https://doi.org/10.1016/j.cya.2017.01.002
Artículo de
investigación
Evolución de la capacidad
tecnológica en México. Aplicación del análisis estadístico multivariante
de cluster
Evolution of state clusters related with technological capability in
Mexico: Application of a multivariate statistical analysis of cluster
Carla Carolina Pérez Hernández1
Graciela Lara Gómez1
Denise Gómez Hernández1
1Universidad
Autónoma de Querétaro, México
Autor para
correspondencia: Carla Carolina
Pérez Hernández, email: carolina.cph@gmail.com
Resumen
El objetivo del presente trabajo es
analizar cómo se distribuye la capacidad tecnológica entre las entidades
federativas de México y examinar su evolución. Para ello, se desarrolló un
estudio empírico utilizando la técnica de análisis estadístico multivariante de cluster, con
base en el set de indicadores propuesto por Cepal
(2007) y recopilando los datos de diversas fuentes públicas del país para los años
2006 y 2012, con el fin de estudiar la evolución en el tiempo de dichos clusters, tratando de ver qué estados han podido mudarse a
un cluster situado en posiciones más avanzadas y
cuáles han retrocedido en dicho periodo. Los resultados muestran la existencia
de 7 grupos de estados caracterizados por distintos niveles de capacidad
tecnológica, y se detectan también 3 entidades que evolucionaron a un cluster más avanzado, tanto en lo referente a la capacidad
de absorción e innovación, como en lo relativo a las capacidades tecnológicas
de infraestructura.
Palabras clave: Capacidades tecnológicas, Clusters
estatales, Análisis estadístico multivariante.
Códigos JEL: O10, O30, O33.
Abstract
This
paper conducts an analysis on the existence of state clusters related with
technological capabilities in Mexico. An empirical study was conducted using
the technique of multivariate statistical cluster analysis, based on the set of
indicators proposed by Cepal (2007), collecting data
from various public sources country for 2006 and 2012 in order to study the
time evolution of such clusters, trying to see what states have been moving to
a cluster located in positions more which have advanced and retreated over the
period. The results show the existence of 7 groups of states characterized by
different technological capabilities, plus states are identified in decline and
progress, both in terms of absorptive capacity and innovation, and in relation
to the technological infrastructure capabilities.
Keywords: Technological capabilities, State clusters,
Multivariate statistical analysis.
JEL classification: O10, O30, O33.
Recibido en 16/02/2015
Aceptado en 03/11/2015
Introducción
La ciencia, la tecnología y la innovación son los principales
conductores del desarrollo económico sustentable ( Stern, Porter y Furman,
2000; Schumpeter, 2005; Brunner, 2011; Dosi, 2008; Diaconu, 2011 ).
Esto justifica la realización de estudios tanto nacionales como internacionales
enfocados a medir las capacidades tecnológicas a nivel macro. Los estudios a
nivel estatal no son tan numerosos. En México, el Foro Consultivo Científico y
Tecnológico (FCCyT) se da a la tarea de presentar el
estado de la Ciencia, Tecnología e Innovación (CTI) a nivel estatal-nacional.
Sin embargo, tal como señala FCCyT (2014, p.
16) , los estudios desarrollados en materia de medición de la CTI a
nivel estatal «son incipientes y se requiere de análisis más amplios, complementarios
o particulares».
Además, el concepto del sistema nacional
de innovación es proclive a analizar las capacidades tecnológicas de diferentes
entidades, ya que esto ayuda a entender de mejor manera sus transformaciones
socioeconómicas ( Dutrénit, Capdeville, Corona, Puchet y
Vera-cruz, 2010 ). Se denota que la competitividad (internacional,
nacional, estatal, industrial y empresarial) se construye. Es pues una ventaja
adquirida y depende, esencialmente, de la amplitud y de la profundidad de las
capacidades tecnológicas nacionales ( Borrastero,
2012; Guzmán, 2008; Morales, 2009; Calderón y Hartmann, 2010; Close y Garita, 2011 ). En ese sentido, «las
capacidades tecnológicas que impulsan la innovación han sido siempre un
componente fundamental de la competitividad, el crecimiento y bienestar
económico de los países» ( Velarde,
Garza y Coronado, 2011, p. 17).
El objetivo del presente trabajo es
analizar cómo se distribuye la capacidad tecnológica entre las entidades
federativas de México y examinar su evolución. Para ello, siguiendo a Blázquez y García (2009) ,
se considera necesario realizar un análisis empírico que explore la existencia
de diferentes grupos de estados (clusters)
caracterizados por distintos niveles de capacidad tecnológica, de absorción y
de innovación, evaluando la evolución de dichas capacidades entre los grupos de
estados, para detectar aquellos que han logrado migrar a un cluster
mejor posicionado y aquellos que han retrocedido en dicha materia. El estudio
se ha realizado utilizando los datos de los años 2006 y 2012, publicados en
diversas fuentes ( tabla 1
), los cuales contienen una serie de indicadores que tratan de cuantificar
diferentes aspectos relacionados con la capacidad tecnológica.
Base disponible |
||
La base disponible refleja
los recursos humanos y la infraestructura, que revelan la «calidad» del
entorno |
||
Variables
|
Definiciones
|
Fuente/año
|
Líneas
telefónicas |
Densidad
de líneas telefónicas fijas en servicio por entidad federativa. Líneas por
cada cien habitantes |
(CMIC,
2006, 2012) |
Usuarios
de internet |
Usuarios
de internet y computadora por entidad federativa. Usuarios por cada 100
habitantes |
(INEGI,
2012) |
Tasa
de alfabetización |
Porcentaje
de la población mayor a 15 años que sabe leer o escribir por entidad federativa.
