XI Congreso Internacional de la Academia de Ciencias …acacia.org.mx/busqueda/pdf/P19T10.pdf ·...

XI Congreso Internacional de la Academia de Ciencias

Administrativas A.C. (ACACIA).

“Índice de innovación tecnológica:

Una perspectiva de los factores que influyen en la innovación tecnológica”

Mesa 10: Innovación y Tecnología

Alberto Javier Ramírez Ruiz

Estudiante del Doctorado en Negocios y Estudios Económicos, CUCEA

Universidad de Guadalajara.

Tel: 01 (33) 31217775.

Correo: [email protected].

Claudia Díaz Pérez

Instituto para el Desarrollo de la Innovación y la Tecnología en la Pequeña y Mediana

Empresa (IDITPYME)

Universidad de Guadalajara

Tel: 01 (33) 37 70 33 00; Ext. 5063

Correo: [email protected]

Tlaquepaque, Jalisco

Mayo 2007

mailto:[email protected]:[email protected]

“Índice de innovación tecnológica:

Una perspectiva de los factores que influyen en la innovación tecnológica”

Resumen

La innovación es un tema que se ha estudiado ampliamente en la comunidad

académica, desde su impacto en las exportaciones hasta la dinámica social de la

difusión. A nivel internacional se han hecho esfuerzos importantes para estandarizar las

definiciones y los alcances de la innovación, así como establecer criterios para medir

este proceso netamente intangible pero con resultados muy perceptibles en términos de

preferencias del consumidor y de beneficios económicos. La hipótesis de trabajo que se

plantea es que el índice compuesto de innovación tecnológica (TPP) es un indicador

confiable para determinar la capacidad de innovación de un sector industrial. El objetivo

principal de este trabajo es determinar un modelo econométrico para estimar el impacto

de los factores que componen el índice TPP y determinar la importancia de cada uno de

estos elementos. Algunos de los hallazgos del análisis reflejan la relevancia de la

generación de tecnología radicalmente nueva en el índice, mientras que otros aspectos

como el desarrollo de aplicaciones de software tiene una contribución relativamente

menor. Como resultado se identificaron las variables que tienen un mayor impacto en el

índice TPP permitiendo construir dicho índice con menos datos de los requeridos en la

metodología de cálculo original, con la certeza de que el índice calculado mediante el

modelo de regresión reflejará la capacidad de innovación de los sectores productivos.

Palabras Clave: Innovación tecnológica, PYMES, índice.

“Índice de innovación tecnológica: Una perspectiva de los factores que influyen en la innovación tecnológica”

1

A. Introducción. La innovación es un tema que se ha estudiado ampliamente en la comunidad

académica desde su impacto en las exportaciones (Kumar y Siddharthan, 1993) hasta

la dinámica social de la difusión (Katz et al, 2004, Young, 2001). A nivel internacional se

han hecho esfuerzos importantes para estandarizar las definiciones y los alcances de la

innovación (OCDE, 2005; OCDE, 1997), así como establecer criterios para medir este

proceso netamente intangible pero con resultados muy perceptibles en términos de

preferencias del consumidor y de beneficios económicos.

Para muchos académicos, la innovación tecnológica se desarrolla en empresas de base

tecnológica (Corona, 1997), por lo que se ha discriminado a empresas de sectores

tradicionales (OCDE, 2005).

El propósito general de este trabajo es proponer un parámetro que permita medir la

capacidad de innovación de una empresa considerando inicialmente una serie de

factores, que de acuerdo al Manual de Oslo (OCDE, 2005), permiten analizar la

capacidad de innovación en empresas de perfil más tradicional. La propuesta se

desarrolla con la intención de generar elementos que permitan apoyar la correcta

asignación de recursos a empresas que muestran una capacidad para innovar.

B. Hipótesis de trabajo. La hipótesis que se plantea es que el índice compuesto de innovación tecnológica

(TPP) es un indicador confiable para determinar la capacidad de innovación de un

sector industrial o de una empresa en particular.

C. Objetivos. El objetivo principal de este trabajo es determinar un modelo econométrico para estimar

los parámetros que determinan la importancia de cada uno de los elementos

considerados como detonadores de la innovación en los sectores industriales de

Jalisco.


2

D. Método. La resolución del modelo teórico se realizará mediante el uso de la técnica de mínimos

cuadrados para estimar los parámetros del modelo. Es importante destacar la

metodología mediante la cual se calculó la variable dependiente del modelo ya que

finalmente este trabajo pretende identificar cuáles de las variables utilizadas tiene un

mayor peso en la capacidad de innovación de los sectores productivos.

D.1. Índice de Innovación Tecnológica.

El Índice de Innovación Tecnológica (Technological Product and Process TPP) es un

indicador ad hoc cuya metodología de cálculo está basada en los lineamientos del manual de Oslo y en la metodología de cálculo del Índice de Avance Tecnológico

(Technology Advancement Index o TAI) del Reporte de Desarrollo Humano (PNUD,

2001) de las Naciones Unidas.

El TPP mide la capacidad de innovación de un sector industrial en términos de los

recursos que destina, de los resultados que logra, de la inversión que realiza y de la

orientación de la innovación.

Las cuatro dimensiones establecidas para el cálculo del TPP fueron el gasto, la

orientación, los resultados y los recursos destinados a la innovación. Esta información

fue tomada de la encuesta que se aplicó a los empresarios de cada sector durante las

sesiones de grupo para la elaboración del Diagnóstico Tecnológico 2001 del estado de

Jalisco.

Tabla 1 – Variables que componen el índice TPP.

