5.54.

Prueba KMO y test de Bartlett

0,95

Prueba de esfericidad de BartlettChi-cuadrado aproximado 4539,551gl 171Sig. 0,000

Medida de adecuación muestral de Kaiser-Meyer-Olkin

Los resultados del test de Bartlett y la prueba KMO indican la adecuación de

la realización del análisis factorial.

Las comunalidades obtenidas también son altas para casi todas las variables

(véase Cuadro 5.55).


324

Cuadro 5.55.

Matriz de comunalidades de las variables tecnológicas.

Inicial Extracción




Calidad de las instituciones de investigación 1,000 0,811






FDI y transferencia tecnología extranjera 1,000 0,452

Tecnología avanzada proporcionada por el Gobierno 1,000 0,841

Prioridad del Gobierno a las TIC 1,000 0,899

Exito Gobierno en promoción de las TIC 1,000 0,933

Servicios gubernamentales online 1,000 0,805

TIC y productividad gubernamental 1,000 0,821

Estrategia del Gobierno en TIC 1,000 0,959

Presencia TIC en oficinas gobierno 1,000 0,853

Leyes relativas a TIC 1,000 0,916

Convergencia contenido digital 1,000 0,896


En un primer análisis se han obtenido dos factores, uno de los cuales explica

el 76% de la varianza. Se ha realizado una rotación Varimax que ha resultado

nuevamente en dos factores principales, que explican conjuntamente el 83,9%

de la varianza de las variables pero, en este caso, con una distribución más

homogénea, tal y como se muestra en el cuadro 5.56.


325

Cuadro 5.56.

Varianza total explicada por cada factor

14,478 76,202 76,202 14,478 76,202 76,202 9,644 50,758 50,758

1,473 7,750 83,952 1,473 7,750 83,952 6,307 33,195 83,952

,706 3,715 87,667

,589 3,099 90,766

,365 1,922 92,688

,336 1,768 94,455

,216 1,136 95,591

,156 ,820 96,411

,109 ,575 96,986

,107 ,566 97,552

,080 ,421 97,973

,078 ,409 98,382

,060 ,317 98,699

,059 ,309 99,008

,047 ,246 99,254

,044 ,234 99,488

,036 ,190 99,678

,034 ,179 99,857

,027 ,143 100,000

Componente1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19




Autovalores inicialesSumas de las saturaciones al cuadrado de

la extracciónSuma de las saturaciones al cuadrado de

la rotación


En el primer factor, que explica un 50% de la varianza, se agrupan un mayor

número de variables, entre las que se incluyen todas las que se habían

utilizado para el análisis factorial realizado con una muestra de 34 variables y

algunas de las incluidas en este segundo análisis. Se puede denominar a este

primer factor Factor 2A- Tecnología General y es el que se toma de referencia

dentro del apartado de tecnología para el análisis posterior. En el segundo

factor se agrupan básicamente las variables que hacen referencia a las TIC y al

Gobierno. Se puede denominar a este grupo Factor 2B – Gobierno y TIC.


326

Cuadro 5.57.

Matriz de components rotados

1 2

Uso de Internet por las empresas 0,898

Colaboración en investigación universidad industria 0,889

Gasto empresarial en I + D 0,887

Calidad de las instituciones de investigación 0,851

Convergencia contenido digital 0,833 0,450

Leyes relativas a TIC 0,830 0,478





Competencia en el sector ISP 0,751

Servicios gubernamentales online 0,728 0,525

FDI y transferencia tecnología extranjera 0,508 0,441

Estrategia del Gobierno en TIC 0,925

Exito Gobierno en promoción de las TIC 0,921

Prioridad del Gobierno a las TIC 0,888

Presencia TIC en oficinas gobierno 0,573 0,724

Tecnología avanzada proporcionada por el Gobierno 0,570 0,718

TIC y productividad gubernamental 0,562 0,711

Component

Método de extracción: análisis de componentes principales. La rotación convergió en 3 iteraciones

Tercer grupo: variables Institucionales

En el apartado Institucional , a las 5 variables incluidas en el Factor 3-

Institucional, obtenido en el análisis factorial realizado con 34 variables se les

han añadido las 69 restantes variables de la base de datos hasta un total de

74.

La prueba de esfericidad de Bartlett y el test de KMO confirman la adecuación

del análisis factorial para estas variables.


327

Cuadro 5.58.

KMO y prueba de Bartlett

,924

16833,862

2701

,000

Medida de adecuación muestral deKaiser-Meyer-Olkin.

Chi-cuadradoaproximado

gl

Sig.

Prueba de esfericidadde Bartlett

El cuadro 5.59 muestra las variables incluidas e indica las comunalidades,

que como puede observarse son altas para todas las variables.


328

Cuadro 5.59.

Matriz de comunalidades de las variables institucionales

Inicial ExtracciónExpectativas de recesión 1,000 0,627Eficiencia del marco legal 1,000 0,928Gasto público 1,000 0,852Centralización de la política económica 1,000 0,687Derechos de propiedad 1,000 0,878Libertad de prensa 1,000 0,810Fiabilidad de servicios policiales 1,000 0,859Calidad de las infraestructuras 1,000 0,927Sofisticación de los mercados financieros 1,000 0,918Calidad del sistema educativo 1,000 0,877Calidadcarreteras 1,000 0,852Ferrocarril 1,000 0,822Puertos 1,000 0,822Transporte aéreo 1,000 0,846Transporte aéreo internacional 1,000 0,857Redes transporte nacional 1,000 0,872Electricidad 1,000 0,837Infraestructura fax y telefono 1,000 0,740Coste empresarial del terrorismo 1,000 0,853Coste empresarial de la violencia 1,000 0,909Crimen organizado 1,000 0,819Economía sumergida 1,000 0,844Efectividad de nstituciones legislativas 1,000 0,830Confianza en politicos 1,000 0,934Favoritismo de oficiales públicos 1,000 0,930Efecto de los impuestos 1,000 0,784Distorsionde subvenciones 1,000 0,836Costes de la politica agricola 1,000 0,638Peso de la regulacion 1,000 0,754Transparencia del Gobierno 1,000 0,875Procedimientos de aduanas 1,000 0,853Proteccción de la propiedad intelectual 1,000 0,933Reducción de la pobreza 1,000 0,877Calidad de la educación primaria 1,000 0,869Calidad de la educación en matemáticas y yciencias 1,000 0,856



329

Cuadro 5.59.

Matriz de comunalidades de las variables institucionales

Inicial ExtracciónCalidad de las escuelas de negocios 1,000 0,809Fuga de cerebros 1,000 0,773Disponibilidad de científicos e ingenieros 1,000 0,833Practicas de contratación y despido 1,000 0,781Cooperación trabajdor-empleador 1,000 0,710Flexibilidad en determinación de salarios 1,000 0,725Salario y productividad 1,000 0,800Facilidad de contratación de extranjeros 1,000 0,705Formacion del staff 1,000 0,895Desigualdad salarial por sexo 1,000 0,866Empleo de la mujer en el sector privado 1,000 0,859Corrupción empresas nacionales 1,000 0,933Corrupción empresas extranjeras 1,000 0,897Independencia judicial 1,000 0,875Medidas contra la corrupción 1,000 0,884Desviación de fondos públicos 1,000 0,954Pagos irregulares de exportaciones 1,000 0,928Pagos irregulares en energía 1,000 0,862Pagos irregulares en recaudación de impuestos 1,000 0,895Pagos irregulares en contratos públicos 1,000 0,951Pagos irregulares en decisiones judiciales 1,000 0,913coste de la corrupción en los negocios 1,000 0,923Impacto del nepotismo 1,000 0,881Comportamiento ético de las empresas 1,000 0,937Soborno en empresas 1,000 0,911Regulación del cambio climático 1,000 0,852Regulación medioambiental 1,000 0,906Aplicación de la regulación medioambiental 1,000 0,917Calidad medioambiental 1,000 0,768Impacto de la malaria en los negocios 1,000 0,851Impacto de la tuberculosis en los negocios 1,000 0,903Impacto del sida en los negocios 1,000 0,914Impacto del sida en las operaciones 1,000 0,903Política de información del sida 1,000 0,910Política de tests del sida 1,000 0,902Política de prevención del sida 1,000 0,890Políticas de discriminación de sida 1,000 0,844Políticas de tratamiento de sida 1,000 0,901Efectividad de la política de sida en empresas 1,000 0,793Método de extracción: Análisis de Componentes principales.


330

Cuadro 5.60.

Varianza total explicada por cada factor

41,288 55,794 55,794 41,288 55,794 55,794 35,186 47,548 47,548

6,936 9,373 65,168 6,936 9,373 65,168 8,375 11,317 58,866

4,067 5,495 70,663 4,067 5,495 70,663 4,205 5,682 64,548

2,351 3,177 73,840 2,351 3,177 73,840 3,271 4,420 68,968

2,269 3,067 76,907 2,269 3,067 76,907 2,830 3,824 72,792

1,417 1,915 78,822 1,417 1,915 78,822 2,580 3,487 76,279

1,345 1,818 80,640 1,345 1,818 80,640 2,106 2,846 79,125

1,242 1,679 82,319 1,242 1,679 82,319 1,791 2,420 81,544

1,231 1,664 83,983 1,231 1,664 83,983 1,462 1,976 83,520

1,016 1,372 85,355 1,016 1,372 85,355 1,358 1,835 85,355

,846 1,143 86,498

,708 ,957 87,455

,668 ,903 88,358

,603 ,815 89,173

,598 ,808 89,981

,571 ,772 90,753

,514 ,695 91,447

,443 ,599 92,047

,417 ,564 92,610

,386 ,521 93,132

,367 ,495 93,627

,344 ,465 94,092

,292 ,395 94,487

,265 ,358 94,845

,254 ,343 95,188

,235 ,318 95,506

,209 ,283 95,788

,199 ,269 96,057

,192 ,260 96,317

,184 ,248 96,565

,165 ,223 96,788

,159 ,214 97,002

,151 ,205 97,207

,141 ,190 97,397

,134 ,181 97,578

,123 ,166 97,744

,118 ,159 97,904

,115 ,155 98,059

,106 ,144 98,202

,105 ,142 98,345

,089 ,121 98,465

,087 ,117 98,582

,086 ,116 98,699

,074 ,100 98,799

,067 ,090 98,889

,064 ,086 98,975

,061 ,082 99,057

,055 ,074 99,132

,054 ,074 99,205

,053 ,072 99,277

,052 ,070 99,347

,046 ,062 99,408

,043 ,059 99,467

,038 ,052 99,519

,035 ,047 99,566

,034 ,045 99,612

,030 ,040 99,652

,028 ,038 99,690

,027 ,036 99,726

,025 ,034 99,759

,025 ,033 99,793

,022 ,029 99,822

,020 ,027 99,849

,018 ,024 99,873

,016 ,022 99,895

,013 ,018 99,913

,012 ,016 99,929

,010 ,014 99,944

,009 ,012 99,955

,008 ,011 99,967

,008 ,010 99,977

,007 ,010 99,987

,006 ,007 99,994

,004 ,006 100,000

Componente1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74




Autovalores inicialesSumas de las saturaciones al cuadrado

de la extracciónSuma de las saturaciones al cuadrado

de la rotación

Método de extracción: Análisis de Componentes principales.


331

Cuadro 5.61.


1 2 3 4 5 6 7 8 9 10

Corrupción empresas nacionales 0,946

Pagos irregulares contrataciones públicas 0,940

Pagos irregulares judiciales 0,928

Comportamiento ético empresas 0,926

Desvío de fondos públicos 0,921

Protección propiedad intelectual 0,920

Sobornos en empresas 0,915

Pagos irregulares en exportaciones 0,909

Coste de la corrupción en los negocios 0,906

aplicación regulación medioambiental 0,903

Calidad de las infraestructuras 0,893

Corrupción empresas extranjeras 0,889

Regulación medioambiental 0,881

Pagos irregulares recaudación impuestos 0,879

Eficiencia del marco legal 0,878

Favoritismo de oficiales públicos 0,876

Independencia judicial 0,860

Impacto nepotismo 0,859

Formacion staff 0,858

Calidad de carreteras 0,853

Procedimientos de aduanas 0,849

Derechos de propiedad 0,846

Confianza en políticos 0,844

Medidas contra corrupción 0,844

Transparencia del Gobierno 0,844

Pagos irregulares energía 0,843

Sofisticación de los mercados financieros 0,838

Puertos 0,825

Calidad medioambiental 0,816

Fiabilidad de servicios policiales 0,796

Transporte aéreo 0,793

Electricidad 0,790

Economía sumergida 0,776

Calidad del sistema educativo 0,767

Reduccion pobreza 0,752 0,467

Efectividad de instituciones legislativas 0,746

Transporte aéreo internacional 0,742 Calidad educación primaria 0,735

Componente



332

Cuadro 5.61.

Matriz de componentes rotados (cont.)

1 2 3 4 5 6 7 8 9 10

Redes transporte nacional 0,734 0,488

Efectividad de políticas de sida en empresas 0,731

Fuga de cerebros 0,722

Calidad de escuelas de negocio 0,708

Gasto público 0,688 0,503

Ferrocarril 0,680 0,554

Distorsión por subvenciones 0,654 0,564

Infraestructura de fax y teléfono 0,652

Crien organizado 0,594 0,516

Cooperación trabajador empleador 0,560 0,421

Calidad de educación en matemáticas y ciencias 0,547 0,505

Coste empresarial de la violencia 0,528 0,407 0,414

Peso de la regulación 0,508 0,413 0,494

Políticas de tratamiento de sida -0,938

Políticas de información de sida -0,917

Políticas de test de sida -0,914

Políticas de prevención de sida -0,900

Políticas de discriminación por sida -0,863

Impacto del sida en los negocios 0,406 0,787

Impacto del sida en operaciones 0,780

Impacto de tuberculosis en negocios 0,497 0,687

Impacto de malaria en negocios 0,467 0,613 0,451

Expectativas de recesión 0,734

Efecto de imopuestos 0,681

Costes de la política agrícola 0,655

Centralización de la política económica 0,614

Disponibilidad de científicos e ingenieros 0,523 0,598

Flexibilidad en determinación de salarios 0,807

Prácticas de contratación y despido 0,778

Salario y productividad 0,410 0,628

Desigualdad salarial por sexo 0,852

Empleo de la mujer en el sector privado 0,827

Coste empresarial del terrorismo 0,885

Facilidad de contratación de extranjeros 0,625

Libertad de prensa 0,512 0,564

Regulación del cambio climático 0,858

Componente



333

En el cuadro 5.60 se muestran los factores obtenidos, que en este caso

son 10; sin embargo, el primero de ellos explica un 47% de la varianza muy

por encima de los restantes.