Población alfabeta por cada 100 habitantes mayores
de 15 años |
(INEGI,
2006, 2012) |
Consumo
de energía eléctrica |
Consumo
total de energía eléctrica per cápita por entidad federativa. Gigawatts por hora, per cápita |
(CFE,
2006, 2012) |
Investigadores
dedicados a investigación y desarrollo |
Investigadores
pertenecientes al SNI dedicados a investigación y desarrollo por cada millón
de habitantes por entidad federativa |
(CONACYT,
2006, 2012) |
Titulados
en Ingeniería y Tecnología |
Cantidad
de personas tituladas en Ingeniería y Tecnología por entidad federativa
|
(ANUIES,
2006, 2012) |
Enrolamiento
terciario |
Matrícula
de estudiantes de educación superior, comprendida por licenciatura hasta
cualquier posgrado. Número de estudiantes por entidad federativa |
(SEP,
2006, 2012) |
Enrolamiento
secundario |
Matrícula
de estudiantes de educación media superior, comprendida por profesional
técnico y bachillerato. Número de estudiantes por entidad federativa |
(SEP,
2006, 2012) |
Enrolamiento
primario |
Matrícula
de estudiantes de educación básica, comprendida por educación preescolar,
primaria y secundaria. Número de estudiantes por entidad federativa |
(SEP,
2006, 2012) |
PIB
|
Conjunto
de bienes y servicios producidos en una entidad federativa durante un año.
Millones de MX$ a precios constantes de 2008 |
(INEGI,
2006, 2012) |
PIB
per cápita |
Producto
interno bruto per cápita por entidad federativa. MX$ a precios constantes de
2008 |
(INEGI,
2006, 2012) |
Los esfuerzos realizados |
||
Esta dimensión refleja los
esfuerzos realizados para el incremento y consolidación de las capacidades
(adquisición de conocimiento en sus diversas formas, I+D, y otras) |
||
Variables
|
Definiciones
|
Fuente/Año
|
Gasto
I+D empresas |
Gasto
destinado por las empresas del sector productivo en actividades de
investigación y desarrollo tecnológico intramuros por entidad federativa.
Miles de MX$ |
(INEGI,
2012) |
Inversión
extranjera directa |
Inversión
extranjera directa por entidad federativa. Millones de US$ |
(SE,
2006, 2012) |
Los resultados logrados |
||
Esta dimensión muestra los
resultados logrados a partir de las capacidades existentes (patentes, tasa
de innovación y contenido tecnológico de las exportaciones) |
||
Variables
|
Definiciones
|
Fuente/Año
|
Artículos
en publicaciones científicas |
Artículos
publicados por titulares mexicanos en publicaciones científicas y técnicas
por entidad federativa |
(CONACYT,
2012) |
Patentes
solicitadas |
Patentes
solicitadas en México por titulares mexicanos por entidad federativa por cada
100,000 habitantes |
(IMPI,
2006, 2009) |
Patentes
otorgadas |
Patentes
solicitadas en México por titulares mexicanos por entidad federativa por cada
100,000 habitantes |
(IMPI,
2006, 2009) |
Fuente: elaboración
propia con base en la taxonomía de Cepal (2007).
Con el trabajo empírico se analizan 2
periodos (2006 y 2012) a través de 3 etapas. La primera consiste en reducir un
gran número de indicadores a través del análisis factorial, obteniéndose 2
factores. Después, tales factores se utilizan para identificar diferentes
grupos de estados mediante la técnica de cluster.
Finalmente, se realiza un test econométrico para evaluar la precisión
estadística de los resultados de los conglomerados obtenidos, comprobando así
la existencia de 7 grupos de estados caracterizados por distintos niveles de
capacidad tecnológica y detectando también 3 entidades que evolucionaron a un cluster más avanzado, tanto en lo referente a la capacidad
de absorción e innovación, como en lo relativo a las capacidades tecnológicas
de infraestructura.
Breve revisión de
conceptos
Bell, Pavitt y Lall (citados por Cepal, 2007
, p. 11) señalan que el desarrollo de capacidades tecnológicas «implica
conocimientos y habilidades para adquirir, usar, absorber, adaptar, mejorar y
generar nuevas tecnologías». Partiendo de esta definición, se entiende que las
capacidades tecnológicas incluyen las capacidades de innovación y las capacidades
de absorción. La primera está sujeta a aspectos como las infraestructuras, las
actividades de innovación y formación de capital humano, y las habilidades de
los países para crear, imitar y gestionar el conocimiento, mientras que la
segunda se refiere a la posibilidad de acceder, aprender y asimilar tecnologías
extranjeras ( Quiñones y Tezanos, 2011).
Para García, Blázquez y Ruiz (2012) existen 3 tipos
de capacidades: la capacidad tecnológica, la capacidad de absorción y la
capacidad de innovación ( fig. 1
), las cuales han sido usualmente tratadas por separado. Sin embargo, se ha
evidenciado la existencia de elementos compartidos entre ellas y una intensa
correlación que hace posible que dichas capacidades puedan ser estudiadas
conjuntamente. Además, dado que las capacidades tecnológicas incluyen la
capacidad de absorción e innovación, consecuentemente la conexión existente
entre dichas capacidades hace pertinente la focalización hacia las capacidades
tecnológicas como elemento central.