Dimensión Variables

Ø Gastos en Tecnología (porcentaje) Gasto de innovación

Ø Gastos en Medio Ambiente (porcentaje)

Ø Mejora de productos (porcentaje) Orientación de la innovación

Ø Mejora de procesos (porcentaje)

Ø Registro anual de patentes por sector (promedio) Resultados de la innovación tecnológica

Ø Tecnología radicalmente nueva (porcentaje)


3

Ø Aplicaciones de software (porcentaje)

Ø Recursos financieros (porcentaje)

Ø Personal dedicado a la innovación (porcentaje) Recursos destinados a la innovación

Ø Tiempo dedicado a la innovación (porcentaje)

D.2. Metodología de cálculo del Índice de Innovación Tecnológica (TPP).

El cálculo del TPP consta de tres etapas:

La primera etapa comprende la obtención de un índice para cada variable considerando

el valor actual, restándole el valor mínimo observado en los datos y dividido entre la

diferencia del valor máximo observado y el valor mínimo observado.

Con esta primer transformación obtenemos un índice normalizado para cada variable.

observado mínimo Valor observado máximo Valor observado mínimo Valor actual Valor Indicador del Índice = (1)

La segunda etapa comprende la obtención de los índices de cada dimensión para cada

observación y este índice se calcula obteniendo el promedio de los índices de cada

variable que pertenece a dicha dimensión.

Con esta segunda transformación obtenemos un índice compuesto de un grupo de

variables que pertenecen a una dimensión determinada.

s Indicadore de Número Indicador de Índice

Dimensión la de Índice ∑ = (2)

La tercera etapa comprende la obtención del índice de innovación tecnológica que se

calcula con el promedio de los índices de cada dimensión.

s Dimensione de Número Dimensión de Índice

TPP Índice ∑ = (3)


4

E. Marco Teórico. El aprendizaje social ha sido modelado matemáticamente (Goeree, 2003) y puede ser

relacionado con la transferencia del conocimiento mediante la teoría de redes sociales

(Katz et al., 2004) y la difusión de la innovación (Young, 2001; Fransman, 1991) por

estos mecanismos. Se han identificado también algunos elementos relacionados con

los efectos que tiene la innovación y los sistemas nacionales de innovación en el

desempeño económico de un país (Rip, 2002; Cooper, 1991), así como el efecto de las

políticas públicas encaminadas a fortalecer la innovación mediante modelos

económicos para su comercialización y difusión (Marceau y Basri, 2001; SornnFriese,

2000).

Per natura, difícilmente un individuo tendrá la misma escala de valores privados que otro, sin embargo, la afectación de las decisiones que tome este individuo dado el

conocimiento o el valor común que se le otorga a una decisión tiende a la convergencia

a pesar de la diferencia observable. A pesar de la información a priori que tenga un

individuo sobre algún evento y de las preferencias personales como valor privado, al

final las decisiones a nivel social presentan una convergencia. En términos más

específicos, la capacidad de un individuo de aprender y tomar una decisión basándose

en la experiencia colectiva y los valores o preferencias personales presentan un patrón

común entre los individuos. Este proceso cognitivo puede ser modelado de manera

matemática para analizar la dinámica del aprendizaje social y sus repercusiones

económicas en términos de las preferencias y la demanda.

La posesión previa de conocimientos y habilidades es lo que permite a la creatividad

manifestarse al establecer enlaces y asociaciones que no hubieran sido consideradas

con anterioridad (Cohen y Levinthal, 1990). James (1991) menciona como el impacto

social del cambio tecnológico afecta la manera en que se generan las innovaciones y su

difusión.

Otro aspecto que resulta de gran relevancia es que este modelo puede ser utilizado, al

menos como un punto de partida para identificar a un nivel de organizaciones, la


5

manera en que la información incompleta, las preferencias o valores privados pueden

influir en el desarrollo de la innovación y cómo esta dinámica afecta todo el entorno de

una organización.

El aprendizaje humano tiene más que ver con encontrar regularidades en el

conocimiento existente que la adquisición de nuevos hechos (Aragones et al, 2003).

Esta aseveración confirma la teoría de que el aprendizaje social presenta un

comportamiento asintótico con una convergencia en la agregación de las decisiones de

los individuos de una sociedad y se relaciona directamente con el hecho de que a pesar

de que un individuo no tenga toda la información necesaria para tomar una decisión se

basará en sus preferencias y valores individuales más que en la obtención de

información adicional. Además, existe otro elemento importante, el conocimiento previo

de un individuo puede estar influenciado por los valores comunes y por lo tanto el

aprendizaje y la toma de decisiones se basa en estos parámetros. Se considera que el

efecto de los valores individuales y de los valores comunes o grupales tiene una

influencia muy fuerte en las decisiones de un individuo, ya que el aprendizaje de una

persona se basa en identificar patrones en su propio conocimiento más que en buscar

nuevos hechos. Este aprendizaje social influye de manera importante en las decisiones

individuales y en el caso de las empresas afecta la manera en que se dan los procesos

de innovación tecnológica dada la transferencia del conocimiento individual en valores

que se convierten en valores grupales o comunes. En este continuo se genera un ciclo

de retroalimentación dentro del complejo sistema de relaciones personales de negocio

(Sterman, 1994), que tendrá consecuencias importantes en el desarrollo de las

comunidades empresariales (Henrich, 2001), generalmente agrupadas por afinidad de

la actividad económica que realizan.