La matriz de componentes rotados (cuadro 5.61) muestra además como la

mayoría de las variables se asocian a este primer factor, que es el que se

tomará como base para el análisis de conglomerados y el análisis factorial. Se

llamará a este factor resultante Factor 3A – Institucional.

Una vez obtenidos los tres factores, que constituyen los nuevos indicadores

de competitividad es interesante observar cómo se sitúa cada uno de los

países u observaciones respecto a cada factor. Para ello se realizan gráficos

de dispersión de puntos, al igual que se hizo tras el análisis factorial realizado

con 34 variables. Los gráficos de dispersión de puntos permiten observar cómo

se sitúan todos los países y Cataluña en cuanto a los tres factores obtenidos.

En el primer gráfico de dispersión (Véase Figura 5.13) se han agrupado los

países en función del factor 1A- Competitividad Microeconómica, y 2A –

Tecnología.

Como se puede observar, tanto Cataluña como España en su conjunto se

sitúan en el cuadrante superior derecho, junto a la mayoría de los países más

desarrollados. Sin embargo, la situación de Cataluña más arriba y a la

izquierda indica una mejor posición de esta región frente a España en cuanto a

competitividad microeconómica y sin embargo una posición menos favorable


334

en cuanto a tecnología. Esto es totalmente coherente con el mayor desarrollo

de los clusters en Cataluña, y refuerza una de las hipótesis centrales de este

estudio: que los clusters inciden positivamente en la competitividad y que esa

influencia se manifiesta sobre todo en el aspecto microeconómico.

Figura 5.13.

Gráfico de dispersión de puntos para los factores 1A (Competitividad

Microeconómica) y 2A (Tecnología).

Factor 2A- Tecnología3,000002,000001,000000,00000-1,00000-2,00000-3,00000

Facto

r 1A

- C

om

peti

tivid

ad

Mic

roeco

nó

mic

a

4,00000

2,00000

0,00000

-2,00000

Suiza

Suecia

Japón

HolandaFrancia

FinlandiaDinamarca

Corea.

Austria

Alemania

Reino UnidoNoruega

Islandia

Canadá

Nueva Zelanda

Australia

SingapurLuxemburgo

TaiwanEstados Unidos

Israel

Irlanda

Puerto Rico

Omán

España

EsloveniaCataluña

Sudáfrica

Portugal

EstoniaChile

Túnez

Bielorusia

Qatar

Jordania

Emiratos Arabes Unidos

Namibia

Mauricio

Malta

Botswana

Barbados

Italia

PoloniaLituania

India

China

Costa Rica

República EslovacaPerú Latvia

Panamá

Bahamas

Egipto

Mexico

Zimbabwe

Trinidad y Tobago

Malawi

Georgia

Tajikistan

Moldavia

Argelia

Lesotho

Uganda

Senegal

Zambia

Armenia

Siria

Mauritania

Mali

LibiaChad

Timor-Leste Mongolia

Ghana

Burundi

Bolivia


335

La figura 5.14 muestra a los países agrupados en función de los factores 1 y

3, competitividad microeconómica e instituciones. En este caso el resultado es

parecido, situándose de nuevo Cataluña y España en el cuadrante superior

derecho pero en esta ocasión la diferencia entre ambas observaciones en

cuanto al factor institucional es menor, aunque España sigue estando mejor

posicionada.

Figura 5.14.

Gráfico de dispersión de puntos para los factores 1A

(Competitividad Microeconómica) y 3A (Institucional).


336

Con el objeto de ver más claramente las diferencias entre los países situados

en el mismo cuadrante de Cataluña y España se ha realizado un gráfico de

dispersión de puntos únicamente para los países situados en ese cuadrante

(véase figura 5.15).

En primer lugar se ha realizado para los factores 1A y 2A Se observa cómo

Cataluña se sitúa sensiblemente por encima de España en cuanto a

Competitividad Microeconómica, en una posición destacada y junto a países

como Malasia, China o Reino Unido. España se encuentra en una posición más

cercana a la mayoría de países del grupo, que presentan valores muy

parecidos.


337

Figura 5.15.

Gráfico de dispersión de puntos de los factores 1A (Competitividad

Microeconómica) y 2A (Tecnología) para los países situados en el

cuadrante de España y Cataluña.

Lo mismo ocurre en la figura 5.16, en el que se relacionan los factores 1A y

3A para los países pertenecientes al grupo de Cataluña y España. De nuevo se

observa como la diferencia es mucho más pronunciada en cuanto al factor de

Competitividad Microeconómica que en cuanto al factor Institucional.


338

Figura 5.16. Gráfico de dispersión de puntos de los factores 1A

(competitividad microeconómica) y 3A (Instituciones) para los países

situados en el cuadrante de España y Cataluña.

Estos gráficos de dispersión de punto permiten observar de forma gráfica la

posición relativa de los distintos países y, sobre todo, de España y Cataluña en

función de los tres factores obtenidos.

Pero con el objeto de obtener una mejor clasificación de los países en función

de cada factor se va a realizar un análisis cluster con los factores obtenidos.

Con este análisis se generarán cuatro grupos dentro de cada factor y se

ordenarán de menor a mayor valoración, es decir, el primer grupo contendrá a

los países que hayan obtenido las valoraciones más bajas en las variables


339

representadas por ese factor y el último grupo incluirá aquellos países con

valoraciones más altas en el factor.

6.2.2. Categorización de factores

Se ha realizado de nuevo un análisis cluster con los factores obtenidos. Con

este análisis se generarán grupos dentro de cada factor, lo que permitirá

clasificar a los países de forma más clara en función de cada factor, así como

analizar la distribución de frecuencias en cada uno de los factores.

Factor 1A- Competitividad Microeconómica

Se ha establecido que el número de grupos sea cuatro, y los centros de los


Cuadro 5.62.

Centros de los conglomerados finales para el factor 1A.

1 2 3 4Factor 1A- Competitividad Microeconómica -1,13145 -0,21899 0,78439 1,99250

Conglomerado



Cuadro 5.63.

ANOVA

Suma de cuadrados gl

Media cuadrática F Sig.

Inter-grupos 124,041 3 41,347 427,552 ,000Intra-grupos 12,959 134 ,097Total 137,000 137

Factor 1A- Competitividad Microeconómica


340


frecuencias para el Factor 1A categorizado, que resulta en la siguiente

distribución:

Cuadro 5.64.

Distribución de frecuencias para el factor 1A categorizado

Número inicial de casos

36 26,1 26,1 26,1

56 40,6 40,6 66,7

32 23,2 23,2 89,9

14 10,1 10,1 100,0

138 100,0 100,0

1

2

3

4

Total

ValidFrecuencia Pocentaje

Porcentajeválido

Porcentajeacumulado

Como puede observarse, más del 40% de los países se encuentran en el

grupo 2 en cuanto a Competitividad Microeconómica. Tanto España como

Cataluña se sitúan en el grupo 3. Estos resultados difieren de los obtenidos al

categorizar el Factor 1- Competitividad Microeconómica resultante del análisis

factorial realizado con 34 variables, en el que Cataluña se situaba en el grupo 4

mientras España seguía estando en el grupo 3.

Sin embargo, a pesar de que en este caso las dos observaciones se sitúan

en el grupo 3, el cuadro 5.64 que se muestra a continuación señala los países

incluidos en cada uno de los grupos ordenados de mayor a menor puntuación

factorial y se puede observar que aunque Cataluña se encuentra en el grupo 3,

está entre los primeros del grupo en cuanto a puntuación factorial (1,02799) y,


341

por tanto, en cuanto a Competitividad Microeconómica, claramente por encima

de España (0,65187).

Cuadro 5.65.

Distribución de países según el factor 1A categorizado

Grupo 1 Grupo 2 Grupo 3 Grupo 4Tanzania Emiratos Arabes Unidos China Japón Jamaica Kenia Reino Unido Alemania Mauricio Hungría Cataluña (1,02799) Suiza Panamá Libia Malasia Corea. Armenia Nigeria Bielorusia Italia Timor-Leste Chipre Uzbekistan Estados Unidos Venezuela Mauritania Canadá Taiwan Burundi Bulgaria Eslovenia Austria Montenegro Jordania Túnez Francia Malta Croacia Omán Holanda Nepal Mexico Indonesia Dinamarca Gambia Sudáfrica Noruega Finlandia Barbados Chad Israel Bélgica Burkina Faso Nueva Zelanda Hong Kong SAR Suecia Nicaragua Chile República Checa Bolivia Filipinas Siria Mongolia Portugal Arabia Saudí Guyana Tajikistan Ucrania Bangladesh Qatar Brasil Trinidad y Tobago Camboya India Bosnia y Herzegovina Colombia Singapur Paraguay Benin España (0,65187) Albania Serbia Luxemburgo Mozambique República Dominicana Islandia Zimbabwe República Kirguistán Azerbayán Bahrain Camerún Costa Rica Georgia República Eslovaca Irlanda Lesotho Uruguay Egipto Suriname Grecia Polonia Bahamas Estonia Turquía Ghana Mali Lituania Malawi Argelia Argentina Namibia Madagascar Botswana Latvia Angola Macedonia, FYR Zambia Honduras

Ecuador Uganda Brunei Etiopía El Salvador Perú Pakistán Moldavia



342

Factor 2A – Tecnología

Los centros de los conglomerados finales obtenidos para el factor de

tecnología son los siguientes:

Cuadro 5.66.

Centros de los conglomerados finales para el factor 2A- tecnología

1 2 3 4Factor 2A- Tecnología -1,25173 -0,45032 0,37421 1,64676

Conglomerado



Cuadro 5.67.

ANOVA




Factor 2A- Tecnología

La distribución de frecuencias indica como también en el caso de este factor

un mayor porcentaje de países se encuentra en el grupo 2; no obstante,

España y Cataluña se encuentran en el grupo 3.


343

Cuadro 5.68.




Válidos 1 28 20,3 20,3 20,32 46 33,3 33,3 53,63 39 28,3 28,3 81,94 25 18,1 18,1 100,0

Total 138 100,0 100,0

En este caso España obtiene una puntuación factorial ligeramente superior a

la de Cataluña (0,68715 frente a 0,51337), como puede observarse en el

cuadro que se muestra a continuación pero ambas están en la parte superior

del grupo 3, es decir, entre los países con mayor puntuación en cuanto a

tecnología dentro de su grupo.


344

Cuadro 5.69.

Distribución de países según el factor 2A categorizado.

Grupo 1 Grupo 3 Grupo 4Bolivia Mexico Singapur Suiza Macedonia, FYR Grecia Sudáfrica Alemania Vietnam Zimbabwe Polonia Estados Unidos Guyana Namibia Malasia Reino Unido Libia Arabia Saudí Eslovenia Suecia Nicaragua Túnez República Eslovaca Israel Camboya Barbados Estonia Holanda Lesotho Serbia España (0,68715) Canadá Camerún Ecuador Brasil Japón Ghana Trinidad y Tobago Hungría Bélgica Siria Bielorusia Luxemburgo Finlandia Mozambique Jordania Cataluña (0,51337) Corea. Tajikistan Bulgaria India Austria Moldavia Colombia Chile Australia Albania Uruguay Latvia Dinamarca Gambia Rumania Panamá Noruega Timor-Leste Malta Lituania Indonesia Mongolia Bosnia y Herzegovina Filipinas República Checa Chad Honduras Tailandia Puerto Rico Burkina Faso Nigeria Turquía Islandia Benin Pakistán Kuwait Irlanda Burundi Azerbayán Argentina Nueva Zelanda Madagascar Qatar Italia Francia Mali Senegal Rusia Hong Kong SAR Etiopía Suriname Croacia Taiwan Angola Egipto Costa Rica Argelia Emiratos Arabes Unidos Chipre Mauritania República Dominicana Guatemala

Marruecos Omán Kazastán Jamaica Georgia Kenia República Kirguistán Sri Lanka Zambia China Mauricio Venezuela Malawi Bahamas Uganda Ucrania Botswana Perú El Salvador Portugal Bahrain Uzbekistan Tanzania Brunei Nepal Armenia Bangladesh Montenegro Paraguay

Grupo 2



345

Factor 3A - Institucional

En el caso del factor de Instituciones los centros de los conglomerados

obtenidos son los siguientes:

Cuadro 5.70.

Centros de los conglomerados finales para el factor 3A- Institucional

1 2 3 4Factor 3A - Institucional -1,03222 -0,28100 0,76110 1,81570

Conglomerado



Cuadro 5.71.

ANOVA




Factr 3A- Instituciones

La distribución es algo más homogénea que para los dos factores anteriores.

También en el caso de este factor, España y Cataluña obtienen valoraciones

parecidas y se encuentran en el grupo 3.


346

Cuadro 5.72.


La posición de Cataluña (0,48143) es inferior a la de España (0,7539) en

cuanto a puntuación factorial y, por tanto, en cuanto al indicador Institucional,

tal y como muestra el cuadro 5.73.

41 29,7 30,1 30,1 48 34,8 35,3 65,4 28 20,3 20,6 86,0 19 13,8 14,0 100,0

136 98,6 100,0

2 1,4

138 100,0

1 2 3 4 Total

Valido

Total

Frecuencia PorcentajePorcentaje válido

Porcentaje acumulado


347

Cuadro 5.73.