Revisión de los indicadores utilizados
Chinaprayoon
(2007) indica que una de las peculiaridades de la tecnología es su variedad
y, por lo tanto, las capacidades tecnológicas están compuestas de elementos
heterogéneos, incluyendo las actividades de investigación, infraestructura,
stock de conocimiento, recursos humanos y otros componentes. Debido a ello es
imposible usar un solo indicador para explicar las capacidades tecnológicas de
una nación o entidad.
En este artículo se utilizó una serie de
indicadores que miden directa e indirectamente distintos aspectos relevantes de
la capacidad tecnológica para las 32 entidades federativas de México. Es bien
sabido que la ventaja de utilizar una batería de indicadores es que así se
consigue definir con mayor precisión la situación de cada país (en este caso la
situación estatal), proporcionando una comprensión más fácil de las diferencias
entre ellos.
Propiamente, este trabajo adoptó las
dimensiones propuestas por Cepal (2007)
, ya que dichas dimensiones toman en cuenta los sistemas de innovación para
países en desarrollo (como México), los cuales merecen contar con su propia
batería de indicadores basada en los componentes que son relevantes para su
contexto. En ese sentido, se adaptaron algunas variables en relación a la
dimensión de los esfuerzos realizados y
los resultados logrados, ya que, como
indican Archibugi y Coco (2005) , en muchos casos las variables
son dictadas por la disponibilidad de las fuentes estadísticas, más que de las
preferencias teóricas. Para este estudio se tomaron los años 2006 y 2012, por
tratarse de información pública disponible ( tabla 1).
Fuente: elaboración propia con base en Biggs, Shah y Srivastava
(1995) y García et
al. (2012a).
Es importante indicar
que los datos que se han utilizado para este trabajo provienen de 2 fuentes:
datos publicados referentes al año 2006 y 2012 (datos duros) y datos de la
Encuesta sobre Investigación y Desarrollo Tecnológico y Módulo sobre
Actividades de Biotecnología y Nanotecnología (datos de encuesta)1.
Para lograr que los datos sean comparables se ha procedido
a normalizarlos de acuerdo con la fórmula para comparar indicadores
individuales propuesta por Archibugi y
Coco (2004) , la cual se expresa como sigue: (valor observado −
valor mínimo) / (valor máximo − valor mínimo); rango de índices: [0 y 1].
Metodología y
análisis de resultados
La
metodología del presente trabajo consiste en desarrollar un análisis
estadístico multivariante de cluster
para los años 2006 y 2012 que, como primer punto, muestre los resultados
referentes a la estadística descriptiva de las variables previamente
normalizadas; posteriormente se realiza el análisis factorial, para destacar
los principales componentes relativos al estudio de la capacidad tecnológica, y
como tercer paso se corre un análisis de conglomerados jerárquicos, mejor
conocido como análisis cluster, para identificar los
grupos de estados que comparten características similares. Finalmente, se
realiza un test econométrico para la validación del análisis cluster. Los métodos mencionados se describirán
puntualmente en las siguientes secciones.
Revisión de los
estadísticos descriptivos
En esta
sección se presentan los estadísticos descriptivos previamente normalizados
para los años analizados, en los cuales se considera que al tomar el dato menor
y aplicarle la fórmula de normalización, se obtiene un cero. Asimismo, el dato mayor
será un uno. Por lo tanto, estos datos definen el rango [0,1] y todos los demás
datos estarán contenidos en dicho intervalo. Podría entenderse que el dato se
vuelve un porcentaje, donde el 0% es el valor mínimo y el 100% es el valor
máximo, y las variables en cuestión representan algún porcentaje entre 0 y 100.
Los estadísticos descriptivos que resultan útiles en el análisis
son la media y la desviación típica (tal como se muestra en la tabla 2 ). Para la
mayoría de las variables la media tiene un crecimiento pequeño y la desviación
típica se mantiene igual o casi igual, lo que implica que la mayoría de los
estados crecieron aproximadamente en la misma cantidad.
Sin
embargo, variables como la inversión extranjera directa o el PIB per cápita
muestran un crecimiento importante en la media. No obstante, la desviación
típica se mantiene muy parecida. Esto indicaría que la mayoría de los estados
aumentaron su valor en estas variables de forma importante
pero mantuvieron la misma dispersión en sus diferencias con respecto a los
demás estados. Podría interpretarse que hubo un cierto factor que afectó a
todos los estados causando el aumento generalizado en los valores.
Por otro lado, variables como las patentes otorgadas, el número de
investigadores y el PIB aumentaron en gran medida en sus medias y también
sufrieron cambios importantes en sus desviaciones típicas. Esto quiere decir
que los estados crecieron pero de forma dispareja,
unos más que otros. Puede interpretarse que para estas variables no hubo un
solo factor que produjera los cambios en todos los estados, sino que cada uno
cambió por sus propias causas. Finalmente, cabe recalcar que la variable líneas telefónicas sufrió un
decremento en su media; dicha variable, según Chinaprayoon (2007) , es considerada como difusora de las
viejas tecnologías, en contraste con internet y las líneas de teléfono celular,
que representan la difusión de las nuevas tecnologías.