Según Mendez (1998), la innovación tecnológica resulta hoy un factor productivo más

importante que el trabajo o el capital, tanto por su escasez como por su carácter

estratégico, al posibilitar la generación de ventajas competitivas para las empresas, al

tiempo que contribuye de forma decisiva a transformar la organización del trabajo y del

territorio.


6

Desde una perspectiva de sistemas de innovación se ha enfatizado el papel de los

procesos sociales, la localidad y los flujos de conocimiento para la creación de

innovaciones tecnológicas:

“Los sistemas de innovación regionales o locales reconocen que la innovación es un proceso social y es formado por las personas e instituciones que comparten un lenguaje común, reglas, normas y cultura. Por otro lado, la innovación también es un proceso geográfico, considerando que las capacidades tecnológicas están sentadas en comunidades regionales que comparten una base de conocimiento en común” (Holbrook y Salazar 2004).

Uno de los componentes críticos de la capacidad de innovación es la habilidad de la

organización para explotar el conocimiento externo (Cohen y Levinthal, 1990). La

capacidad de absorción se puede analizar a nivel organizacional y regional y refiere al

conjunto de capacidades básicas generadas en un contexto determinado que permitirá

a las organizaciones aprender. De esta manera, las organizaciones y regiones que

cuenten con una base científica y tecnológica tendrán una mayor capacidad de

absorber nueva información y producir innovaciones.

Una vez establecido que los procesos sociales son importantes en la creación, difusión

y adopción de las innovaciones, se investigó los efectos positivos que estas tienen en

las empresas. Kumar y Siddharthan (1993) realizan un análisis sobre las características

que pueden favorecer la exportación en las empresas de 14 sectores industriales en la

India utilizando un modelo Tobit, donde la variable dependiente es igual a 1 si la

empresa exporta o 0 si no exporta. El modelo contempla variables como el tamaño de

la empresa, la innovación interna, las importaciones de tecnología, la publicidad

relativa, la intensidad de capital y las concesiones del gobierno de India para apoyar las

exportaciones.

Los aspectos mencionados como resultado del análisis concluyen que la situación de

India con respecto a los factores que favorecen la exportación de determinados

sectores es muy similar en otros países en desarrollo. En términos generales, podemos

decir que en México se presenta una situación similar a la de India. En el caso de la


7

industria electrónica en Jalisco, la ventaja competitiva central era la mano de obra

barata, sin embargo, cuando China abrió sus puertas a la inversión extranjera

ofreciendo mano de obra semi calificada pero a un costo mucho menor que en México,

las industrias ensambladoras decidieron mover sus operaciones para aprovechar la

ventaja de los costos bajos en mano de obra y con esto incrementar el margen de

utilidad.

La industria electrónica se dedicaba principalmente a ensamblar e imitar las tecnologías

de producción y productos existentes en operaciones de bajo valor agregado. En este

trabajo se muestra que la ventaja competitiva en un sector de alta tecnología debe estar

fundada en la innovación de productos, en el diseño y en la creación de tecnología.

Jeffrey (1991) analizó los patrones de la difusión de la tecnología en la industria de la

microelectrónica en el tercer mundo. Uno de los factores analizados fue el impacto de la

inversión extranjera directa en la difusión tecnológica y su efecto en las exportaciones.

No obstante que la inversión extranjera trae asociado el efecto de la transferencia

tecnológica, puede no ser un factor que favorezca las exportaciones, ya que muchas de

estas empresas se instalan en un país en desarrollo con la finalidad de abastecer el

mercado doméstico más que exportar. En el caso de Jalisco el efecto de la inversión

extranjera tuvo un impacto directo en el incremento de las exportaciones. Esta industria

tenía como objetivo aprovechar los costos y la calificación de la mano de obra para el

ensamble de productos, para su distribución principalmente en el mercado de Estados

Unidos.

En el análisis realizado por Kumar y Siddhartan (1993), los resultados muestran que la

actividad tecnológica de las empresas influye de manera positiva en las exportaciones.

El tamaño de la empresa tiene un efecto de tipo U invertida en las exportaciones ya que

las empresas grandes, generalmente multinacionales tienen una posición de oligopolio

en el mercado doméstico, por lo tanto tienen menos motivación para exportar. Por el

contrario empresas pequeñas y medianas tienen mayor propensión a la exportación al

buscar mercados más atractivos para sus productos.


8

La nueva dinámica mundial se denomina Hipercompetitividad que se basa en cambios

continuos y la reinvención constante de la organización donde la presión tecnológica

será más intensa en las empresas. La innovación en productos y procesos es, desde

hace algunos años, el nuevo paradigma de las organizaciones basadas en el

conocimiento. En este contexto el capital intelectual para sostener una ventaja

competitiva adaptable y cambiante de acuerdo al entorno se convierte en una pieza

central.

La administración de la innovación se convertirá en un punto crítico de una organización

donde las competencias identificadas en el presente se convertirán en las

competencias críticas del futuro. Lo interesante del planteamiento es que en la medida

en que las organizaciones aprendan a innovar para sustentar una ventaja competitiva a

largo plazo, las estructuras organizacionales cambiarán paulatinamente y la constante

tecnológica será el aspecto sobre el cual se concentrarán las capacidades de la

empresa. Para Danneels (2002) este proceso incluirá también las capacidades para

servir mejor a los consumidores.