Distribución de países según el factor 3A- Institucional

Grupo 1 Grupo 2 Grupo 3 Grupo 4Mali Tailandia Bélgica Finlandia Rumania Costa Rica Barbados Dinamarca Madagascar Zimbabwe Sudáfrica Singapur Ghana Turquía Irlanda Nueva Zelanda Suriname Malawi Emiratos Arabes Unidos Suecia Timor-Leste El Salvador Chile Holanda Ucrania Italia Estados Unidos Islandia República Dominicana Gambia Malasia Alemania Zambia Panamá Portugal Australia Nicaragua Lituania Israel Suiza Uganda Guatemala Taiwan Noruega Nepal Colombia Eslovenia Austria Filipinas Jamaica Túnez Reino Unido Rusia Latvia Botswana Luxemburgo Benin Moldavia España (0,7539) Japón Nigeria Hungría Qatar Francia Burundi Arabia Saudí Namibia Canadá Ecuador Honduras Uruguay Corea. Montenegro Kuwait Brunei Hong Kong SAR Vietnam Bahamas Puerto Rico Bolivia Sri Lanka Omán Venezuela Croacia Estonia República Kirguistán Mexico Cataluña (0,48143) Albania Grecia Jordania Mauritania Polonia Bahrain Libia Marruecos Malta Camboya Tanzania Mauricio Argentina Etiopía Bielorusia Azerbayán Georgia Serbia Egipto Senegal Kenia Bosnia y Herzegovina Macedonia, FYR Camerún República Checa Armenia Argelia Paraguay Pakistán Chad República Eslovaca Angola Tajikistan Siria India Mongolia Perú Indonesia China Bangladesh Kazastán

Brasil Mozambique Burkina Faso Lesotho Trinidad y Tobago Bulgaria Guyana



348

Los resultados son diferentes a los obtenidos en el análisis de conglomerados

con los factores resultantes del primer análisis factorial, ya que en el área de

instituciones, Cataluña se quedaba rezagada en el grupo 1 y España también

obtenía una calificación desfavorable en el grupo 2. Parecen más coherentes

los resultados obtenidos en el presente análisis factorial, realizado con toda la

base de datos, ya que si bien Cataluña presenta ciertamente desventajas a

institucionales, en parte derivadas del hecho de comparar una Comunidad

Autónoma con países, como se ha señalado en el capítulo 4 de esta tesis, no

es lógico suponer que dichas desventajas le sitúen en el grupo 1, junto a

muchos países subdesarrollados.

Las diferencias de resultados de Cataluña y España en los dos análisis

factoriales respecto al factor Institucional se deben a que en el primer análisis

factorial, realizado con una muestra de 34 variables, el factor Institucional

estaba formado por un número reducido de variables, y en el análisis factorial

realizado en el presente apartado, con todas las variables de la base de datos,

el factor Institucional cuenta con un número muy superior de variables y es más

consistente.

6.2.3. Análisis de la relación entre el “estado de desarrollo de los clusters” y los

factores de competitividad mediante análisis de correspondencias múltiples

Con estos tres nuevos factores categorizados que constituyen los nuevos

indicadores de competitividad obtenidos con el análisis factorial de todas las

variables se ha realizado un análisis de correspondencias múltiples con el


349

objeto de ver cómo se asocian las distintas categorías. Se han añadido las

variables “región” y “estado de desarrollo de los clusters”. El Cuadro 5.74.

muestra un resumen del modelo realizado.

Cuadro 5.74.

Resumen del modelo de correspondencias múltiples de los

tres factores obtenidos con toda la base de datos

La figura 5.17. muestra de forma muy clara como los tres factores y la

variable “estado de desarrollo de los clusters” se asocian según los grupos

establecidos. En el caso de la variable “estado de desarrollo de los clusters” y

el factor 1A- Competitividad Microeconómica, se observa como la asociación es

muy clara en todos los valores pero especialmente en los valores centrales.

Las observaciones correspondientes a los grupos 2 y 3 de la variable “estado

de desarrollo de los clusters” categorizada se asocian muy estrechamente a las

correspondientes a los grupos 2 y 3 del factor 1A- Competitividad

Microeconómica. En las observaciones correspondientes al grupo 1 la

asociación también es fuerte y se observa asociación, aunque no tan estrecha

en los valores correspondientes al grupo 4.

,904 3,610 ,722

,655 2,101 ,420

5,711 1,142

,812 2,855 ,571

Dimension 1 2 Total Media

Alpha de Cronbach's

TotalAutovalores Inercia

Varianza


350

La variable “estado de desarrollo de los clusters” también se asocia claramente

al factor 2A- Tecnología y al 3A-Institucional para cada uno de los grupos.

En cuanto a las regiones es también muy claro como UE15, Oceanía y

América del Norte están asociadas a los grupos 4 de todas las variables, África

a los valores 1 y Asia, Resto de Europa y Resto de América están entre los

valores 2 y 3 de todas las variables.

Figura 5.17.

Diagrama conjunto de puntos de categorías de los factores

obtenidos con toda la base de datos

Dimension 13210-1

Dimension 2

1,5

1,0

0,5

0,0

-0,5

-1,0

-1,5

Africa

Oceanía

Asia Resto América

América del Norte

Resto europa

EU 15

4

3

2

1 4

3

2

14

3

2

1 4

3

2

1

Región Factor 3 InstitucionesFactor 2 Tecnología

Factor 1 Competitividad Microeconómica



351

Como conclusiones de este segundo análisis factorial realizado con todas las

variables de la base de datos se pueden señalar las siguientes:

a) Se han obtenido tres factores que explican la mayor parte de la varianza

de las variables, agrupadas en tres temas: Competitividad

Microeconómica (factor 1A), Tecnología (factor 2A) e Institucional

(factor 3A). Estos tres factores son los indicadores de competitividad

que se utilizarán para medir los resultados de España y Cataluña en

cuanto a competitividad.

b) La categorización de estos factores permite clasificar a los 137 países y

a Cataluña en función de su grado de competitividad microeconómica,

avance tecnológico y calidad de sus instituciones. Cataluña se sitúa en

el grupo 3 en términos de Competitividad Microeconómica, al igual que

España. Sin embargo, los cuadros de distribución de países según los

grupos ordenados por puntuación factorial permiten comprobar que la

posición de Cataluña dentro del grupo 3 de Competitividad

Microeconómica es superior a la de España.

c) En términos de tecnología e institucional tanto España como Cataluña

presentan resultados similares y están incluidas en el grupo 3.

d) El análisis de correspondencias múltiples ha permitido constatar que el

“estado de desarrollo de los clusters” se asocia muy estrechamente con

los tres indicadores de competitividad y, en concreto, con los resultados

de Competitividad Microeconómica, especialmente en los valores

centrales, correspondientes a los grupos 2 y 3, aunque la asociación es

claramente observable también en los otros grupos. Esto corrobora, al

igual que sucedía con el análisis factorial realizado con 34 variables en


352

el apartado 6.1 de este capítulo, la hipótesis central de este estudio,

que es la influencia de los clusters en la competitividad de los países y

regiones.

7. ANÁLISIS DE LA RELACIÓN CAUSAL ENTRE CLUSTERS Y

COMPETITIVIDAD MEDIANTE REGRESIÓN LINEAL.

Los dos análisis factoriales que se han realizado han permitido comprobar

una clara asociación entre la variable “estado de desarrollo de los clusters” y

los tres factores hallados (Competitividad Microeconómica, Tecnología e

Institucional). Un análisis de regresión lineal permitirá analizar la relación de

causalidad entre los clusters y la competitividad y comprobar si son los clusters

los que influyen en la competitividad, y en su caso, a través de qué variables lo

hacen, o si por el contrario es un mayor grado de competitividad el que genera

un mejor desarrollo de los clusters.

Para analizar la posible influencia de los clusters en la competitividad y las

variables a través de las cuales se produce esa influencia se van a utilizar los

factores obtenidos en los dos análisis factoriales realizados. Por tanto, se

realizarán dos grupos de regresiones factoriales, una con los factores

obtenidos en el análisis factorial realizado con 34 variables, y una segunda con

los factores obtenidos en el análisis factorial realizado con todas las variables

de la base de datos.


353

7.1. Regresión lineal con los indicadores de competitividad resultantes

del análisis factorial realizado con 34 variables

Tomando como base el primer análisis factorial que se ha realizado (en el

que se obtuvieron tres factores que representan tres indicadores de

competitividad (Factor 1- Competitividad Microeconómica, Factor 2 –

Tecnología y Factor 3 – Institucional), se ha realizado un análisis de regresión

lineal con el objeto de estudiar la influencia del Estado de desarrollo de los

clusters sobre estos tres factores, y por tanto en la competitividad, y viceversa.

Para ello, en primer lugar, se ha analizado la influencia de los tres factores

sobre el estado de desarrollo de los clusters y, a continuación, se ha analizado

el efecto inverso: la influencia del estado de desarrollo de los clusters sobre

cada uno de los tres factores.

7.1.1. Variable dependiente: estado de desarrollo de los clusters

En primer lugar se ha realizado un análisis de regresión tomando como

variable dependiente la variable “estado de desarrollo de los clusters” y como

variables independientes los tres factores obtenidos en el primer análisis

factorial que se realizó: Factor 1- Competitividad Microeconómica, Factor 2-

Tecnología y Factor 3-Institucional.


354

Cuadro 5.75.

Resumen del modelo de regresión con los indicadores obtenidos en el

primer análisis factorial y el estado de desarrollo de los clusters como

variable dependiente.

Resumen del modelo

,839a ,703 ,697 ,41832Modelo1

R R cuadradoR cuadradocorregida

Error típ. de laestimación

Variables predictoras: (Constante), Factor 3 - Institucional,Factor 2 - Tecnología, Factor 1 - Competitividad

a.

El coeficiente de correlación múltiple es claramente alto, lo que indica una

relación fuerte entre la variable dependiente y los tres factores. El coeficiente

de determinación obtenido R cuadrado es de 0,703 lo que indica que más

del 70% de la varianza de la variable “estado de desarrollo de los cluster” está

explicada por el modelo.

El test ANOVA nos permite aceptar la bondad del modelo, y el dato de

significación muestra que la variación explicada por el modelo no se debe al

azar.

Cuatro 5.76.

Test ANOVA.

55,608 3 18,536 105,927 ,000a

23,448 134 ,175

79,056 137

Regresión

Residual

Total

Modelo1

Suma decuadrados gl

Mediacuadrática F Sig.

Variables predictoras: (Constante), Factor 3 - Institucional, Factor 2 - Tecnología,Factor 1 - Competitividad

a.

Los coeficientes beta (β) son todos estadísticamente significativos. Los


355

factores de Competitividad, Tecnología e Institucional tienen por tanto un

impacto positivo en el “estado de desarrollo de los cluster”, aunque se observa

que la Competitividad Microeconómica es el factor con mayor peso.

Cuadro 5.77.

Coeficientes para los tres factores.

3,578 ,036 100,467 ,000

,501 ,036 ,659 14,004 ,000

,325 ,036 ,428 9,095 ,000

,223 ,036 ,294 6,240 ,000

(Constante)

Factor 1 - Competitividad

Factor 2 - Tecnología

Factor 3 - Institucional

Modelo1

B Error típ.

Coeficientes noestandarizados

Beta

Coeficientesestandarizados

t Sig.

7.1.2. Variable independiente: estado de desarrollo de los clusters

En este análisis de regresión se trata de comprobar la influencia del “estado

de desarrollo de los clusters” sobre cada uno de los tres indicadores de

competitividad que han resultado del análisis factorial realizado con 34

variables, es decir, si el “estado de desarrollo de los clusters” influye sobre la

Competitividad Microeconómica (representada por las variables incluidas en el

Factor 1-Competitividad), si influye sobre la competitividad Tecnológica

(representada por las variables incluidas en el Factor 2-Tecnología) y si influye

sobre la competitividad Institucional (representada por las variables incluidas en

el Factor 3- Institucional). Para ello se realizan tres regresiones lineales

bivariables en las que la variable independiente es el “estado de desarrollo de

los clusters” y la variable dependiente será cada uno de los tres factores

resultantes del análisis factorial realizado con anterioridad.


356

a) Primer análisis

Variable independiente: “estado de desarrollo de los clusters”

Variable dependiente: Factor 1-Competitividad Microeconómica

Cuadro 5.78.

Resumen del modelo de regresión del factor 1A y el

“estado de desarrollo de los clusters”.

,659a ,434 ,430 ,75501613Modelo1

RR

cuadradoR cuadradocorregida

Error tip. de laestimación

Variables predictoras: (Constante), "estado de desarrollode los clusters".

a.

En este caso el coeficiente R obtenido muestra que hay una relación

significativa entre el “estado de desarrollo de los clusters” y la competitividad

definida por el Factor 1. El R cuadrado obtenido indica que un 43,4% de la

varianza del Factor 1-Competitividad está explicada por el modelo.



azar.

Cuadro 5.79.

Test ANOVA.

59,473 1 59,473 104,330 ,000 a

77,527 136 ,570

137,000 137

Regresion Residual

Total

Modelo 1

Suma decuadrados df


Predictores: (Constante), "estado de desarrollo de los clusters".a.


357

Cuadro 5.80.

Coeficientes del modelo.

El coeficiente beta (β) es estadísticamente significativo1. El “estado de

desarrollo de los clusters” tiene por tanto un impacto positivo en el grado de

Competitividad Microeconómico.

b) Segundo análisis


Variable dependiente: Factor 2- Tecnología

Cuadro 5.81.

Resumen del modelo de regresión del factor 2 y el


,428a ,183 ,177 ,90714850Modelo1

RR

cuadradoR cuadrado

ajustadoError tip. de la

estimación

Predictores: (Constante), "estado de desarrollo de losclusters".

a.

El test ANOVA nos permite aceptar la bondad del modelo y el dato de


azar.

1 El coeficiente beta es el coeficiente de regresión parcial estandarizado y define la ecuación de regresión.

-3,103 ,311 -9,993 ,000

,867 ,085 ,659 10,214 ,000

(Constante)


Modelo 1

B Error tip.