Variables
|
Media
|
Media
|
Variación
% |
Desv. típ. |
Desv. típ. |
Variación
% |
|
2006
|
2012
|
2006
|
2012
|
||
Inversión
extranjera directa |
0.066
|
0.088
|
33
|
0.175
|
0.175
|
0
|
Patentes
otorgadas |
0.067
|
0.124
|
85
|
0.178
|
0.240
|
35
|
Investigadores
|
0.068
|
0.169
|
149
|
0.173
|
0.199
|
15
|
PIB
per cápita |
0.088
|
0.114
|
30
|
0.172
|
0.174
|
1
|
Patentes
solicitadas |
0.098
|
0.167
|
70
|
0.198
|
0.222
|
12
|
PIB
millones de MX$ |
0.152
|
0.155
|
2
|
0.196
|
0.196
|
0
|
Enrolamiento
terciario bruto |
0.162
|
0.171
|
6
|
0.2
|
0.209
|
5
|
Enrolamiento
primario bruto |
0.211
|
0.206
|
−2
|
0.206
|
0.203
|
−1
|
Enrolamiento
secundario bruto |
0.228
|
0.218
|
−4
|
0.237
|
0.222
|
−6
|
Líneas
telefónicas |
0.322
|
0.248
|
−23
|
0.192
|
0.184
|
−4
|
Consumo
de energía |
0.419
|
0.419
|
0
|
0.256
|
0.256
|
0
|
Tasa
de alfabetización |
0.697
|
0.703
|
1
|
0.267
|
0.268
|
0
|
Publicaciones
científicas |
N.A.
|
0.062
|
N.A.
|
N.A.
|
0.174
|
N.A.
|
Usuarios
Internet |
N.A.
|
0.484
|
N.A.
|
N.A.
|
0.282
|
N.A.
|
Gasto
I+D (empresas) |
N.A.
|
0.06
|
N.A.
|
N.A.
|
0.178
|
N.A.
|
Titulados
en Ingeniería y Tecnología |
N.A.
|
0.173
|
N.A.
|
N.A.
|
0.199
|
N.A.
|
N.A.: dato no disponible en dicho año.
n válido = 32 (según lista).
Fuente: elaboración propia (SPSS 21).
Análisis factorial
El análisis
factorial tiene como objetivo identificar las variables explicativas que mejor
examinan la distribución de la capacidad tecnológica entre estados. El objetivo
del análisis factorial es, por tanto, extraer un número menor de factores que
expliquen la mayor parte de la varianza de la muestra, y es una técnica
ampliamente utilizada y aceptada en este tipo de estudios ( Archibugi, 1988 ). Sin embargo, previo al análisis
factorial se estudió la viabilidad de realizarlo para el conjunto de datos
(años 2006 y 2012), para lo cual se utilizó la prueba de Kaiser-Meyer-Okin (KMO) y la prueba de esfericidad de Bartlett ( tabla 3).
Factor 1 |
Factor 2 |
Capacidad de absorción e
innovación |
Capacidad tecnológica de
infraestructura |
Graficado en: |
|
Eje
de las Y |
Eje
de las X |
Enrolamiento
terciario |
Usuarios
de internet |
Titulados
(Ingeniería & Tecnología) |
Tasa
de alfabetización |
PIB
precios constantes |
Consumo
de eléctrica |
Gasto
I+D (empresas) |
PIB
per cápita |
Inversión
extranjera directa |
Líneas
telefónicas |
Publicaciones
científicas |
|
Enrolamiento
secundario |
|
Enrolamiento
primario |
|
Patentes
solicitadas |
|
Investigadores
|
|
Patentes
otorgadas |
|
Para cada factor se eligen las variables con saturaciones
superiores a 0.5.
Fuente: elaboración propia con base en resultados Matriz de Componentes
rotados (SPSS 21).
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 ( Álvarez, 1995 ). 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. Se observa que para el año 2006 el índice
KMO = 0.763 > 0.5.
Entonces sí tiene sentido hacer un análisis factorial. Lo mismo sucede para el
año 2012, ya que el índice KMO = 0.717 > 0.5.
Por otra parte, 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 no están
correlacionadas. Si por el contrario se rechaza la hipótesis nula, las
variables estarían relacionadas y sería adecuado realizar el análisis factorial
( Pedroza, 2006).
Para ambos periodos 2006 y 2012, el valor p asociado a la prueba
de esfericidad de Bartlett es menor a 0.05, entonces se rechaza la H 0 y, por lo
tanto, sí tiene sentido hacer un análisis factorial. La tabla 4 agrupa los resultados de los factores
en los años 2006 y 2012, respectivamente. Estos 2 factores conjuntamente
explican un alto porcentaje de la varianza de la muestra (entre 74.26 y 78.65%,
respectivamente), lo cual es significativo a niveles convencionales e indica,
por tanto, que estos factores representan la mayor parte de la variabilidad en
los datos.
Factor 1. Es una
combinación de 11 variables que suponen el 58.5% de la varianza de la muestra
en el año 2006 y el 54.7% en el año 2012, por lo que implica ser una dimensión muy
relevante para analizar las diferencias en la capacidad tecnológica entre
entidades federativas. El factor 1, acorde con la literatura, podría ser
interpretado como la capacidad de absorción e innovación.
Factor 2. Es una
combinación de 5 variables que suponen el 19.5% de la varianza de la muestra
(año 2012) y el 20.1% en el año 2006. El factor 2, acorde con la literatura,
podría ser interpretado como la capacidad tecnológica de infraestructura.