Se contemplan tres situaciones para la administración de la innovación: 1) Explotación

de tecnologías existentes, 2) Cambio tecnológico estable y 3) Cambio tecnológico

disruptivo. Estas situaciones están fundamentadas en la manera en como se da el

cambio tecnológico de acuerdo a la teoría de Schumpeter sobre la destrucción creativa

y la explotación de la tecnología. Las dos últimas situaciones se desprenden de la

destrucción creativa en escenarios donde el cambio es sostenible para las empresas y

no representa una discontinuidad en el ciclo de vida de la tecnología, mientras que el

cambio disruptivo genera saltos en el ciclo de vida de la tecnología.

En un ambiente dinámico con gastos altos en investigación, desarrollo y equipo de

manufactura, ciclos de vida cortos en productos y reducciones drásticas en precios, el

tiempo para mercado y el tiempo para volumen son factores esenciales para la

administración de la innovación (Milling, 2002).


9

Considerando que Milling (2002) encontró en otros estudios empíricos evidencia de que

el tiempo para el lanzamiento de nuevos productos impactó fuertemente las utilidades,

se vuelve necesario que la administración de la innovación ajuste una estrategia para

cada una de las cinco áreas que la componen: 1) Proceso de innovación, 2) Cambio

organizacional, 3) Integración tecnológica ,4) Planeación estratégica de la tecnología y

5) Desarrollo de negocios.

La teoría de la administración de la innovación puede servir como la base conceptual

para el desarrollo del análisis del proceso de innovación en las empresas de Jalisco y

elaborar la caracterización de las empresas innovadoras así como la influencia social

en los procesos de difusión de las innovaciones comerciales y las innovaciones

competidoras.

F. El modelo La variable dependiente Y es una función de xi donde i = 1,..,10. Y∈[0,1]

µ + = ) , , , , , , , , , ( 10 9 8 7 6 5 4 3 2 1 x x x x x x x x x x f Y (4)

Se espera que la contribución marginal de todas las variables sea positiva:

0 1

> ∂ ∂ x Y , 0

2

> ∂ ∂ x Y , 0

3

> ∂ ∂ x Y , 0

4

> ∂ ∂ x Y , 0

5

> ∂ ∂ x Y , 0

7

> ∂ ∂ x Y , 0

8

> ∂ ∂ x Y , 0

8

> ∂ ∂ x Y , 0

9

> ∂ ∂ x Y y 0

10

> ∂ ∂ x Y

µ β β β β β β β β β β β + + + + + + + + + + + = 10 10 9 9 8 8 7 7 6 6 5 5 4 4 3 3 2 2 1 1 0 x x x x x x x x x x Y (5) Y Índice de innovación tecnológica (TPP) X1 : Porcentaje promedio de gasto en Tecnología X2: Porcentaje promedio de gasto en medio ambiente X3: Porcentaje de la empresa que realiza mejoras a los productos X4: Porcentaje de la empresa que realiza mejoras a los procesos X5: Número promedio de patentes registradas por año X6: Porcentaje de empresas que crearon tecnología radicalmente nueva X7: Porcentaje de empresas que crearon aplicaciones de software X8: Porcentaje de recursos financieros con respecto a las ventas, dedicados a la


10

innovación tecnológica X9: Porcentaje de personal dedicado a actividades de innovación tecnológica X10: Porcentaje de tiempo laboral dedicado a actividades de innovación tecnológica

G. Datos. La información utilizada para generar el TPP proviene de dos fuentes principales: la

encuesta de innovación tecnológica y de la encuesta de estructura de costos por sector

productivo. La encuesta de innovación tecnológica fue diseñada por el CONACYT y

aplicada por el Consejo Estatal de Ciencia y Tecnología de Jalisco en conjunto con una

encuesta sobre estructura de costos a una muestra de 180 empresas de 24 sectores

productivos.

La información que se tiene disponible son los promedios de cada sector sobre los

aspectos que se supone tienen una fuerte influencia en la innovación de dichos

sectores. Los datos son de tipo transversal y fueron recolectados durante los ejercicios

de aplicación del Diagnóstico Tecnológico realizado por el COECYTJAL en el año 2001

a los siguientes sectores productivos:

1. Agua Embotellada

2. Autopartes

3. Banca

4. Bienes de capital

5. Calzado

6. Cárnicos

7. Confección

8. Construcción

9. Cuero

10.Dulces y chocolates

11.Electrónica

12.Fundición y maquinado

13.Hule y Látex

14.Joyería

15.Lácteos

16.Madera forestal

17.Muebles

18.Panificación

19.Plásticos

20.Productos de maíz

21.Salsas

22.Software

23.Tequila

24.Textil


11

Las siguientes variables fueron utilizadas para calcular el índice de innovación

tecnológica con base en la metodología descrita anteriormente:

• Porcentaje promedio de gasto en Tecnología con respecto a las ventas totales

• Porcentaje promedio de gasto en medio ambiente con respecto a las ventas totales

• Porcentaje de empresa que realizan mejoras a los productos

• Porcentaje de empresa que realizan mejoras a los procesos

• Número promedio de patentes registradas por año

• Porcentaje de empresas que crearon tecnología radicalmente nueva

• Porcentaje de empresas que crearon aplicaciones de software

• Porcentaje de recursos financieros con respecto a las ventas dedicados a la

innovación tecnológica

• Porcentaje de personal dedicado a actividades de innovación tecnológica

• Porcentaje de tiempo laboral dedicado a actividades de innovación tecnológica

H. Análisis e interpretación. Los resultados del modelo inicial nos dan la siguiente ecuación:

10 9 8 7

6 5 4 3 2 1

094 . 0 323 . 0 330 . 0 100 . 0 095 . 0 008 . 0 147 . 0 149 . 0 5 420 . 1

x x x x x x x x x x Y

+ + + + + + + + + = (6)

Como se puede observar, todos los coeficientes son significativos y los datos se ajustan

de manera perfecta a la recta, esto se explica porque Y es una forma funcional definida de todas la variables del modelo. El coeficiente de determinación R es igual a 100% y el

coeficiente de determinación ajustado R 2 es igual a cero.