Beta


t Sig.


358

Cuadro 5.82.

Test ANOVA.

El coeficiente beta (β) es estadísticamente significativo. El “estado de

desarrollo de los clusters” tiene por tanto un impacto positivo en el aspecto de

tecnología.

Cuadro 5.83.

Coeficientes para el modelo de regresión del factor 2 y

el “estado de desarrollo de los clusters”.

En este caso tanto el coeficiente R como R cuadrado descienden

significativamente, lo que indica que la relación del “estado de desarrollo de los

clusters” sobre el Factor 2 – Tecnología es menos significativa que sobre el

Factor 1.

c) Tercer análisis


Variable dependiente: Factor 3- Institucional

25,083 1 25,083 30,481 ,000 a

111,917 136 ,823

137,000 137

Regresion Residual

Total

Modeo 1

Suma decuadrados df



-2,015 ,373 -5,401 ,000

,563 ,102 ,428 5,521 ,000

(Constante)


Modelo 1

B Error tip.


Beta


t Sig.


359

En el caso del Factor 3 – Institucional, el resultado muestra una relación aún

menor entre el “estado de desarrollo de los clusters” y las instituciones. El R

obtenido en la regresión lineal es de 0,294 y el dato de R cuadrado obtenido

indica que tan sólo un 0,86% de la varianza del Factor 3 – Institucional está


Cuadro 5.84.

Resumen del modelo de regresión entre el factor 3 y el


,294a ,086 ,079 ,95943906Modelo1

RR

cuadradoR cuadrado

ajustadoError tip. de la

estimación


a.

Cuadro 5.85.

Test ANOVA.

El test ANOVA permite aceptar la bondad del modelo y el coeficiente beta (β)

es estadísticamente significativo. El “estado de desarrollo de los clusters” tiene

por tanto un impacto positivo en las instituciones, aunque el R cuadrado

obtenido muestra que este impacto es bajo.

11,809 1 11,809 12,828 ,000 a

125,191 136 ,921

137,000 137

Regresion Residual Total

Modelo 1

Suma decuadrados df




360

Cuadro 5.86.

Coeficiente para el modelo de regresión del factor 3 y el “estado de

desarrollo de los clusters”.

7.2. Regresión lineal con los indicadores de competitividad resultantes

del análisis factorial de toda la base de datos.

En esta ocasión el análisis de regresión lineal se ha realizado tomando los

indicadores resultantes del segundo análisis factorial ,el que se ha realizado

incluyendo todas las variables de la base de datos, y que son el factor 1A-

Competitividad Microeconómica, el factor 2A-Tecnología y el factor 3A-

Institucional.

La regresión lineal se ha realizado también en dos fases: en primer lugar, se

ha estudiado la influencia de los tres factores sobre el “estado de desarrollo de

los clusters” y, a continuación, se ha estudiado la influencia del “estado de

desarrollo de los clusters” sobre cada uno de los factores.

7.2.1. Variable dependiente: “estado de desarrollo de los clusters”.

En primer lugar, se ha realizado un análisis de regresión tomando como

-1,383 ,395 -3,504 ,001

,386 ,108 ,294 3,582 ,000

(Constante)

"estado dedesarrollo de los clusters"

Modelo 1

B Error tip.


Beta


t Sig.


361

variable dependiente la variable Estado de desarrollo de los clusters y como

variables independientes los tres factores obtenidos en el segundo análisis

factorial que se realizó.

Cuadro 5.87.

Resumen del modelo de regresión con los indicadores obtenidos en el

análisis factorial con toda la base de datos y el “estado de desarrollo de

los clusters”.

,801a ,642 ,634 ,46137Modelo1

RR

cuadradoR cuadrado

ajustadoError típico dela estimación

Predictores: (Constante), Factor 3A - Instituciones, Factor1A- Competitividad Microeconómica, Factor 2A- Tecnología

a.

El coeficiente de correlación múltiple es claramente alto, lo que indica una

relación fuerte entre la variable dependiente y los tres factores. El coeficiente

de determinación obtenido o R cuadrado es de 0,634 lo que indica que más

del 60% de la varianza de la variable cluster está explicada por el modelo, es

decir, los tres indicadores de competitividad influyen sobre el estado de

desarrollo de los clusters.



azar.


362

Cuadro 5.88.

Test ANOVA.

Los coeficientes beta (β) son estadísticamente significativos para los factores

1A-Microeconomía y 2A- Tecnología, aunque no para el factor de Institucional.

Los factores de Competitividad Microeconómica y Tecnología tienen un

impacto positivo en el “estado de desarrollo de los clusters”.

Cuadro 5.89.

Coeficientes para los tres factores.

7.2.2. Variable independiente: “estado de desarrollo de los clusters”

En este análisis de regresión se trata de comprobar la influencia del Estado

de desarrollo de los clusters sobre cada uno de los tres indicadores de

competitividad que han resultado del segundo análisis factorial, es decir, si el

“estado de desarrollo de los clusters” influye sobre la Competitividad

50,446 3 16,815 78,998 ,000 a

28,097 132 ,213

78,544 135

Regression Residual

Total

Modelo 1

Suma decuadrdos df


Predictores: (Constante), Factor 3A - Instituciones, Factor 1A- Competitividad Microeconómica, Factor 2A- Tecnología

a.

3,574 ,040 90,325 ,000

,295 ,058 ,388 5,089 ,000

,307 ,070 ,406 4,363 ,000,066 ,058 ,086 1,129 ,261

(Constante)

Factor 1A- Competitividad Microeconómica Factor 2A- Tecnología Factor 3A - Instituciones

Modelo 1

B Std. Error


Beta


t Sig.


363

Microeconómica (entendida como las variables incluidas en el Factor 1A-

Competitividad microeconómica), si influye sobre la competitividad Tecnológica

(entendida como las variables incluidas en el Factor 2A-Tecnología) y si influye

sobre la competitividad Institucional (entendida como las variables incluidas en

el Factor 3A- Instituciones). Para ello se realizan tres regresiones lineales

bivariables en las que la variable independiente es el “estado de desarrollo de

los clusters” y la variable dependiente será cada uno de los tres factores

resultantes del análisis factorial realizado con anterioridad.

a) Primer análisis”

Variable independiente: “estado de desarrollo de los clusters

Variable dependiente: Factor 1A-Competitividad Microeconómica

Cuadro 5.90.

Resumen del modelo de regresión entre el factor 1A y el “estado de


,735a ,540 ,536 ,68096766Modelo1

RR

cuadrado

Rcuadradoajustado

Error tip de laestimación

Predictores: (Constant), "estado de desarrollo de losclusters".

a.

El coeficiente de correlación múltiple es alto, lo que indica una relación clara

entre el “estado de desarrollo de los clusters” y la Competitividad

Microeconómica. El coeficiente de determinación obtenido o R cuadrado es de

0,536 lo que indica que más del 50% de la varianza de la variable cluster está



364



azar.

Cuadro 5.91.

Test ANOVA.

Cuadro 5.92.

Coeficientes para el modelo de regresión del factor 1A y el “estado de


El coeficiente beta (β) es estadísticamente significativo. El “estado de

desarrollo de los clusters” tiene por tanto un impacto positivo en el grado de

competitividad microeconómico y esto corrobora una de las hipótesis

principales de esta tesis.

b) Segundo análisis


Variable dependiente: Factor 2- Tecnología

73,934 1 73,934 159,439 ,000 a

63,066 136 ,464

137,000 137

Regresion Residual

Total

Modelo 1

Suma decuadrados df


Predictorse: (Constante), "estado de desarrollo de los clusters".a.

-3,460 ,280 -12,353 ,000

,967 ,077 ,735 12,627 ,000

(Constante)


Modelo 1

B Error tip.


Beta


t Sig.


365

En este caso se trata de comprobar si existe relación directa entre el estado

de desarrollo de los clusters y la tecnología, medida por el factor 2A.

Cuadro 5.93.

Resumen del modelo de regresión entre el factor 2A

y el “estado de desarrollo de los clusters”

El coeficiente de correlación múltiple es alto, lo que indica una relación clara

entre el estado de desarrollo de los clusters y la competitividad tecnológica. El

coeficiente de determinación obtenido o R cuadrado es de 0,56 lo que indica

que más del 50% de la varianza de la variable cluster está explicada por el

modelo.



azar.

,751 a ,563 ,560 ,66326385

Modelo 1

R R

cuadrado

Rcuadradoajustado

Error tip. de la estimación


a.


366

Cuadro 5.94.

Test ANOVA.

Estos resultados difieren sensiblemente de los obtenidos al realizar esta

misma regresión lineal pero con el factor tecnológico obtenido en el primer

análisis factorial, en el que la correlación entre ambos no era tan significativa.

El coeficiente beta (β) es estadísticamente significativo. El “estado de desarrollo

de los clusters” tiene por tanto un impacto positivo en el factor de Tecnología.

Cuadro 5.95.

Coeficientes para el modelo de regresión del factor 2A y el “estado de

desarrollo de los clusters.

c) Tercer análisis


Variable dependiente: Factor 3- Institucional

En el caso del Factor 3 – Institucional, el resultado muestra una relación menor

77,171 1 77,171 175,421 ,000 a

59,829 136 ,440

137,000 137

Regresion Residual

Total

Modelo 1

Suma decuadrado

s dfMedia

cuadratica F Sig.


-3,535 ,273 -12,958 ,000

,988 ,075 ,751 13,245 ,000

(Constante)


Modelo 1

B Error tip.


Beta


t Sig.


367

entre el ”estado de desarrollo de los clusters” y las Instituciones, que son los

otros dos indicadores de competitividad. El dato de R cuadrado obtenido indica

que un 35% de la varianza del Factor 3 – Institucional está explicada por el

modelo. Sin embargo, este resultado es significativamente más alto que el que

se obtenía con el factor 1- Institucional obtenido en el primer análisis factorial

con 34 variables.

Cuadro 5.96.

Resumen del modelo de regresión entre el factor 3A y

el “estado de desarrollo de los clusters”.

,601a ,361 ,356 ,80249352Modelo1

RR

cuadrado

Rcuadradoajustado

Error tip. de ladesviación


a.



azar.

Cuadro 5.97.

Test ANOVA.

48,705 1 48,705 75,629 ,000 a

86,295 134 ,644

135,000 135

Regresion Residual

Total

Modelo 1

Suma decuadrados df




368

Cuadro 5.98.

Coeficientes para el modelo de regresión del factor 3A y “el estado de


El coeficiente beta (β) es estadísticamente significativo. El estado de

desarrollo de los clusters tiene por tanto un impacto positivo en el factor de las

instituciones.

Como conclusiones del análisis de regresión lineal se pueden señalar las

siguientes:

a) Se ha comprobado cómo el “estado de desarrollo de los clusters” es un

predictor de la competitividad a través de factores de Competitividad

Microeconómica, de Tecnología e Institucional, aunque la influencia

mayor se produce a través de los factores microeconómicos.

b) Pero también los tres factores en los que se han dividido las variables de

competitividad (Microeconómicos, de Tecnología e Institucionales)

influyen en el “estado de desarrollo de los clusters”, siendo de nuevo la

influencia de los factores de Competitividad Microeconómico la mayor de

las tres.

-2,812 ,331 -8,506 ,000

,787 ,091 ,601 8,696 ,000

(Constante)


Modelo 1

B Error tip.


Beta


t Sig.


369


370

PARTE IV

CONCLUSIONES

CAPITULO 6

CONCLUSIONES

Capítulo 6. Conclusiones

372


373

ÍNDICE

1. INTRODUCCIÓN.........................................................................................375

2. CONCLUSIONES PARCIALES...................................................................377

2.1. Del marco conceptual...........................................................................377

2.1.1. Conclusiones parciales respecto al concepto de

competitividad...........................................................................377

2.1.2. Conclusiones parciales respecto al concepto de cluster............379

2.2. Del estudio empírico.............................................................................380

2.2.1. Primera fase................................................................................380

2.2.2. Segunda fase..............................................................................382

3. CONCLUSIONES DE LA INVESTIGACIÓN................................................385


374


375

1. INTRODUCCIÓN

El objetivo de esta tesis es demostrar la posible influencia de los clusters en la

competitividad y analizar a través de qué mecanismos o variables se produce

dicha influencia. Para ello se ha estudiado la situación competitiva de España y

otros 136 países y el grado de desarrollo de sus clusters. Además, se ha

realizado un análisis de una región española, Cataluña, en la que existe un

elevado grado de desarrollo de los clusters para intentar comprobar si éstos

están impulsando positivamente el desarrollo económico de esta región y si su

experiencia puede ser aplicada a otras regiones para lograr mejorar la

competitividad de la economía española.

Tal y como se ha desarrollado en capítulos anteriores de esta tesis, los

conceptos de clusters y competitividad han sido ampliamente estudiados y

analizados, y la relación o posible influencia de los clusters sobre la

competitividad de países y regiones es objeto de interés no sólo por parte de la

comunidad académica, sino también por parte de las empresas y

administraciones públicas. A pesar de ello, no existen estudios empíricos que

analicen la influencia de los clusters en la competitividad de países y regiones

con un enfoque global e integrador.

Este vacío justifica el interés que puede tener esta tesis para los estudiosos,

administraciones públicas y sector empresarial, ya que se realiza un análisis en


376

profundidad de la importancia de los clusters en la competitividad en España y,

de forma específica, en Cataluña, en el que además:

- se utiliza un concepto de competitividad de países y regiones amplio e

integrador, en el que se incluyen múltiples variables de tipo macroeconómico y

microeconómico

- se utiliza un concepto de cluster amplio en el que caben agrupaciones del

tipo de los distritos industriales pero también de otras características, en el que

se considera relevante la dimensión geográfica y en el que pueden coexistir

empresas de distintos tamaños, así como instituciones y otros tipos de

organismos

- además de Cataluña y España se incluyen otros 136 países, lo que

proporciona una visión internacional del tema

- se combina una metodología ampliamente reconocida, como es la del Índice

de Competitividad de los Negocios del Foro Económico Mundial, con métodos

estadísticos alternativos. El Índice de Competitividad de los Negocios

proporciona una selección de variables reconocida y probada, así como unos

primeros resultados, que podrán ser analizados en mucho más detalle y

profundidad mediante la utilización de métodos estadísticos alternativos.