La tabla 4
, denominada «matriz de componentes rotados», indica la correlación existente
(saturación) entre cada una de las variables y su correspondiente factor. La
saturación representa el peso (la importancia) de la variable dentro del
factor. Cabe mencionar que a diferencia de lo que ocurre en otras técnicas como
el análisis de varianza o el de regresión, en el análisis factorial todas las
variables del análisis cumplen el mismo papel: todas ellas son independientes
en el sentido de que no existe a priori una
dependencia conceptual de unas variables sobre otras. Por lo tanto, las
variables de ambos factores (X & Y) son consideradas independientes.
Habrá que poner en claro el significado de los factores obtenidos.
El factor 1 (graficado en el eje de las Y), denominado capacidad de absorción e innovación , incluye
variables relativas a la tasa de enrolamiento, recursos humanos dedicados a la
investigación, ciencia y tecnología; dichas variables suponen la capacidad de
los estados para reconocer el valor de la información nueva y externa,
asimilarla y aplicarla con fines comerciales. Por otra parte, dentro de este
mismo factor se incluyen variables de resultados logrados, como lo son las
patentes solicitadas y otorgadas y el gasto en investigación y desarrollo de
las empresas por estado, indicadores que muestran la capacidad de las entidades
federativas para introducir nuevas ideas, conceptualizarlas, diseñarlas,
producirlas y venderlas. Otra de las variables incluida en el factor 1 es la
referente a la inversión extranjera directa, que ejemplifica la adquisición del
conocimiento externo de las entidades.
Por otra parte, el factor 2, etiquetado como capacidad tecnológica de infraestructura , considera
indicadores de consumo de energía eléctrica, líneas de teléfono y usuarios de
internet2, variables
consideradas como de infraestructura que aportan un conocimiento general del
entorno en el cual se desarrollan las actividades productivas de las entidades
de la república mexicana. La combinación de estos 3 aspectos ofrece indicios
del grado de sofisticación de la producción, «ya que puede suponerse que a
mayor valor de los indicadores en cuestión corresponde una mayor sofisticación,
lo que debería traducirse en mayor valor agregado en la producción» ( Cepal, 2007 , p. 32). Además, dicho factor añade la
tasa de alfabetización como una métrica del nivel general del entorno
productivo. Finalmente, se incluye el indicador del PIB per cápita, ya que es
sabido que los productos con mayor contenido tecnológico (o contenido de
conocimiento) se caracterizan por una mayor elasticidad de la demanda. En otros
el PIB per cápita es un indicador de la complejidad de la demanda tecnológica3.
Análisis cluster
El análisis
cluster es la denominación de un grupo de técnicas multivariantes cuyo principal propósito es agrupar objetos
basándose en las características que poseen. Los conglomerados resultantes
deberían mostrar un alto grado de homogeneidad interna dentro del conglomerado
y un alto grado de heterogeneidad externa del mismo ( Álvarez, 1995 ). En este caso se busca la
partición de un conjunto de datos (correspondientes a distintos estados) en
grupos, de tal forma que los datos pertenecientes a un mismo grupo sean muy
similares entre sí pero muy diferentes a los de los otros grupos. Para
conseguir formar grupos homogéneos de observaciones (en este caso de entidades)
hay que medir su similaridad o su distancia (disimilaridad). A este respecto, se han desarrollado
numerosos métodos para medir la distancia entre los casos. En este trabajo se
utilizó la distancia euclídea, la cual mide el
parecido entre unidades de análisis que han sido evaluadas en un conjunto de
variables métricas (cuantitativas).
Los clusters estatales y su evolución en el período 2006-2012
El análisis
de conglomerados jerárquicos (análisis cluster)
comienza con el cálculo de la matriz de distancias entre los elementos de la
muestra. Esa matriz contiene las distancias existentes entre cada elemento y
todos los restantes de la muestra. Posteriormente se buscan los 2 elementos más
próximos (es decir, los 2 más similares en términos de distancia) y se agrupan
en un conglomerado. El conglomerado resultante es indivisible a partir de ese
momento (de ahí el nombre de jerárquico asignado al procedimiento). De esta
manera, se van agrupando los elementos en conglomerados cada vez más grandes y
más heterogéneos entre ellos, hasta llegar al último paso, en el que todos los
elementos muestrales quedan agrupados en un único
conglomerado global. El procedimiento de conglomerados jerárquico del SPSS
informa de todos los pasos realizados en el análisis, por lo que resulta fácil
apreciar qué elementos o conglomerados se han fundido en cada paso y a qué
distancia se encontraban cuando se fusionaron. Esto permite valorar la
heterogeneidad de los conglomerados. Esta sección presenta los resultados del
análisis estadístico multivalente cluster que divide
las entidades federativas de México en 7 grupos o clusters
caracterizados por distintos niveles de capacidad tecnológica en los períodos
2006 y 2012. En la tabla 5
aparecen los estados que integran cada uno de los grupos en los 2 períodos
considerados.
En materia
de capacidades tecnológicas, México se mueve a 7 pasos diferentes. Los clusters estatales de capacidad tecnológica obtenidos son
descritos a continuación:
·
Clúster 1. Excelente en
capacidad de absorción e innovación y bueno en
capacidad tecnológica de infraestructura. En este conglomerado se encuentra únicamente
el D.F., en los 2 periodos de tiempo, al contar con una posición claramente
destacada en cuanto a estos 2 componentes. Sin embargo, no se ha producido una
evolución visible en ninguno de los 2 factores en los períodos considerado. De
modo contrario, parece haber disminuido ligeramente en los factores analizados
de 2006 y 2012.