Sin embargo, la idea del modelo es evaluar cuál de las variables tiene un impacto

mayor en el índice y con esto la posibilidad de aislar aquellos elementos que fomentan

la innovación dentro de una empresa.


12

Tabla 2 – Resultados del modelo inicial de regresión.

Parámetro Estimación Error Estándar Estadístico T Valorp

β0 0.0000 0 β1 1.4205 0 β2 5.0000 0 β3 0.1490 0 β4 0.1471 0 β5 0.0088 0 β6 0.0952 0 β7 0.1000 0 β8 0.3305 0 β9 0.3232 0 β10 0.0947 0

Para poder realizar esta evaluación fue necesario transformar Y en un logaritmo y evaluar el impacto de las variables en términos de semielasticidades. Los resultados

del modelo transformado a lognivel nos dan la siguiente ecuación:

10 9 8

7 6 5 4 3 2 1

223 . 0 337 . 1 650 . 0 383 . 0 995 . 0 011 . 0 466 . 1 546 . 0 50 . 7 809 . 1 226 . 3 ) log(

x x x x x x x x x x Y

+ + + + + + + + + + − = (7)

Los parámetros que no son significativos a un nivel de confianza del 5% son

β1,β2, β5, β7, β8, β9 y β10.

Tabla 3 – Resultados del modelo transformado lognivel.


β0 3.226 0.120 26.849 0.000

β1 1.809 3.438 0.526 0.608

β2 7.750 4.945 1.567 0.141

β3 0.546 4.812 0.000

β4 1.466 0.262 5.596 0.000

β5 0.011 0.022 0.505 0.622

β6 0.995 0.298 3.332 0.005

β7 0.383 0.264 1.452 0.170

β8 0.650 0.708 0.918 0.376

β9 1.337 0.774 1.727 0.108

β10 0.223 0.292 0.763 0.459


13

A pesar de que el modelo tiene algunas variables poco significativas, el análisis de

varianza mediante el estadístico F tiene un valor de 45 con un valorp 0 lo que nos

indica que existe una relación estadísticamente significativa entre todas las variables.

Tabla 4 – Análisis de varianza para el modelo transformado lognivel.

Suma de cuadrados

GL Cuadrado de la media

F Valorp

Modelo 6.75921 10 0.675921 45 0 Residual 0.195263 13 0.0150202 Total (Corr.) 6.95448 23

A posteriori se procedió a eliminar la primera variable no significativa del modelo y se

corrió nuevamente dando como resultado otras variables que no eran significativas. De

esta manera se eliminó la siguiente variable menos significativa. Así se procedió a la

eliminación de la variable menos significativa para cada modelo hasta que se encontró

uno cuyas variables eran todas significativas. En total se excluyeron cuatro variables y

seis permanecieron en el modelo final como se muestra en la siguiente ecuación:

9 7 6 4 3 2 039 . 2 714 . 0 285 . 1 255 . 1 574 . 0 877 . 9 225 . 3 ) log( x x x x x x Y + + + + + + − = (8)

Tabla 5 – Resultados del modelo transformado lognivel reducido.


β0 3.226 0.116 27.777 0.000 β2 9.878 3.796 2.602 0.019 β3 0.574 0.106 5.423 0.000 β4 1.256 0.203 6.176 0.000 β6 1.285 0.200 6.429 0.000 β7 0.715 0.174 4.105 0.001 β9 2.039 0.551 3.704 0.002

El estadístico F tiene un valor de 78.27 con un valorp 0 lo que nos indica que existe

una relación estadísticamente significativa entre todas las variables.

Tabla 6 – Análisis de varianza para el modelo transformado lognivel.

Suma de cuadrados

GL Cuadrado de la media

F Valorp

Modelo 6.71152 6 1.11859 78.27 0 Residual 0.24295 17 0.0142912 Total (Corr.) 6.95448 23


14

Todos los coeficientes son significativos a un nivel de significación del 95%. El

coeficiente de determinación R es de 96.5% mientras que el coeficiente de

determinación ajustado R 2 es de 95.27%.

El estadístico de DurbinWatson es 2.124 lo que significa que no existe una correlación

significativa entre las variables independientes. El estadístico F tiene un valor de 78.27

y un valorp de 0 lo que significa que existe una relación significativa entre las variables. X2: Porcentaje promedio de gasto en medio ambiente X3: Porcentaje de empresa que realizan mejoras a los productos X4: Porcentaje de empresa que realizan mejoras a los procesos X6: Porcentaje de empresas que crearon tecnología radicalmente nueva X7: Porcentaje de empresas que crearon aplicaciones de software X9: Porcentaje de personal dedicado a actividades de innovación tecnológica

La capacidad predictiva (CP) de cada parámetro queda dentro del rango [0,15] por lo

que se puede afirmar que el modelo es un buen estimador de la variables dependiente.

Tabla 7 – Capacidad predictiva de los parámetros del modelo final.

Parámetro CP β2 9.331732 β3 0.260254 β4 0.499800 β6 0.491404 β7 0.428178 β9 1.353580

Lo interesante de este último modelo es la exclusión de variables que en un sentido

ordinario se supondrían como factores importantes en la capacidad de innovación de

las empresas.