En el estudio realizado a lo largo de esta tesis se ha partido de las siguientes

hipótesis:

1. Los clusters pueden influir positivamente en la competitividad de los

países y las regiones


377

2. La influencia de los clusters sobre la competitividad suelen producirse

especialmente a través de determinadas variables del entorno

microeconómico en el que operan las empresas

3. El mayor grado de desarrollo de los clusters en Cataluña respecto al

resto de España en su conjunto debería implicar mayores tasas de

competitividad, especialmente, en lo referente a la competitividad

microeconómica.

Este capítulo presenta las principales conclusiones tanto parciales como

generales de la investigación realizada.

2. CONCLUSIONES PARCIALES 2.1. Del marco conceptual

Las conclusiones parciales que pueden extraerse con respecto al marco

conceptual desarrollado en esta tesis pueden agruparse en las referentes al

concepto de competitividad y las referentes al concepto de clusters.

2.1.1. Conclusiones parciales respecto al concepto de competitividad.

a) Aunque el término competitividad es un concepto maduro, no se

puede concluir que exista una definición generalmente aceptada, ni

que los factores que influyen sobre la competitividad sean los

mismos para los diferentes autores y organismos que la han

estudiado. No obstante, sí se puede destacar que existe una

evolución del concepto desde nociones basadas esencialmente en

aspectos macroeconómicos a otras en las que los aspectos


378

microeconómicos cobran cada vez más importancia y, con ellos el

papel que las empresas desempeñan como impulsoras de la

competitividad de los países ha ido aumentando. También es de

destacar la tendencia de muchos autores a relacionar, en ocasiones

muy estrechamente, los términos competitividad y productividad

aunque se debe mantener siempre clara la diferencia existente entre

ambos conceptos.

En esta tesis se ha decido seguir el concepto de competitividad más

amplio e integrador, que incluye tanto variables macroeconómicas

como microeconómicas.

b) Respecto a cómo medir la competitividad, aunque no existe una

única metodología unánimemente aceptada, sí se pueden destacar

los índices realizados anualmente por el Foro Económico Mundial y

el International Institute for Management Development, los cuales

son reconocidos internacionalmente por la metodología utilizada y la

información aportada.

En esta tesis se ha decido utilizar la metodología del Foro Económico

Mundial, ya que incluye un número muy superior de países y,

además, su Índice de Competitividad de los Negocios contempla

expresamente el papel de los clusters.

.


379

2.1.2. Conclusiones parciales respecto al concepto de cluster.

a) Existen diferencias con respecto a la definición de cluster y a la

delimitación del concepto y además, discrepancias entre autores cuando

se trata precisamente de centrar o definir esos límites. Sin embargo, sí

se pueden extraer algunas características más generalmente aceptadas,

como son: la inclusión de una dimensión geográfica y una necesidad de

un grado de proximidad entre empresas del cluster, aunque ésta no

esté definida de modo preciso; la existencia de relaciones tanto de

cooperación como de competencia y, la posibilidad de que en el cluster

coexistan distintos tipos de empresas e instituciones de tamaño

diferente. Este es el concepto de cluster que se ha decidido seguir en

esta tesis y en el que tienen cabida agrupaciones del tipo de los distritos

industriales pero también de otras características.

b) Pese a los diversos estudios que se han realizado no se ha logrado

obtener un único criterio para la identificación y análisis de los clusters

ya que los métodos utilizados en los distintos estudios han sido muy

diversos. No obstante, gracias a los resultados de esos estudios se ha

podido obtener información sobre la identificación, localización,

características y funcionamiento de clusters en distintos países, lo que

constituye un buen punto de partida para nuevos trabajos.

c) Se puede considerar que los clusters generan ciertas ventajas tanto para

las empresas que los integran como para las regiones donde se


380

desarrollan, derivadas tanto de la aglomeración empresarial como de la

difusión del conocimiento.

d) Aunque se han realizado diversos estudios que relacionan clusters y

competitividad estos se han centrado o bien en un grupo de empresas, o

bien en alguna de las ventajas de los clusters o algún aspecto concreto

relacionado con la competitividad de los países y regiones. En realidad,

faltan trabajos empíricos que aporten una visión más global e integral de

la influencia de los clusters en la competitividad de países y regiones y

de los mecanismos a través de los cuales se produce esta influencia.

Además se considera de gran interés incluir en estos análisis a las

principales economías mundiales.

2. 2. Del estudio empírico.

La investigación empírica se ha realizado en dos fases, generándose las

conclusiones parciales que se presentan a continuación.

2.2.1. Primera fase.

En esta fase se ha aplicado la metodología del Foro Económico Mundial en su

Índice de Competitividad de los Negocios a las observaciones de Cataluña, con

el objeto de comprobar si un mayor grado de desarrollo de los clusters tiene

implicaciones directas en la competitividad, especialmente en el área

microeconómica, y se ha observado que:


381

a) Los resultados obtenidos para Cataluña en cuanto a competitividad

se sitúan claramente por debajo de los de España por lo que en este

caso no existe evidencia de que un mayor grado de desarrollo de los

clusters se de necesariamente con altas tasas de competitividad

general de la región.

b) Tampoco se observa una influencia del mayor desarrollo de los

clusters sobre el entorno microeconómico de Cataluña en relación a

España, ya que en el Índice de Competitividad Microeconómico el

entorno de negocios en Cataluña también obtiene unos resultados

sensiblemente por debajo de los de España.

c) No obstante, sí existen determinados aspectos en los que Cataluña

presenta resultados superiores a los de España y que parecen

indicar un mayor dinamismo de los mercados y de las empresas que

operan en clusters. Algunos de estos aspectos son: la capacidad de

innovación; el número de patentes; la naturaleza de la ventaja

competitiva; la calidad de los proveedores locales; la competencia en

el mercado local; la disponibilidad local de servicios especializados

en investigación y formación; la disponibilidad de equipos

industriales; el control de la distribución internacional o el dominio del

mercado. Por tanto se puede afirmar que existe evidencia de ciertas

ventajas competitivas en aspectos de tipo microeconómico en

regiones como Cataluña, en las que el estado de desarrollo de los

clusters es alto. Estos indicios de asociación entre el desarrollo de

los clusters y ciertas variables de competitividad microeconómica se


382

han estudiado en profundidad en la segunda parte del análisis

empírico.

2.2.2. Segunda fase.

En una segunda fase se ha profundizado en la relación entre el grado de

desarrollo de los clusters y la competitividad, así como con las variables que

influyen en dicha competitividad, utilizando la misma base de datos que el Foro

Económico Mundial utiliza para el Índice de Competitividad Global, añadiendo

las observaciones de Cataluña y aplicando una metodología alternativa basada

exclusivamente en métodos estadísticos.

En esta parte de la investigación empírica, realizada con métodos estadísticos

alternativos, la relación entre el estado de desarrollo de los clusters y la

competitividad se ha evidenciado en diversos apartados del análisis. También

se han identificado las principales variables a través de las cuales se produce

esta influencia.

a) Se ha demostrado la asociación entre la variable “estado de desarrollo

de los clusters” y otras 12 variables relativas al entorno microeconómico

en el que actúan las empresas. Esto se ha realizado mediante las tablas

de contingencia. Estos resultados corroboran además las evidencias de

asociación entre el “estado de desarrollo de los clusters” y las variables

que se apuntaron en la primera parte de la investigación empírica, como:

la capacidad de innovación; el número de patentes; la naturaleza de la

ventaja competitiva; la calidad de los proveedores locales; la


383

competencia en el mercado local; la disponibilidad local de servicios

especializados en investigación y formación; la disponibilidad de equipos

industriales o el control de la distribución internacional.

b) Las variables se agrupan claramente en torno a tres factores que definen

grandes temas que afectan a la competitividad general de un país o

región, en concreto: la competitividad microeconómica, la tecnología y

las instituciones. Estos factores pueden constituir nuevos indicadores de

competitividad que permiten un análisis alternativo de la competitividad,

así como un mecanismo para analizar la influencia de los clusters en la

competitividad.

c) La categorización de estos factores ha permitido clasificar a España,

Cataluña y los otros 136 países en función de su tasa de competitividad

microeconómica, avance tecnológico y calidad de sus instituciones. La

valoración de Cataluña en términos de competitividad microeconómica

es muy positiva, situándose en los dos análisis factoriales realizados por

encima del valor obtenido por España de forma global. Esto supone un

resultado diferente del obtenido en la primera parte del análisis empírico

realizado según la metodología del Índice de Competitividad de los

Negocios del Foro Económico Mundial, que otorga a Cataluña una tasa

de competitividad microeconómica por debajo del de España. Aunque

resulta lógico que al aplicarse diferentes metodologías a unos mismos

datos los resultados varíen, hay que señalar que los resultados

obtenidos en el capítulo 5, aplicando métodos estadísticos alternativos,


384

verifican en mayor medida la hipótesis de que los clusters influyen en la

competitividad y, por tanto, que los países o regiones con mayor grado

de desarrollo de los clusters deberían verlo reflejado en sus tasas de

competitividad.

d) Se ha constatado, mediante análisis de correspondencias múltiples, que

el estado de desarrollo de los clusters se asocia muy estrechamente con

los tres indicadores de competitividad y, en concreto, con la

competitividad microeconómica. Esto corrobora una de las hipótesis

centrales de este estudio, que es la importancia de los clusters en la

competitividad.

e) Las regresiones lineales realizadas han permitido corroborar esta

relación, y han demostrado que es bidireccional. Por un lado, el estado

de desarrollo de los clusters influye en la competitividad a través de

factores de competitividad microeconómica, de tecnología y de

instituciones, aunque la mayor influencia se produce a través de los

factores microeconómicos. Por otro lado, los tres factores en los que se

han divido las variables de competitividad (microeconómicos, de

tecnología e institucionales) influyen en el estado de desarrollo de los

clusters, siendo de nuevo la influencia de los factores de competitividad

microeconómico la mayor de las tres.


385

3. CONCLUSIONES DE LA INVESTIGACIÓN

Como conclusiones generales de la investigación se puede destacar que se

ha demostrado la influencia de los clusters en la competitividad y se han

comprobado las variables a través de las cuales se produce esa influencia.

1. Con los resultados de los análisis factoriales, de correspondencias

múltiples y de regresión realizados en la segunda parte del análisis

empírico de esta tesis se comprueba que los clusters influyen

positivamente en la competitividad de los países y las regiones. Esto se

ha demostrado para España y otros 136 países, así como para la

Comunidad Autónoma de Cataluñña. Además, por primera vez se ha

aplicado la metodología del Foro Económico Mundial a Cataluña, lo

que supone una aportación única para entender las claves de la

competitividad de esta Comunidad Autónoma y la influencia que en ella

tienen los clusters.

2. La influencia de los clusters sobre la competitividad en España, Cataluña

y el resto de países analizados se produce, sobre todo, a través de

determinadas variables del entorno microeconómico en el que operan

las empresas. Se ha mostrado evidencia de asociación entre el “estado

de desarrollo de los clusters” y dichas variables en la primera parte del

análisis empírico y, posteriormente, se ha comprobado que el “estado de

desarrollo de los clusters” se asocia claramente a estas variables de tipo


386

microeconómico a través de las tablas de contingencia y

correspondencias múltiples.

3. El mayor grado de desarrollo de los clusters en Cataluña respecto a

España en su conjunto debería implicar mayores tasas de

competitividad, especialmente en lo referente a la competitividad

microeconómica. Esta hipótesis no ha podido verificarse en la primera

parte del estudio empírico, pero sí en la segunda, en la que se han

desarrollado nuevos indicadores de competitividad en base a análisis

factoriales y se ha observado cómo Cataluña obtiene resultados

superiores a España en cuanto a competitividad microeconómica.

En definitiva, se puede mantener que los clusters pueden mejorar la

competitividad de las áreas territoriales en las que se establecen, con las

repercusiones que esto puede tener para las Administraciones Públicas, que

pueden utilizarlos como un instrumento de gran potencial para lograr un mayor

desarrollo económico, y para las empresas, que son a fin de cuentas las

integrantes de los clusters y protagonistas, en última instancia, de la



387


388

REFERENCIAS

389

Acemoglu, D., Johnson, S., Robinson, J. y Thaicharoen, Y. (2003).

“Institutional causes, macroeconomic symptoms: volatility, crises and

growth”, Journal of Monetary Economics, nº 50, pp. 49-123.

Ahedo, M. (2006), “Business Systems and Cluster Policies in the Basque

Country and Catalonia (1990-2004)”, European Urban and Regional

Studies, nº 13 (1), pp. 25-39.

Almeida, P. y Kogut, B. (1999). “Localization of knowledge and the mobility

of engineers in regional networks”, Management Science, nº 45 (7), pp. 905-

917.

Amin, A. y Tomaney, J. (1995). Behind the Myth of European Union.

Prospects for Cohesion. Londres: Routledge.

Aranguren, M.J. (1999). “Determinants of Economics Unit Creation in the

Period 1985-93. The Case of the Manufacturing Industry in the CAPV”,

Small Business Economics, 12 (3), pp. 203-215.

Argandoña, A. (1988). "Competitividad y especialización en la economía

española", en la obra del Círculo de Empresarios La competitividad de la

economía española: determinantes micro y macroeconómicos, pp. 11-22.

Madrid.

390

Asheim, B. (2006). "Economic geography as (regional) contexts", en la obra

de S. Bagchi-Sen y H. Lawton, (Eds), Past, present and future of economic

geography , pp. 173-185. Londres: Routledge.

Asheim, B., Cooke, P. y Martin, R. (2006). "The Rise of the Cluster Concept

in Regional Analysis policy: a Critical Assessment", en la obra de B. Asheim,

P. Cooke y R. Martin, (Eds) Clusters and regional development, pp. 1-29.

Londres: Routledge.