·
Clúster 2. Regular en
capacidad de absorción e innovación y excelente en
capacidad tecnológica de infraestructura. Este grupo se encuentra a una
distancia considerable respecto del cluster 1,
formado por D.F., en cuanto a capacidad de absorción e innovación. Sin embargo,
es el grupo que obtiene una mejor posición en cuanto a capacidad tecnológica de
infraestructura. Este conglomerado estaba formado en 2006 únicamente por Nuevo
León; sin embargo, en 2012 este grupo está compuesto por Nuevo León y
Querétaro, este último estado proveniente del cluster
6 en el año 2006, debido fundamentalmente a su mejora en ambos factores.
·
Clúster 3. Bueno en capacidad de absorción e innovación y con déficit bajo en
capacidad tecnológica de infraestructura. En este conglomerado se encuentra
Jalisco, tanto en 2006 como en 2012. Por una parte, se encuentra bien
posicionado dentro del componente de capacidad de absorción e innovación, pero
con un posicionamiento ligeramente negativo en lo relativo a las capacidades
tecnológicas de infraestructura.
·
Clúster 4. Bueno en capacidad de absorción e innovación y con déficit medio en
capacidad tecnológica de infraestructura. En este conglomerado se encuentra el
estado de México; se observa que en el primer componente presenta una posición
positiva (solo por debajo del cluster 1), y en lo que
respecta al segundo componente, se ubica en el cuadrante negativo.
·
Clúster 5. Déficit bajo en
capacidad de absorción e innovación y regular en
capacidad tecnológica de infraestructura. Este grupo estaba constituido por 9
estados en 2006 (Aguascalientes, Baja California Norte, Baja California Sur,
Coahuila, Colima, Chihuahua, Quintana Roo, Sonora, Tamaulipas). En 2012, todos
esos estados permanecen en este grupo, no observándose ninguna evolución. Sin
embargo, para esa fecha se les añaden los estados de Campeche y Morelos (los
cuales se encontraban en el cluster 6 en el año 2006)
y cuyo progreso se debió principalmente a la mejoría en ambos factores.
·
Clúster 6. Déficit medio en
capacidad de absorción e innovación y déficit medio en
capacidad tecnológica de infraestructura. Este grupo estaba constituido por 14
estados en 2006 (Campeche, Durango, Guanajuato, Hidalgo, Michoacán, Morelos,
Nayarit, Querétaro, San Luis Potosí, Sinaloa, Tabasco, Tlaxcala, Yucatán y
Zacatecas). En 2012, todos esos estados permanecen en este grupo, con excepción
de Campeche, Morelos y Querétaro, los cuales migraron a clusters
en posiciones más avanzadas. Campeche y Morelos avanzaron al cluster 5, mientras que el estado de Querétaro proviene del
cluster 6 (2006) al cluster 2 (2012),
debido a una ligera mejora en el factor 1 y una muy amplia mejora en lo
referente al factor 2.
ANOVA de 2 factores |
|||||
|
Suma
de cuadrados |
gl |
Media
cuadrática |
F
|
Sig.
|
REGR
factor score 1 for analysis 1 |
|||||
Inter-grupos
|
29.547
|
6
|
4.924
|
84.700
|
0.000
|
Intra-grupos |
1.453
|
25
|
0.058
|
|
|
Total
|
31.000
|
31
|
|
|
|
REGR
factor score 2 for analysis 1 |
|||||
Inter-grupos
|
28.086
|
6
|
4.681
|
40.153
|
0.000
|
Intra-grupos |
2.914
|
25
|
0.117
|
|
|
Total
|
31.000
|
31
|
|
|
|
Fuente: elaboración propia (SPSS 21).
·
Clúster 7. Déficit bajo en
capacidad de absorción e innovación y déficit elevado en
capacidad tecnológica de infraestructura: Este grupo estaba constituido por 5 estados
en 2006 (Veracruz, Puebla, Guerrero, Oaxaca, Chiapas). En 2012, todos esos
estados permanecen en este grupo. Se observa que los estados de Veracruz y
Puebla se hallan en el límite del grupo, tendentes a migrar a un cluster más avanzado.Estos clusters así definidos se pueden observar con más claridad
en la figura 2 , que
muestran a todos los estados ordenados en función de los 2 factores obtenidos.
En el mismo
sentido, se ha llevado a cabo un test ANOVA ( tabla 6 ) para contrastar que el análisis cluster realizado para el año 2006 es adecuado y si existen
diferencias significativas entre los grupos obtenidos. El ANOVA y las pruebas post-hoc nos
permitirán verificar que el análisis de clusters
efectuado para las distintas variables es correcto, en el sentido de poder
comprobar la existencia de diferencias significativas entre los 7 grupos
considerados. Los resultados que se muestran a continuación confirman la bondad
del análisis.
Dentro del
test ANOVA (año 2006), dado que p = 0.05 > Sig = 0.000, se
rechaza la H0 , y por lo
tanto existe una diferencia estadísticamente significativa entre el total de
grupos.