15

X1 : Porcentaje promedio de gasto en Tecnología X5: Número promedio de patentes registradas por año X8: Porcentaje de recursos financieros con respecto a las ventas dedicados a la

innovación tecnológica X10: Porcentaje de tiempo laboral dedicado a actividades de innovación tecnológica

Por ejemplo, la variable de porcentaje de gasto en tecnología podría tomarse como un

factor importante en la capacidad de innovación ya que el sentido común nos indica que

si en un sector se invierte un porcentaje alto en tecnología dicho sector tiene una mayor

propensión a la innovación por su exposición a los cambios tecnológicos, las tendencias

e incluso las mejores prácticas de su industria. Aparentemente se cae en una

contradicción por lo que resultaría útil realizar un análisis de la dinámica dentro de cada

sector sobre los efectos de la difusión y la asimilación de la tecnología como un factor

que induce a la innovación.

Por otro lado, tenemos que el número de patentes registradas por año no es

significativo en el modelo. De la misma manera podría decirse que resulta contradictorio

que las patentes no tengan un efecto en la capacidad de innovación ya que éstas

representan el medio por el cual se protegen las innovaciones para efectos de

prolongar su utilidad comercial. En este punto dicha contradicción podría explicarse por

dos razones, la primera es la falta de información para resaltar los beneficios de

patentar las innovaciones y por el otro lado, tenemos un proceso de registro largo y muy

burocrático que desalienta a las empresas.

Los recursos financieros son un factor que de primera impresión suena bastante lógico

que tenga un impacto directo en la capacidad de innovación. No obstante esta

deducción, es posible que la innovación tecnológica se de como un proceso natural de

mejora ya que finalmente la innovación depende mucho de la creatividad de las

personas.


16

El tiempo laboral dedicado a la innovación tecnológica es otro factor que en primera

instancia se podría considerar fundamental en la capacidad de innovación. No obstante,

es posible que un sector sea muy eficiente en los resultados de la innovación con una

inversión de tiempo menor comparado con otros sectores.

I. Conclusiones y recomendaciones.

El objetivo del modelo original era probar el peso de las variables utilizadas para

calcular el índice de innovación tecnológica. Este modelo era de tipo nivelnivel. Los

resultados preliminares muestran un modelo lineal que se ajusta al 100% a los datos.

Esto se explica porque la variable dependiente proviene de una forma funcional bien

definida, por lo tanto el ajuste de los datos es perfecto. Con el objeto de profundizar

más en la capacidad explicativa del modelo se decidió transformar la variable

dependiente a la forma Log(Y) y analizar un modelo de tipo lognivel e interpretar los

cambios marginales de las variables como cambios porcentuales en la variable

dependiente.

Otro de los objetivos buscados al modificar el modelo original es la discriminación de las

variables que tienen un menor impacto en el índice de innovación. Esto con dos

propósitos, el primero es reducir el número de variables para simplificar el modelo y el

segundo para que en aplicaciones futuras del TPP se reduzca el número de variables

que se deben solicitar a las empresas.

El modelo final de la ecuación (8) incluye seis de las diez variables planteadas en el

modelo inicial (5). Las variables que tienen un mayor impacto en el índice de innovación

tecnológica son el porcentaje promedio de gasto en medio ambiente y el porcentaje de

personal dedicado a actividades de innovación tecnológica.

A manera de reflexión encontramos que aquellas empresas que se preocupan por el

medio ambiente e invierten en este rubro son más propensas a aceptar innovaciones,

desarrollar mejoras propias o crear soluciones que mejoren sus procesos.


17

La segunda variable con el mayor peso en el índice es el porcentaje de personal

dedicado a actividades de innovación tecnológica. Resulta evidente que entre más

personal se dedique a actividades de innovación mayor será la capacidad de

innovación de una empresa.

Otro aspecto interesante del modelo es que las variables X3 y X4 representan la proporción de las empresas de cada sector observado que realizan mejoras en sus

productos y en sus procesos, respectivamente para ambas variables. Este modelo

agrega los resultados de las observaciones para cada empresa por que el modelo a

nivel de empresa tendría a las variables X3 y X4 como variables binarias donde un valor de 1 sería asignado cuando realizan las mejoras y 0 cuando no las realizan.

Por último, las variables de resultados de la innovación tecnológica X6 y X7 tienen un impacto considerable en el índice de la capacidad de innovación. Aquí también resulta

obvio que entre más empresas hayan desarrollado tecnología radicalmente nueva, el

índice del sector tendrá un impacto mayor. El desarrollo de aplicaciones de software

tiene una contribución relativamente menor en el índice.

Como conclusión final podemos decir que en el modelo resultante se identificaron las

variables que tienen un mayor impacto en el índice de innovación tecnológica

permitiendo construir dicho índice con menos datos de los requeridos en la metodología

de cálculo original, con la certeza de que el índice calculado mediante el modelo de

regresión reflejará la capacidad de innovación de los sectores productivos.


18

J. Bibliografía. 1. Aragones, Enriqueta; Gilboa, Itzhak; Postlewaite, Andrew y Schmeidler, David.

“Factfree learning”. Penn Institute for Economic Research. Working Paper 03023,

Octubre, 2003.

2. COECYTJAL. “Programa Estatal de Ciencia y Tecnología de Jalisco”. Consejo

Estatal de Ciencia y Tecnología de Jalisco, 2001.

3. Cohen, Wesley y Levinthal, Daniel. “Absorptive capacity: A new perspective in

learning and innovation”. Administrative Science Quarterly, Vol. 35, No. 1. Marzo,

1990.