Asheim, B. y Gertler, M (2005). "The Geography of Innovation: Regional

Innovation Systems", en la obra de J. Fegerberg, D. Mowery y R. Nelson

(Eds). The Oxford Handbook of Innovation, pp. 291-317. Oxford: Oxford

University Press.

Audretsch, D.B., y Feldman, M.P. (1996). “R&D spillovers and the

geography of innovation and production”, The American Economic Review,

nº 86, pp. 630-640.

Azua, J. (2003). “La Clusterización de la Actividad Económica: Concepto,

Diseño e Innovación. Apuntes para su Aplicación en la Estrategia

Competitiva de Euskadi”, Ekonomiaz, Revista Vasca de Economía, 53, pp.

222-238.

391

Baldwin, J.R., Gray, T. y Johnson, J. (1995). Technology use, training and

plant specific knowledge in manufacturing establishments. Working paper

No. 86. Otawa: Canada Statistics Micro-Economics Analysis Division.

Ballarín, E. y Blázquez, M.L. (2003). Consumer electronics in Catalonia.

Madrid: IESE Business School Publishing.

Banco de España (2004). La competitividad del sector turístico. Boletín

Económico 9/2004. Madrid: Banco de España.

Banco Mundial (2009). Clusters for Competitiveness. Washington:

International Trade Department, Banco Mundial.

Basant, R. (2002). Knowledge flows and industrial clusters. Ahmedabad:

Indian Institute of Management.

Beaudry, C. y Breschi, S. (2003). « Are firms in clusters really more

innovative?”, Economics of Innovation and New Technology, nº 12 (4), pp.

325-341.

Becattini, G. (1979). "Dal settore industriale al distretto industriali", Rivista di

Economia e Politica Industriale, nº 1, pp. 1-8.

Becattini, G. (1987). Mercato e forze locali: il distretto industriale. Bolonia: Il

Mulino.

392

Becattini, G. (1990). “The marshallian industrial districts as a socio-

economic notion”, en la obra de F. Pyke, G. Becattini y W. Sengenberger,

(Eds), Industrial districts and local economic regeneration, pp. 37-51.

Ginebra: International Institute for Labor Studies.

Becattini, G., Bellandi, M., Dei Ottati, G. y Sforzi, F. (2001). Il caleidoscopio

dello sviluppo locale. Transformazioni economiche nell´Ítalia

contemporanea. Turín: Rosenberg & Sellier.

Bellandi, M. y Russo, M. (1994). Distretto industriale e cambiamento

economico locale. Turín: Rosenberg & Sellier.

Belussi, F. (2006). “In Search of a Useful Theory of Spatial Clustering”, en la

obra de B. Asheim, P. Cooke y R. Martin (Eds) Clusters and Regional

Development, pp. 69-89. Londres: Routledge.

Benzecri, J. (1976). L´analyse des donées. París: Dunod.

Bennett, R., Robson, P. y Bratton, W. (2001). “The influence of location on

the use by SMEs of external advice and collaboration”, Urban Studies, nº 38

(9), pp. 1531-1557.

393

Bergman, E.M. y Feser, E.J. (1999). Industrial and Regional Clusters:

Concepts and Comparative Application. Morgantown: West Virginia

University, Regional Research Institute.

Bibiloni, A. y Pons, J. (2001). “El lento cambio organizativo en la industria

del calzado mallorquina (1900-1960)”, en la obra de F. Arenas y J. Pons

(Eds.), Trabajo y relaciones laborales en la España contemporánea, pp.

355-369. Sevilla: Mergablum.

Bisquerra, R. (1989). Introducción conceptual al análisis multivariante.

Barcelona: Promociones y Publicaciones Universitarias.

Boasson, V. y MacPherson, A. (2001). “The role of geographic location in

the financial and innovation performance of publicly traded pharmaceutical

companies: empirical evidence from the United States”, Environment and

Planning, nº 33 (8), pp. 1431-1444.

Boix, R. (2008). "Los distritos industriales en la Europa Mediterránea: los

mapas de Italia y España", en la obra de V. Soler i Marco (Ed.), Los distritos

industriales, pp. 161-181. Almería: Mediterráneo Económico, Fundación

Cajamar.

Boix, R. y Galetto, V. (2004). Identificación de sistemas locales de trabajo y

distritos industriales en España. Madrid: Secretaría General de Industria,

394

Dirección General de Política para la Pequeña y Mediana Empresa,

Ministerio de Industria, Trabajo y Comercio.

Boix, R. y Galetto, V. (2006). “El mapa de los distritos industriales de

España”, Economía Industrial, nº 359, pp. 95-112.

Boltho, A. (1996). “The assessment: international competitiveness”, Oxford

Review of Economic Policy, nº 12 (3), pp. 1-16.

Bottazzi, G. Dosi, G. y Fagiolo, G. (2002). “Sulla onnipresenza delle

economie di agglomerazione e le loro diverse determinanti: alcune note”, en

la obra de A. Curzio y M. Fortis (Eds) Complessitá e distretti industriali, pp.

265-298. Bolonia: Fondazione Edison.

Bravo, S. y Gordo, E. (2003). “Los factores determinantes de la

competitividad y sus indicadores para la economía española”, Boletín

Económico del Banco de España, septiembre, pp. 73-86.

Breschi, S. y Lissoni, F. (2001). “Localised knowledge spillovers versus

innovative milieux: knowledge tacitness reconsidered”, Papers in Regional

Science, nº 80 (3), pp. 255-273.

Bresnahan, T. y Gambardella, A. (2004). Building High-Tech Clusters:

Silicon Valley and Beyond. Cambridge: Cambridge University Press.

395

Brusco, S. (1989). Piccole inmprese e distretti industriali. Una raccolta di

saggi. Turín: Rosemberg & Sellier.

Budí, V. (2008). “El distrito de la cerámica de Castellón”, en la obra de V.

Soler i Marco (Ed.), Los distritos industriales, pp. 383-407. Almería:

Mediterráneo Económico, Fundación Cajamar.

Bueno, E. (1987). "La competitividad de la empresa española", Revista

Española de Financiación y Contabilidad, nº 54 (Vol XVII), pp. 733-740.

Cairncross, F. (1997). The Death of Distance. Londres: Orion Business

Books.

Calleja, A. (1988). “La competitividad de la economía española y el mercado

interior europeo”, en la obra del Círculo de Empresarios La competitividad

de la economía española: determinantes micro y macroeconómicos, pp. 11-

22. Madrid: Círculo de Empresarios.

Camisón, C. y Molina, J. (1998). “El distrito industrial cerámico valenciano:

¿mito o realidad competitiva?”, Revista Valenciana d´Estudis Autonomics,

nº 22, pp. 83-102.

Canals, J. (1988). “La posición competitiva de la economía española en la

CEE”, en la obra del Círculo de Empresarios La competitividad de la

396

economía española: determinantes micro y macroeconómicos, pp. 11-22.

Madrid: Círculo de Empresarios.

Caravaca, I., González, G., Pérez, B. y Silva, R. (2000). "Sistemas

productivos locales y medios innovadores en Andalucía", en la obra de J.L.

Alonso y R. Méndez Innovación, pequeña empresa y desarrollo local en

España. Madrid: Civitas.

Celada, F. (1988). “El distrito industrial de la periferia sudoeste del área

metropolitana de Madrid”, Economía y Sociedad: Revista de estudios

Regionales de la Comunidad de Madrid, nº 1 (Diciembre), pp. 70-85.

Centre for Strategy and Competitiveness (2007). European Cluster

Observatory. Estocolmo: Centre for Strategy and Competitiveness,

Stockholm School of Economics.

Ciampi, C.A. (1996). Enhancing European Competition, Boletín trimestral nº

197, pp. 143-164. Roma: Banca Nazionale di Lavoro

Claphan, J.H. (1920). “Of empty economic boxes”, The Economic Journal,

nº 32 (127), pp. 308-314.

Climent, E. (2000). Los sistemas productivos locales en la Rioja:

identificación, dinámica interna y mercados. Logroño: Colección Ciencias

Sociales No. 7, Instituto de Estudios Riojanos.

397

Coe, N. (2000). “The view from out West: embeddedness, inter-personal

relations and the development of an indigenous film industry in Vancouver”,

Geoforum, nº 31 (4), pp. 391-407.

Comisión Europea (1999). The competitiveness of the European industry.

Luxemburgo: Office of Official Publications of the European Communities.

Comisión Europea (2003). Final report of the expert group on Enterprise

clusters and networks. Bruselas: Enterprise Directorate General.

Comisión Europea (2006). Creating an innovative Europe. Report of the

Independent Expert Group on R&D and Innovation appointed following the

Hampton Court Summit. Luxemburgo: Office of Official Publications of the

European Communities.

Comisión Europea (2008). The concept of clusters and cluster policies and

their role for competitiveness and innovation: main statistical results and

lessons learned. Luxemburgo: Office of Official Publications of the European

Communities.

Competitiveness.com (2008). Case studies of clustering efforts in Europe:

analysis of their potential for promoting innovation and competitiveness.

Estocolmo: Enterprise and Industry Directorate General of European

398

Commission, European Presidential Conference on innovation and clusters,

22-23 Enero.

Comrey, A. L. (1985). Manual de análisis factorial. Madrid: Cátedra.

Conejos, J., Duch, E. y otros (1997). Cambio estratégico y clusters en

Cataluña. Barcelona: Gestión 2000.

Cooke, P. (1998). “Introduction: origins of the concept”, en la obra de H.

Braczyk, P. Cooke y M. Heidenreich (Eds), Regional Innovation Systems,

pp. 2-25. Londres: UCL Press.

Cooke, P. y Huggins, R. (2003). “High Technology Clustering in Cambridge”,

en la obra de F. Sforzi (Ed.), The Institutions of Local Development, pp. 51-

74. Aldershot: Ashgate.

Cooper, D. (2001). “Innovation and reciprocal externalities: information

transmission via job mobility”, Journal of Economic Behavior and

Organization, nº 45 (4), pp. 403-25.

Cortright, J. (2006). Making Sense of Clusters: Regional Competitiveness

and Economic Development. Washington: The Brookings Institution,

Metropolitan Policy Program, Marzo.

399

Costa, M. T. (1988). “Descentramiento productivo y difusión industrial. El

modelo de especialización flexible”, Papeles de Economía Española, nº 25,

pp. 251-276.

Costa, M.T. y Viladecans-Marsal, E. (1999). “The district effect and the

competitiveness of manufacturing companies in local productive systems”,

Urban Studies, nº 36 (12), pp. 2085-2098.

Crouch, C. y Farell, H. (2001). “Great Britain: falling through the holes in the

network concept”, en la obra de C. Crouch et al. (Eds), Local Production

Systems in Europe: Rise or Demise?, pp. 154-186. Oxford: Oxford

University Press.

Crouch, C., Le Gales, P. Toglia, C. y Voelzkow, C. (2001). Local Production

Systems in Europe: Rise or Demise? Oxford: Oxford University Press.

Cuadras, C. M. (1996). Métodos de análisis multivariante. Barcelona:

Promociones y Publicaciones Universitarias.

Cuervo, A. (1993). “El papel de la empresa en la competitividad”, Papeles

de Economía española, nº 56, pp. 362-378.

Czamanski, S. (1974). Study of Clusters of Industries. Halifax: Dalhousie

University, Institute of Public Affairs.

400

Dahl, M. (2002). Embedded knowledge flows through labor mobility in

regional clusters in Denmark. Copenague: Danish Research Unit for

Industrial Dynamics, New Economy Conference, 6-8 Junio.

Datta, D.K. (1991). "Organizational fit and acquisition performance: effects of

post acquisition integration", Strategic Management Journal, nº 12, pp. 281-

297.

Dayasindhu, N. (2002). "Embeddedness, knowledge transfer, industry

clusters and global competitiveness: a case study of the Indian software

industry", Technovation, nº 22, pp. 551-560.

De Carolis, D.M. y Deeds, D.L. (1999). “The impact of stocks and flows of

organizational knowledge on firm performance: an empirical investigation on

biotechnology industry”, Strategic Management Journal, nº 20 (10), pp. 953-

968.

De la Dehesa, G. (1988). “Factores determinantes de la competitividad de

la economía española”, en la obra del Círculo de empresarios La

competitividad de la economía española: determinantes micro y

macroeconómicos , pp. 79-94. Madrid: Círculo de Empresarios.

Delgado, M. (2007). The effects of industry clusters on company competitive

strategy. Tesis doctoral. Madrid: Universidad Complutense, Departamento

de Administración de Empresas, Febrero.

401

De Lucio, J.J. (1998). Un análisis global, regional y sectorial de los efectos

externos al conocimiento. Documento de trabajo. Madrid: Fundación de

Estudios de Economía Aplicada.

Departamento de Comercio e Industria (1998). Biotechnology clusters:

report of a team led by Lord Sainsbury, Minister of Science. Londres:

Departamento de Comercio e Industria.

Departamento de Comercio e Industria. (2001). Business clusters in the UK:

a first assessment. Londres: Departamento de Comercio e Industria.

Departamento de Comercio e Industria. (2002). Productivity and

competitiveness indicators. Londres: Departamento de Comercio e

Industria.

Dolnicar, S. (2002). “Review of Data-Driven Market Segmentation in

Tourism”, Journal of Travel & Tourism Marketing, 12 (1), pp. 1-22.

Doms, M., Dunne, T. y Troske, K.R (1997). “Workers, wages and

technology”, Quarterly Journal of Economics, nº 112 (1), pp. 253-290.

Dorgan, S. y Dowdy, J. (2004). “When IT lifts productivity”, The McKinsey

Quarterly , vol 4, pp. 9-11.

402

Espínola, J.R. (1996). Concentración y divergencia interregional en la

economía española 1986-92. Documento de trabajo. Madrid: Universidad

Complutense, Facultad de Ciencias Económicas y Empresariales.