Una vez que se ha determinado que existen diferencias entre las
medias, las pruebas de rango post-hoc permiten
determinar qué medias difieren. La prueba de rango post-hoc identifica
subconjuntos homogéneos de medias que no se diferencian entre sí. Por tanto,
para comprobar si existen diferencias entre todos los grupos se han realizado
además las pruebas de Student-Newman-Keuls, HDS de Tukey y
Waller-Duncan4. Se ha efectuado
la prueba con los 3 grupos que contienen más de un estado, eliminando por tanto
el caso del D.F., México, Jalisco y Nuevo León, que presenta claras diferencias
con el resto de grupos.
Figura 2: Gráficos de dispersión 2006 y 2012.
Fuente: elaboración
propia (SPSS 21).
ANOVA de un factor |
|||||
|
Suma
de cuadrados |
gl |
Media
cuadrática |
F
|
Sig.
|
REGR
factor score 1 for analysis 5 (factor 1) |
|||||
Inter-grupos
|
28.870
|
6
|
4.812
|
56.465
|
0.000
|
Intra-grupos |
2.130
|
25
|
0.085
|
|
|
Total
|
31.000
|
31
|
|
|
|
REGR
factor score 2 for analysis 5 (factor 2) |
|||||
Inter-grupos
|
28.440
|
6
|
4.740
|
46.287
|
0.000
|
Intra-grupos |
2.560
|
25
|
0.102
|
|
|
Total
|
31.000
|
31
|
|
|
|
Fuente: elaboración propia (SPSS 21).
La tabla 7
contiene los resultados de las pruebas post-hoc para el
factor 1 definido
como las capacidades de absorción e innovación. Se observa que:
- Existe una diferencia
estadísticamente significativa entre el cluster
5 y el cluster 7.
- Existe una diferencia
estadísticamente significativa entre el cluster
6 y el cluster 7.
- Sin embargo, no se
presentan diferencias significativas entre el cluster
5 y el cluster 6, debido a que la Sig. > 0.05, en este caso 0.5 > 0.05. En el diagrama de
dispersión ( fig. 2
) se puede observar cierta coincidencia.
Del mismo
modo, los resultados de las pruebas post-hoc para el
factor 2, definido
como las capacidades tecnológicas de infraestructura, muestran que existe una
diferencia estadísticamente significativa entre todos los clusters.
Test econométrico de validación del análisis cluster para el año 2012
De igual
manera, se ha llevado a cabo el test ANOVA para contrastar que el análisis cluster realizado
para el año 2012 es adecuado y si existen diferencias significativas entre los
grupos obtenidos ( tabla 8).
Los
resultados de la prueba ANOVA rechazan la H 0 . Por lo
tanto, existe una diferencia estadísticamente significativa entre el total de
grupos, dado que p = 0.05 > Sig = 0.000.
Se han efectuado también las pruebas post-hoc con los 4
grupos que contienen más de un estado, eliminando por tanto el caso del D.F.,
México y Jalisco, que presenta claras diferencias con el resto de los grupos.
La tabla 9
muestra los resultados de las pruebas post-hoc para el
factor 1, definido
como las capacidades de absorción e innovación, en donde se observa que:
- Existe una diferencia
estadísticamente significativa entre el cluster
5 y el cluster 7.
- Existe una diferencia
estadísticamente significativa entre el cluster
5 y el cluster 2.
- Existe una diferencia
estadísticamente significativa entre el cluster
6 y el cluster 7.
- Existe una diferencia
estadísticamente significativa entre el cluster
6 y el cluster 2.
- Sin embargo, no se
presentan diferencias significativas entre el cluster
5 y el cluster 6, debido a que la Sig. > 0.05, en este caso 0.66 > 0.05. En el diagrama de
dispersión ( fig. 2
) se puede observar cierta coincidencia. Lo mismo sucede entre el cluster 7 y el cluster 2.
Fuente: Elaboración propia (SPSS 21).
a Usa el
tamaño muestral de la media armónica = 4.536
b Los tamaños
de los grupos son distintos. Se empleará la media armónica de los tamaños de
los grupos. No se garantizan los niveles de error tipo I.
c Alfa = .05.
d Razón de
seriedad del error de tipo 1/tipo 2 = 100
Se visualizan también los resultados de las pruebas post-hoc para el
factor 2, definido como las capacidades tecnológicas de infraestructura,
denotando que existe una diferencia estadísticamente significativa entre todos
los clusters, con excepción del cluster
5 y el cluster 2, debido a
que la Sig.
> 0.05, en este caso 0.08 > 0.05.
Finalmente, se puede decir que las pruebas post-hoc han
mostrado diferencias significativas en la mayoría de los casos entre los grupos
considerados, y a nivel conjunto (como se comprueba en los resultados del ANOVA
y el gráfico de dispersión) existen diferencias significativas entre los 7 clusters. Por lo tanto, el análisis de conglomerados
realizado para ambos periodos es aceptable.
Conclusiones
Este
trabajo muestra una investigación empírica sobre las diferencias entre las
entidades de la república mexicana en lo referente a su capacidad tecnológica y
su evolución a lo largo de un período de 6 años (2006-2012). Los resultados
muestran la existencia de 7 grupos de estados caracterizados claramente por
distintos niveles de capacidad tecnológica; en la figura 3 se observa el predominio de los clusters 5, 6 y 7, dejando ver que los clusters del 1 al
4 manifiestan resultados satisfactorios en alguno de los factores analizados
(capacidad de absorción e innovación y/o capacidad tecnológica de
infraestructura); sin embargo, dichos clusters son
los menos numerosos (5 entidades). Se visualiza la necesidad de descentralizar
las actividades científicas y tecnológicas, a fin de contribuir a potenciar el
desarrollo económico y el bienestar en todas las regiones del país,
considerando su vocación productiva.