4. Cooper, Charles. “Are Innovation Studies on Industrialized Economies relevant to

Technology Polcy in Developing Countries?”. UNU/INTECH, Junio 1991.

5. Corona, Leonel. “Cien empresas innovadores en México”. Editorial Miguel Ángel

Porrúa, 1997.

6. Danneels, Erwin. “The Dynamics of Product Innovation and Firm Competences”,

Strategic Management Journal, 2002.

7. Fransman, Martin. “Biotechnology : Generation, diffusion and policy. An

interpretative survey.”; UNU/INTECH , Junio 1991.

8. Goeree, Jacob et al. “Social Learning with Private and Common Values”. Journal of

Economic Literature, Diciembre 2003.

9. Henrich, Joseph. “Cultural transmission and the diffusion of innovations: Adoption

dynamics indicate that biased cultural transmission is the predominate force in

behavioral change”. American Anthropologist. Diciembre, 2001.

10.James, Jeffrey. “Microelectronics and the Third World: An integrative survey of

literature.””, UNU/INTECH , Junio 1991.

11.Katz, Nancy; Lazer, David; Arrow, Holly y Contractor, Noshir. “Network Theory and

Small Groups”. Small Group Research, Vol. 35 No. 3, Junio 2004.

12.Kumar, Nagesh y Siddharthan, N. “Technology, Firm Size and Export Behavior in

Developing Countries: The case of Indian Enterprises”. UNU/INTECH, Septiembre

1993.


19

13.Marceau, Jane y Basri, Ester. “Translation of innovation systems into industrial

policy: The healthcare sector in Australia”. Industry and innovation, Vol. 8, No. 3.

Diciembre, 2001.

14.Milling, Peter. “Understanding and managing innovation processes”, System

Dynamics Review, 2002.

15.OCDE. “Manual de OSLO”. Segunda Edición. Paris 1997.

16.OCDE. “Manual de OSLO”. Tercera Edición. Paris 2005.

17.PNUD. “Human Development Report 2001”. PNUD 2001.

18.Rip, Arie. “Regional Innovation Systems an the advent of Strategic Science”. Journal

of Technology Transfer, Enero 2002.

19.Salazar, Mónica y Holbrook, Adam. “A Debate on Innovation Surveys”. Science and

Public Policy, Vol. 31 #4, Agosto 2004.

20.SornnFriese, Henrik. “Frontier of research in industrial dynamics and national

systems of innovation”. Industry and innovation, Vol. 7, No. 1, Junio, 2000.

21.Sterman, John. “Learning in and about Complex Systems”, Systems Dynamics

Review, 1994.

22.Wooldrige, Jeffrey. “Introducción a la Econometría: Un enfoque Moderno”. Thomson

Learning, 2001.

23.Young, Peyton. “The Diffusion of Innovations in Social Networks”. Workshop on the

Economy as an Evolving Complex System, Santa Fe Institute, Noviembre, 2001.


20

Adenda. J.1. Resultados del paquete estadístico. 1.Modelo inicial.

Multiple Regression Analysis Dependent variable: Y

Standard T Parameter Estimate Error Statistic PValue CONSTANT 2.99606E11 0.0 X1 1.42045 0.0 X10 0.094697 0.0 X2 5.0 0.0 X3 0.149031 0.0 X4 0.147059 0.0 X5 0.00877193 0.0 X6 0.0952381 0.0 X7 0.09995 0.0 X8 0.3305 0.0 X9 0.323176 0.0

Analysis of Variance Source Sum of Squares Df Mean Square FRatio PValue Model 0.356281 10 0.0356281 Residual 0.0 13 0.0 Total (Corr.) 0.356281 23

Rsquared = 100.0 percent Rsquared (adjusted for d.f.) = 0.0 percent Standard Error of Est. = 0.0 Mean absolute error = 1.87302E10 DurbinWatson statistic = 2.42756


21

2.Modelo inicial transformado.

Multiple Regression Analysis Dependent variable: Ylog

Standard T Parameter Estimate Error Statistic PValue CONSTANT 3.22573 0.120144 26.8489 0.0000 X1 1.80933 3.43776 0.526311 0.6075 X10 0.222643 0.29172 0.763206 0.4590 X2 7.7503 4.94468 1.5674 0.1410 X3 0.546141 0.113484 4.81249 0.0003 X4 1.46619 0.261997 5.59622 0.0001 X5 0.0111369 0.0220644 0.504745 0.6222 X6 0.994674 0.298495 3.3323 0.0054 X7 0.382937 0.263645 1.45247 0.1701 X8 0.649839 0.708097 0.917725 0.3755 X9 1.33669 0.774122 1.72672 0.1079

Analysis of Variance Source Sum of Squares Df Mean Square FRatio PValue Model 6.75921 10 0.675921 45.00 0.0000 Residual 0.195263 13 0.0150202 Total (Corr.) 6.95448 23

Rsquared = 97.1923 percent Rsquared (adjusted for d.f.) = 95.0325 percent Standard Error of Est. = 0.122557 Mean absolute error = 0.0694817 DurbinWatson statistic = 1.79873


22

3.Modelo final.