Fernández, V. J. (1988). “Precios relativos, tipo de cambio y

competitividad”, en la obra del Círculo de Empresarios La competitividad de

la economía española: determinantes micro y macroeconómicos, pp. 95-

120. Madrid: Círculo de Empresarios.

Ferraro, F.J. y Aznar, J.A. (2008). “ El distrito agroindustrial de Almería: un

caso atípico”, en la obra de V. Soler i Marco (Ed.), Los distritos industriales,

pp. 353-382. Almería: Mediterráneo Económico, Fundación Cajamar.

Feser, E. J. (1998). “Old and New Theories of Industry Clusters”, en la obra

de M. Steiner (Ed.), Clusters and Regional Specialisation: on geography,

technology and networks, pp. 18-40. Londres: Pion.

Fisher, S. (1993). “The role of macroeconomic factors in growth”, Journal of

Monetary Economics, nº 32(3), pp.1176-1196.

Foro Económico Mundial (2006). The Global Competitiveness Report 2006-

07. Ginebra: Palgrave MacMillan.



403



Fosfuri, A., Motta, M. y Ronde, T. (2001). “Foreign direct investment and

spillovers through workers´mobility”, Journal of International Economics, nº

51 (1), pp. 204-22.

Fujita, M., Krugman, P. y Venables, A. (2000). The Spatial Economy: Cities,

Regions and International Trade. Cambridge: MIT Press.

Galetto, V. (2008). "Distritos industriales e innovación”, en la obra de V.

Soler i Marco (Ed.), Los distritos industriales, pp. 117-137. Almería:

Mediterráneo Económico, Fundación Cajamar.

Gardiner, B., Martín, R. y Tyler, P. (2004). “Competitiveness, productivity

and economic growth across the European regions”, Regional Studies, nº 38

(9), pp. 1045-1067.

Gertler, M . y Wolfe, D.A. (2006). “Spaces of knowledge flows: clusters in a

global context”, en la obra de B. Asheim, P. Cooke y R. Martin (Eds)

Clusters and regional development , pp. 218-235. Londres: Routledge.

Gestrelius, S. y Sandström, A. (2008). National and Regional Cluster

Profiles. Estocolmo: Vinnova.

404

Giner, J.M. y Santamaría, M.J. (2002). “Territorial systems of small firms in

Spain: an analysis of productive and organizational characteristics in

industrial districts”, Entrepreneurship & Regional Development, nº 14, pp.

211-228.

Glaeser, E., Kallal, H., Scheinkman, J. y Shleifer, A. (1992). “Growth in

cities”, Journal of Political Economy, nº 100(6), pp. 1126-1152.

Gobbo, F. (1989). Distretti e sistemi producttivi alla soglia delli anni 90.

Milán: Angeli.

Gray, J. (1998). False Dawn: The Delusions of Global Capitalism. Londres:

Granta Books.

Gordon, I. y McCann, P. (2000). “Industrial clusters: complexes,

agglomeration or social networks?”, Urban studies, nº 37 (3), pp. 513-532.

Guigou, J. L. (1977). Méthodes multidimensionnelles. Analyse des données

et choix à critères multiples. París: Dunod.

Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (1998). Multivariate

Data Analysis (5ª edición). Upper Saddle River, New Jersey: Prentice Hall.

405

Hall, E.H. y St. John, C.H. (1994). "A methodological note on diversity

measurement", Strategic Management Journal, nº 15, pp. 153-168.

Henderson, V. (1994). Externalities and industrial development. Documento

de trabajo nº 4730. Cambridge: National Bureau of Economic Research.

Henry, N., Pollard, J. y Benneworth, P. (2006). “Putting Clusters in Their

Place”, en la obra de B. Asheim, P. Cooke y R. Martin (Ends), Clusters and

Regional Development, pp. 272-291. Londres: Routledge,

Herce, J.A., de Lucio, J.J. y Goicolea, A. (1996). “La industria en las

comunidades autónomas: 1978-1992”, Papeles de Economía Española, nº

67, pp. 134-147.

Hernández, J.M, Fontrodona, J. y Pezzi, A. (2005). Mapa de los sitemas

productivos locales industriales en Cataluña. Barcelona: Generalitat de

Cataluña, Departamento de Trabajo e Industria.

Hilpert, U. (1992). Archipielago Europe: islands of innovation. Bruselas:

Comisión Europea.

Hoen, A. (1999). Three variations on identifying clusters. Paris: OECD

Discussion paper.

406

Humphrey, T. y Schmitz, H. (1995). Principles for promoting clusters and

networks of SMEs. Small and Medium enterprises Programme, Discussion

Paper nº 1. Viena: United Nations Industrial Development Organization.

Institute for Strategy and Competitiveness (2003). Cluster mapping project.

Boston: Institute for Strategy and Competitiveness, Harvard Business

School.

International Institute for Management Development (2007). World

Competitiveness Yearbook. Lausanne: International Institute for

Management Development.

Isaksen, A. y Hauge, E.(2002). Regional Clusters in Europe. Observatory of

European SMEs, Informe nº. 3. Luxemburgo: Office for Official Publications

of the European Communities.

Jardine, N. y Sibson, R. (1968). "The construction of hierarchic and non-

hierarchic classifications". The Computer Journal, nº 11 (2), pp. 177-184.

Johnson, S.C. (1967). "Hierarchical clustering schemes", Psychometrika, nº

32 (3), pp. 241-254.

Kaiser, H.F. (1974). "An index of factorial simplicity", Psychometrika, nº 39,

pp. 31-36.

407

Ketchen, D. J. y Shook, C.L. (1996). “The Application of Cluster Analysis in

Strategic Management Research: an Analysis and Critique”, Strategic

Management Journal, 17 (6), pp. 441-458.

Ketels, C. (2003). The development of the cluster concept: present

experiences and further development. Duisburg: NRW conference on

clusters.

Ketels, C., Sölvell, Ö., Duch, E., Sagrario, I., Folkesson, T. y Lindqvist, G.

(2006). Innovation clusters in the 10 new member states of the European

Union. Luxemburgo: Office for Official Publications of the European

Communities.

Kitson, M., Martin, R. y Tyler, P. (2004). “Regional competitiveness: an

elusive yet key concept?”, Regional Studies, nº 38 (9), pp. 991-999.

Krueger, A.B. (1993). “How computers have changed the wage structure:

evidence from microdata, 1984-1989”, The Quarterly Journal of Economics,

nº 108 (1), pp. 33-61.

Krugman, P. (1991). "Increasing Returns and Economic Geography", The

Journal of Political Economy, nº 00(3), pp. 483-499.

Krugman, P. (1996). “Making Sense of the Competitiveness Debate”, Oxford

Review of Economic Policy, nº 12 (3), pp.17-35.

408

Krugman, P. (1997). Pop Internationalism. Cambridge: MIT Press.

Kuchiki, A. y Tsuji, M. (2005). Industrial Clusters in Asia: Analysis of their

Competition and Cooperation. Nueva York: Palgrave McMillan.

Larrea, M. (2000). Sistemas productivos locales en la Comunidad Autónoma

del País Vasco. Vitoria: Servicio de publicaciones del Gobierno Vasco.

Lerman, I.C. (1970). Les bases de la classification automatique. París:

Gauthier-Villars.

Lissoni, F. (2001). “Knowledge codification and the geography of innovation:

the case of Brescia mechanical cluster”, Research Policy, nº 30 (9), pp.

1479-1500.

López, M., Más, F. y Molina, F.X. (2008). "Política tecnológica aplicada a los

distritos industriales", en la obra de V. Soler i Marco (Ed.), Los distritos


Cajamar.

Lorenz, E. (1999). “Trust, contract and economic cooperation”, Cambridge

Journal of Economics, nº 23 (3), pp. 301-315.

409

Lundvall, B.A. (1992). National systems of innovation: towards a theory of

innovation and interactive learning. Londres: Pinter publishers.

Malmberg, A. y Power, D. (2006). "True clusters: a severe case of

conceptual headache", en la obra de B. Asheim, P. Cooke y R. Martin (Eds),

Clusters and regional development: critical reflections and explorations, pp.

50-68. Londres: Routledge.

Marshall, A. (1961). Principles of Economics. Nueva York: Macmillan.

Martin, R. y Sunley, P. (2003). “Deconstructing Clusters: Chaotic Concept or

Policy Panacea”, Journal of Economic Geography, nº 3 (1), pp. 5-35.

Martínez, C. y Rúa, A. (2005). "Tipología y factores explicativos de las

diferencias en la difusión de las TIC entre las regiones españolas: el caso

de la penetración de la conexión de banda ancha”, Reunión de Estudios

Regionales, nº 31, pp. 1-27.

Maskell, P. (2001). "Knowledge creation and difussion in geographic

clusters", International Journal of Innovation Management, nº 52, pp. 213-

237.

Meyer-Stamer, J. (2001). Clustering and the Creation of an Innovation-

Oriented Environment for Industrial Competitiveness. Experiences from a

410

Comparative Perspective. Duisburg: Institute for Development and Peace,

University of Duisburg.

Mochón, F. y Pajuelo, A. (1988). "La competitividad de la economía

española: determinantes macro y microeconómicos", en la obra del Círculo

de Empresarios La competitividad de la economía española: determinantes

micro y macroeconómicos, pp. 229-244. Madrid: Círculo de Empresarios.

Molina, F.X. (2008). "Los distritos industriales en la europa Mediterránea: las

diferencias entre Italia y España", en la obra de V. Soler i Marco (Ed.), Los

distritos industriales, pp. 182-201. Almería: Mediterráneo Económico,

Fundación Cajamar.

Monitor Company y Ballarín y Faus Asociados (1992). Els avantatges

competitius de Catalunya. Barcelona: Generalitat de Cataluña,

Departamento de Economía y Finanzas.

Nadal, A. (2005). "La competitividad de la economía española", Información

Comercial Española, nº 826, pp. 437-452.

Navarro, M. (2003). “Análisis y políticas de clusters: teoría y realidad”,

Ekonomiaz, nº 53 (II), pp. 14-49.

Nooteboom, B. (2006). “Innovation, Learning and Cluster Dynamics”, en la

obra de B. Asheim, P. Cooke y R. Martin (Eds), Clusters and Regional

411

Development: Critical Reflections and Explorations, pp. 137-163. Londres:

Routledge.

Norton, R. D. (2001). Creating the New Economy: the Entrepreneurs and the

US Resurgence. Cheltenham: Edward Elgar.

Nuti, F. (1992). I distretti dell`industrie manifatturiera in Italia. Milán: Franco

Angeli.

O´Brien, R. (1992). Global Financial Integration: the End of Geography?.

Londres: Pinter.

OCDE (1999). Managing national innovation systems. París: OCDE.

OCDE (2001). World congress on local cluster- local networks of enterprises

in the world economy. París: OCDE-DATAR.

Ohlin, B. (1933). Interregional and International Trade. Cambridge: Harvard

University Press.

Ohmae, K. (1995). The End of the Nation State: The Rise of Regional

Economies. Londres: Harper Collins.

412

O`Mahony, M. y van Ark, B. (2003). EU productivity and competitiveness.

An industry perspective. Can Europe resume the catching-up process?

Bruselas: Comisión Europea, Enterprise Publications.

Paniccia, I. (2006). “Cutting through the Chaos: Towards a New Typology of

Industrial Districts and Clusters”, en la obra de B. Asheim, P. Cooke y R.

Martin (Eds), Clusters and Regional Development: Critical Reflections and

Explorations, pp. 90-114. Londres: Routledge.

Peralta, M.J., Rúa., Redondo, R. y del Campo, C. (2000). Estadística:

problemas resueltos. Madrid: Pirámide.

Pigou, A.C. (1925). Memorials of Alfred Marshall. Londres: MacMillan.

Piore, M. y Sabel, C. (1984). Second Industrial Divide. Nueva York: Basic

Books.

Porter, M. (1990). The Competitive Advantages of Nations. Londres:

MacMillan.

Porter, M. (1998a). "Clusters and the new economics of competition",

Harvard Business Review, nº 76 (6), pp. 77-90.

Porter, M. (1998b). On Competition. Boston: Harvard Business School

Press.

413

Porter, M. (2000). "Location, competition and economic development: local

clusters in a global economy", Economic Development Quarterly, nº 14(1),

pp. 15-34.

Porter, M. (2003). “The Economic Performance of Regions”, Regional

Studies, nº 37 (6-7), pp. 549-578.

Porter, M. (2004). The diamond model: advanced economies. Documento

de trabajo. Harvard Business School: Microeconomics of Competitiveness

Course.

Porter, M. y S. Stern (2004). “Ranking national innovative capacity: Findings

from the National Innovative Capacity Index”, en la obra de X. Sala-i-Martín,

(Ed.), The Global Competitiveness Report 2003-2004, pp. 91-116. Nueva

York: Oxford University Press.

Puig, F. et al. (2008). "Los distritos industriales como unidad de análisis: una

propuesta metodológica para su identificación", Revista ICADE, nº 73

(Enero-Abril) , pp. 321-345.

Pyke, F., Becattini, G. Y Segenberger, W. (1990). Industrial Districts and

Inter-Firm Cooperation in Italy. Génova: International Institute for Labour

Studies.

414

Raines, P. (2000). Developing Cluster Policies in Seven European Regions,

Regional and Industrial Policy Research Paper, nº 42. Glasgow: European

Policies Research Centre, Universidad de Strathclyde.

Ramos, R. (2001). Modelo de Evaluación de la Competitividad Internacional:

Una Aplicación Empírica al Caso de las Islas Canarias. Tesis doctoral. Las

Palmas: Universidad de Las Palmas de Gran Canaria, Departamento de

Economía y Dirección de Empresas, Diciembre.

Reve, T. y Jakobsen, E.W. (2001). A Value Creating Norway. Oslo:

Universitetsforlaget.

Ricardo, D. (1973). Principios de economía política y tributación. México

D.F. : Fondo de Cultura Económica.

Rodríguez Carrasco, J.M. (2001). "La competitividad de la economía

española en clave empresarial", en la obra de Mera, Mª.T. y Gómez, F.

(Coords), De economía y pensamiento económico: homenaje al Prof. Dr.

Juan Velarde Fuertes, pp. 17-52. Madrid: Universidad Pontificia Comillas.

Roeland , T.J.A. y den Hertog, P. (1998). Cluster analysis and cluster based

policy making in OECD countries: various approaches, early results and

policy implications. Draft sysnthesis report on phase 1, focus group on

industrial clusters. La Haya: OCDE.

415

Roeland , T.J.A. y den Hertog, P. (1999). “Cluster analysis and cluster

based policy making in OECD countries: introduction to the theme”, en la

obra de la OCDE Boosting innovation, the cluster approach, pp. 9-26. París:

OCDE.

Rohlf, F.J. (1970). “Adaptive hierarchical clustering schemes”, Systematic

Zool, nº 19, pp. 58-82.

Rosenfeld, S. (1997). “Bringing business clusters into the mainstream of

economic development”, European Planning Studies, nº 5 (1), pp. 3-21.

Rowthorn, R. (1999). "Unemployment, wage bargaining and capital labour

substitution", Cambridge Journal of Economics, nº 23, pp. 413-425.

Rúa, A., Redondo, R. y del Campo, C. (2003). “Distribución municipal de la

realidad socieconómico gallega”, Revista Galega de Economía, nº 12 (2),

pp. 1-20.

Sala, M. y Torres, T. (2006). "La competitividad exterior de las pymes y las

grandes empresas industriales españolas". Ekonomiaz, nº 62, pp. 358-377.

Santa María, M.J., Giner, M. y Fuster, A. (2004). Identificación de sistemas

productivos locales en España: una aproximación desde el territorio a los

fenómenos industriales. Documento de trabajo 1/2004. Alicante:

Universidad de Alicante.

416

Santa María, M.J. e Ybarra, J.A. (2008). “El distrito de juguete de la Foia de

Castalla y su evolución”, en la obra de V. Soler i Marco (Ed.), Los distritos


Cajamar.

Scarpeta, S., Bassanini, A., Pilat, D., y Schreyer, P. (2002). Economic

growth in the OCDE area: recent trends at the aggregate and sectorial level.

Working Paper, nº. 248. París: OCDE Economic Department.

Schmitz, H. y Nadvi, K. (1999). “Clustering and Industralization:

Introduction”, World Development, nº 27 (9), pp. 1503-1514.

Scott, A. (1988). New Industrial Spaces. Londres: Pion.

Scott, A. (1998). Regions and the World Economy. Oxford: Oxford University

Press.

Scott, B.R. (1985). “US competitiveness: concepts, performance and

implications”, en la obra de B.R. Scott y G. Lodge (Eds.), US

competitiveness in the world economy, pp. 14-32. Boston: Harvard Business

School Press.

Signorini, L.F. (1994). “The price of Prato, or, measuring the industrial

district effect”, Papers in Regional Science, nº 73 (4), pp. 369-392.

417

Signorini, L. F. (2000). L´effetto distretto: motivazioni e risultati di un progetto

di ricerca. Roma: Donzelli Editore.

Simmie, J. (2006). “Do Clusters or Innovation Systems Drive

Competitiveness?”, en la obra de B. Asheim, P. Cooke y R. Martin (Eds)

Clusters and Regional Development, pp. 164-187. Londres: Routledge.

Soler, V. (2000). “Verificación de las hipótesis del distrito industrial: una

aplicación al caso valenciano”, Economía Industrial, nº 334, pp. 13-23.

Soler i Marco, V. (2008). “Los distritos industriales como una oportunidad

competitiva”, en la obra de V. Soler i Marco (Ed.), Los distritos industriales,

pp. 11-40. Almería: Mediterráneo Económico, Fundación Cajamar.

Sölvell, Ó., Lindqvist, G. y Ketels, C. (2003). The Cluster Initiative

Greenbook. Estocolmo: Ivory Towers AB.

Staber, U. (1997). “Specializing in a declining industrial district: the case of

Waden-Würtemberg textiles and clothing”, Growth and Change, nº 28(4),

pp. 475-495.

Steiner, M. (2006). “Do Clusters Think?. An institutional perspective on

knowledge creation and difusión in clusters”, en la obra de B. Asheim, P.

418

Cooke y R. Martin (Eds), Clusters and regional development. Londres:

Routledge.

Storper, M. (1997). The Regional World: Territorial Development in a Global

Economy. Nueva York: Guilford Press.

Storper, M. y Venables, A.J. (2004). “Buzz: face-to-face contact and the

urban economy”, Journal of Economic Geography, nº 4 (4), pp. 351-370.

Subirà, A. (2009). An incentive to local competitiveness. Barcelona: Notes

on Globalization and Strategy, IESE Business School.

Subirà, A. y Gurguí, A. (2007). Políticas para la competitividad: una

experiencia de gobierno. Barcelona: Antoni Bosch.

Swann, G. (2002). The implications of clusters. Some reflections. High

technology small firms cluster conference, Abril. Manchester: Manchester

Business School.

Swann, G. y Prevezer, M. (1998). “Introduction”, en la obra de G. Swann, M.

Prevezer y D. Stout (Eds), The Dynamics of Industrial Clustering:

International comparisons in Computing and Biotechnology, pp. 1-12.

Oxford: Oxford University Press.

419

Temple, P. (1998). “Clusters and competitiveness: a policy perspective”, en

la obra de G. Swann, M. Prevezer y D. Stout (Eds), The Dynamics of

Industrial Clustering: International comparisons in Computing and

Biotechnology, pp. 256-297. Oxford: Oxford University Press.

The Gallup Organization (2006). 2006 Innobarometer on cluster´s role in

facilitating innovation in Europe. Budapest: Gallup Organization Hungary.

Thiebout, C. (1956). " A pure theory of local public expenditures", Journal of

Political Economy, nº 65, pp. 416-424.

Timpano, F. (2004). Cluster identification: policy implications of the evolution

of the cluster concept in the context of globalisation and European

enlargement. Byalistok, Sofia y Bucarest: Conference Includ Project.

Tomás, J.A. y Such, J. (1997). “Internationalization of small and medium

firms in four Valencia region industrial districts”, Quaderns de Politica

Economica, nº7, pp.1-18.

Trichet, J.C. (2008). How to increase the competitiveness of the European

economy. Aachen: Conferencia del Karlspreis Europa Forum, 30 Abril.

Trullén, J. (2002). La metropoli de Barcelona cap a l´economia del

coneixement: aglomeració central i arc tecnològic 2002. Barcelona:

Diputación de Barcelona.

420

Tyson, L. (1992). Who´s bashing whom? Trade conflicts in high-technology

industries. Washington: Peterson Institute for International Economics.

Van der Berg, L., Braun, E. y Van widen, W. (2001). “Growth clusters in

european cities: an integral approach”, Urban Studies, nº 38, pp. 185-205.

Van der Linde, C. (2003). “The Demography of Clusters. Findings from the

Cluster Meta-Study”, en la obra de J. Bröcker, D. Dohse y R. Soltwedel

(Eds), Innovation Clusters and Interregional Competition, pp. 130-149.

Berlín, Heidelberg, Nueva York: Springer-Verlag.

Vázquez Barquero, A. (1987). Pautas de localizacón territorial de empresas

industriales. Madrid: Ministerio de Obras Públicas y Transporte.

Wallsten, S. (2004). “The Role of Government in Regional Technology

Development: the Effects of Public Venture Capital and Science Parks”, en

la obra de T. Bresnahan y A. Gambardella (Eds), Building High-Tech

Clusters: Silicon Valley and Beyond, pp. 229-279. Cambridge: Cambridge

University Press.

Welz, G. (2003). “The cultural swirl: anthropological perpectives on

innovation”, Global Networks – A journal of Transnational Affairs, nº 3(3),

pp. 255-270.

421

Woolthius, R.K. (1999). Sleeping with the enemy: Trust dependence and

contract in interorganisational relationships. Enschede: University of Twente

Press.

Yamawaki, H. (2002). “The evolution and structure of industrial clusters in

Japan”, Smalll Business Economics, nº 18 (Feb-Mar), pp. 121-140.

Ybarra, J.A. (1991). “Determinación cuantitativa de distritos industriales: la

experiencia del país valenciano”, Estudios Territoriales, nº 37, pp. 53-67.

Young, A. (1928). “Increasing returns and economic progress”, The

Economic Journal, nº 38 (152), pp. 527-542.

Zuchella, A. (2003). Geographic co-location and global value chains: cluster

dynamis and strategic innovations in cluster-based firms. Pavia: Universidad

de Pavia.

ANEXOS

423

Anexo 1. Países incluidos en el Global Competitiveness Report

Albania El Salvador Mauricio TanzaniaAlemania Emiratos Arabes Unidos Mauritania Timor-LesteAngola España Mexico Trinidad y TobagoArabia Saudi Estados Unidos Moldavia TúnezArgelia Estonia Mongolia TurquíaArgentina Etiopia Montenegro UcraniaArmenia Filipinas Mozambique UgandaAustralia Finlandia Namibia UruguayAustria Francia Nepal UzbekistanAzerbaijan Gambia Nicaragua VenezuelaBahamas, The Georgia Nigeria VietnamBahrain Ghana Noruega ZambiaBangladesh Grecia Nueva Zelanda ZimbaweBarbados Guatemala OmanBélgica Guyana PakistanBenin Holanda PanamaBielorusia Honduras ParaguayBolivia Hong Kong SAR PeruBosnia y Herzegovina Hungría PoloniaBotswana India PortugalBrasil Indonesia Puerto RicoBrunei Irlanda QatarBulgaria Islandia Reino UnidoBurkina Faso Israel República KirguistánBurundi Italia República ChecaCamboya Jamaica República DominicanaCamerún Japón República EslovacaCanada Jordania RumaníaCataluña Kazastán RusiaColombia Kenia SenegalCorea Kuwait SerbiaCosta Rica Latvia SingapurCroacia Lesoto SiriaChad Libia Sri LankaChile Lituania SudáfricaChina Luxemburgo SueciaChipre Macedonia, FYR SuizaDinamarca Madagascar SurinameEcuador Malasia TailandiaEgipto Malawi Taiwan, ChinaEslovenia Marruecos Tajikistan Fuente: Adaptado del Foro Económico Mundial (2007)

424

Anexo 2. Países incluidos en el Anuario de competitividad del IMD

Alemania IrlandaArgentina IsraelAustralia ItaliaAustria JapónBélgica JordaniaBrasil LituaniaBulgaria LuxemburgoCanada MalasiaColombia MéxicoCorea NoruegaCroacia Nueva ZelandaChile PerúChina PoloniaDinamarca PortugalEslovaquia Reino UnidoEslovenia República ChecaEspaña RumaníaEstados Unidos RusiaEstonia SingapurFilipinas SudáfricaFinlandia SueciaFrancia SuizaGrecia TailandiaHolanda TaiwanHong Kong TurquíaHungría UcraniaIndia VenezuelaIndonesia

Fuente:Adaptado del International Institute for Management Development

(2007)

425

Anexo 3. Cargas factoriales del Índice de Competitividad de los Negocios

I.ESTRATEGIAS Y OPERACIONES DELAS COMPAÑIAS Carga factorial

Amplitud de los mercados internacionales 0,9350Capacidad para la innovación 0,9204Gasto empresarial en I+D 0,9338Control de la distribución in ternacional 0,8787Grado de orientación al cliente 0,9126Medida de compensación po r incentivos 0,8448Medida del marke ting 0,9212Medida de exportaciones 0,9350Medida de formación del personal 0,9659Naturaleza de la ventaja competitiva 0,8944Licencias de tecnología extranjera 0,6862Sofisticación de los p rocesos de producción 0,9521Confianza en la gestión profesional 0,8738Presencia en la cadena de valor 0,8860Voluntad de delegar autoridad 0,9273


Calidad de las infraestructuras 0,9192Desarro llo de la infraestructura ferroviaria 0,7835Calidad de las infraestructuras portuarias 0,8497Calidad de las infraestructuras de transporte aéreo 0,8503Calidad de la infraestructura de teléfonos/fax 0,7630Calidad del suministro eléctrico 0,8637Usuarios de internet (hard data ) 0,8343Teléfonos móviles (hard data ) 0,7432Confianza en los servicios polic ia les 0,8608Independencia del poder judicial 0,8869Efic iencia del marco lega l 0,9122Impacto de pagos ilega les en las po líticas de gobierno 0,8800Centralización de la política económica 0,5425Leyes relativas a TI 0,9085Calidad del sistema educativo 0,8574Calidad de la enseñanza de c iencias y matemáticas 0,7056Calidad de las escuelas de negocios 0,8266Cooperación en las relaciones empleador-empleado 0,6382Disponibilidad de c ientíficos e ingenieros 0,7214Calidad de las instituciones de investigación c ientífica 0,9023Colaboración para investigación entre universidades y empresas 0,9042Paten tes USA (hard data) 0,6873Sofisticación de los mercados financieros 0,8759Fácil acceso a préstamos 0,8400Acceso a la bolsa local 0,7149Disponibilidad de capital riesgo 0,8901Sofisticación de los compradores 0,9280Obtención del gobierno de productos de tecno logía avanzada 0,8019Presencia de estándares regulación 0,9629Exigencia de las normativas med io ambientales 0,9320Calidad de los proveedores locales 0,9459Cantidad de proveedores locales 0,8476Disponibilidad local de equ ipos industriales 0,6836Disponibilidad local de servicios especializados en investigación y formación 0,9060Favoritismo en decis iones de funcionarios públicos 0,8817Eficacia de la gestión corporativa 0,7389Protección de la propiedad inte lectual 0,9571Derechos de propiedad 0,8521Competencia en el mercado local 0,8219Efectividad de la política antimonopo lio 0,9244Barreras arancelarias 0,6482Dominio de mercado 0,8635 Fuente: Adaptado del Foro Económico Mundial (2007)

EN LA COMPETITIVIDAD EN ESPAÑA: EL CASO ESPECÍFICO DE …

Documents

Transcript of EN LA COMPETITIVIDAD EN ESPAÑA: EL CASO ESPECÍFICO DE …