Multiple Regression Analysis Dependent variable: Ylog

Standard T Parameter Estimate Error Statistic PValue CONSTANT 3.22581 0.116132 27.7771 0.0000 X2 9.87765 3.79563 2.60238 0.0186 X3 0.574099 0.105857 5.42334 0.0000 X4 1.25561 0.203291 6.17642 0.0000 X6 1.285 0.199876 6.42901 0.0000 X7 0.714889 0.174159 4.1048 0.0007 X9 2.03907 0.550561 3.70362 0.0018

Analysis of Variance Source Sum of Squares Df Mean Square FRatio PValue Model 6.71152 6 1.11859 78.27 0.0000 Residual 0.24295 17 0.0142912 Total (Corr.) 6.95448 23

Rsquared = 96.5066 percent Rsquared (adjusted for d.f.) = 95.2736 percent Standard Error of Est. = 0.119546 Mean absolute error = 0.0815949 DurbinWatson statistic = 2.12427


23

J.2. Datos utilizados.

Gasto en innovación tecnológica Orientación de la innovación tecnológica

Sector Índice de Innovación Tecnológica

Gastos en Tecnología (porcentaje)

Gastos en Medio Ambiente (porcentaje)

Mejora de productos (porcentaje)

Mejora de procesos

(porcentaje)

Agua Embotellada 0.6675 3.78% 2.44% 77.13% 81.25% Autopartes 0.5460 2.90% 1.90% 78.13% 81.25% Banca 0.6269 6.83% 0.00% 66.63% 66.63% Bienes de Capital 0.4609 2.14% 1.57% 31.25% 77.13% Biotecnología 0.0000 0.00% 0.00% 0.00% 0.00% Calzado 0.4997 2.30% 0.70% 81.25% 78.75% Cárnicos 0.4376 1.40% 1.40% 42.50% 85.00% Confección 0.4697 2.00% 0.38% 78.13% 73.38% Construcción 0.0375 0.88% 0.50% 0.00% 0.00% Cuero 0.4987 1.08% 1.50% 83.88% 64.25% Dulces y Chocolates 0.5557 3.78% 1.33% 80.00% 72.50% Electrónica 0.4447 4.00% 0.40% 10.00% 62.50% Fundición y Maquinado 0.4811 3.44% 0.89% 75.00% 57.50% Hule y Látex 0.5685 4.00% 1.43% 77.25% 73.88% Joyería 0.4771 2.00% 0.73% 82.13% 75.00% Lácteos 0.5203 2.86% 2.14% 37.50% 62.50% Madera Forestal 0.4325 1.75% 0.50% 75.00% 84.38% Muebles 0.4410 1.57% 0.94% 37.50% 81.82% Panificación 0.4042 0.88% 0.50% 47.50% 75.00% Plásticos 0.3868 0.56% 0.22% 43.75% 75.00% Productos de Maíz 0.4316 1.75% 1.75% 35.00% 82.50% Salsas 0.4776 0.67% 1.11% 22.88% 79.13% Software 0.6695 8.80% 0.00% 30.25% 69.75% Tequila 0.6355 4.50% 2.50% 34.38% 81.25% Textil 0.4851 1.25% 0.50% 83.38% 66.63%


24

Resultados de la innovación tecnológica Recursos destinados a la innovación tecnológica

Sector Registro anual de patentes por

sector (promedio)

Tecnología radicalmente

nueva (porcentaje)

Aplicaciones de software

(porcentaje)

Recursos financieros (porcentaje)

Personal dedicado a la innovación (porcentaje)

Tiempo dedicado a la innovación (porcentaje)

Agua Embotellada 3.50 50.00% 60.38% 19.50% 5.00% 40.21% Autopartes 1.38 46.88% 43.75% 7.63% 5.00% 33.88% Banca 6.38 54.13% 83.38% 10.25% 7.63% 88.00% Bienes de Capital 1.00 45.88% 41.63% 9.43% 9.50% 38.07% Biotecnología 0.00% 0.00% 0.00% 0.00% 0.00% Calzado 1.50 40.00% 38.75% 6.05% 16.20% 34.65% Cárnicos 0.50 47.50% 40.00% 5.00% 5.00% 39.20% Confección 0.50 46.88% 34.38% 11.44% 10.13% 46.50% Construcción 0.00% 0.00% 0.00% 0.00% 0.00% Cuero 1.00 48.25% 46.38% 10.93% 8.00% 27.29% Dulces y Chocolates 2.50 55.00% 37.50% 12.00% 5.00% 44.42% Electrónica 3.00 67.50% 70.00% 7.63% 7.10% 55.30% Fundición y Maquinado 37.50% 40.00% 15.19% 10.13% 34.63% Hule y Látex 4.63 51.13% 33.00% 8.46% 9.38% 37.91% Joyería 0.50 53.63% 37.50% 7.63% 7.63% 38.79% Lácteos 0.50 87.50% 12.50% 15.50% 5.00% 60.50% Madera Forestal 0.50 46.88% 37.50% 7.63% 5.00% 20.00% Muebles 0.50 44.32% 39.77% 12.67% 9.33% 39.42% Panificación 3.50 40.00% 30.00% 7.93% 9.50% 31.57% Plásticos 56.25% 43.75% 8.50% 5.00% 53.67% Productos de Maíz 1.38 37.50% 30.00% 7.63% 5.00% 28.10% Salsas 2.00 58.38% 39.63% 25.21% 14.57% 20.00% Software 9.50 58.38% 70.25% 16.04% 25.79% 54.29% Tequila 53.13% 59.38% 15.38% 15.38% 69.13% Textil 58.38% 50.00% 15.33% 5.00% 50.33%

XI Congreso Internacional de la Academia de Ciencias …acacia.org.mx/busqueda/pdf/P19T10.pdf ·...

Documents

Transcript of XI Congreso Internacional de la Academia de Ciencias …acacia.org.mx/busqueda/pdf/P19T10.pdf ·...