Por otro lado, se pueden señalar algunas implicaciones. La primera
hace referencia a la desigual distribución de la capacidad tecnológica entre
los clusters observados. La combinación de los 2
factores de la capacidad tecnológica (capacidad de absorción e innovación y
capacidad tecnológica de infraestructura) desempeña un importante papel a la
hora de posicionar cada sistema estatal de innovación. Cada estado debería no
solo observar e intentar imitar a aquellos que están en una posición o un cluster más avanzado, sino que además debería trazar su
propio itinerario partiendo de su capacidad tecnológica existente, intentando
tener éxito en la mejora de su posición ( García, Bajo y Blázquez, 2012 ).
La segunda implicación se refiere a la evolución general de los
sistemas de innovación. En este sentido, se debería analizar cuántos estados
han mejorado y se han movido hacia un cluster
superior y cuántos han retrocedido. Como se observó, ningún estado ha
retrocedido a un cluster inferior, sino que algunos
estados se han movido a un cluster superior. En
concreto, 2 estados se han movido del cluster 6 al cluster 5 (Morelos y Campeche), un estado se ha movido del cluster 6 al cluster 2 (Querétaro)
y 29 estados se han quedado más o menos como estaban. En general las
variaciones en sus posiciones durante los 6 años considerados no han sido
demasiado importantes, hecho que puede deberse a que las capacidades
tecnológicas son generadas y destruidas lentamente a lo largo del tiempo,
incluso en períodos de rápido crecimiento económico ( Archibugi y Castellacci, 2008
). También cabe señalar que se han reducido distancias entre el cluster 6 y el 5 en lo referente a la capacidad tecnológica de infraestructura;
lo mismo sucede entre el cluster 5 y el 2. Sin
embargo, en los cuadrantes positivos en general solo se encuentran posicionados
claramente 4 clusters (5 estados), lo cual parece
coincidir con la dinámica global de la tecnología en el mundo, en la que unos
pocos países generan la mayor parte del conocimiento ( Archibugi y Pianta, 1996 ).
En el largo plazo, lo anterior sugiere que México está evolucionando hacia una
región en la que un pequeño grupo de estados —en torno al 16%— domina el
paisaje tecnológico, frente al 84% restante de los estados, que estarían más
retrasados.
A continuación, se presentan con más detalle las principales
conclusiones, en términos de posibles áreas de actuación para cada uno de los
grupos identificados en el análisis empírico.
Con respecto a los estados situados en los clusters
6 y 7, estos
son los que están situados en las peores posiciones en capacidad tecnológica
(absorción e innovación) y tienen, por tanto, la necesidad de una clara
actuación para impulsar la innovación. Con objeto de reducir su diferencia
tecnológica podrían incrementar sus inversiones en I+D, ya que una mayor
capacidad pública y privada de inversión en I+D podría ayudar a la industria a
desarrollar sus intereses de investigación, aunado a iniciativas específicas
destinadas a aumentar la cultura emprendedora, y la innovación en las PYMES
también podrían fomentar la innovación ( García, Blázquez y López 2012 ).
En el cluster 7, Puebla y Veracruz
podrían incrementar sus esfuerzos, principalmente en materia de capacidad
tecnológica de infraestructura. Los estados integrados en los clusters 6 y 7 deben hacer un esfuerzo adicional por mejorar las infraestructuras
tecnológicas, ya que tienen una capacidad de absorción muy baja. En cuanto al cluster 5, se observa una posición positiva en lo referente
a las capacidades tecnológicas de infraestructura; sin embargo, sus esfuerzos
deberían ir encaminados a incrementar su capacidad de absorción e innovación.
Los clusters 3 y 4 mantienen
una posición competitiva en cuanto a las capacidades de absorción e innovación,
y a pesar de ello manifiestan ciertas deficiencias en lo relativo a su
capacidad tecnológica de infraestructura, por lo que esta última debería ser
reforzada prioritariamente. El cluster 2, integrado
por Nuevo León y Querétaro, es el mejor posicionado en capacidad tecnológica de
infraestructura, y en lo referente a su capacidad de absorción e innovación se
encuentra dentro del cuadrante positivo. Las empresas de los estados que lo
integran determinan la competitividad tecnológica de la región. Estos estados
deben prestar una particular atención a desarrollar estrategias que favorezcan
la creación y difusión de conocimiento. Para ello, podrían mejorar la calidad
de las instituciones de investigación, potenciar la colaboración entre las
universidades y las empresas, y mejorar las leyes relacionadas con las
tecnologías de la información y la comunicación, facilitando así la interacción
entre todos los agentes del sistema de innovación y proporcionando la
colaboración con otros actores extranjeros que les ayuden a crear nuevo
conocimiento (Clarysse y Muldur,
2001, citado por García et al.,
2012c ). En todo caso, todavía les queda un largo recorrido para
converger con el cluster 1 en lo referente a los 2
componentes analizados.
Finalmente, respecto al cluster 1, este es
el más avanzado en capacidad de absorción e innovación, y se encuentra formado
únicamente por el Distrito Federal. En este sentido, las entidades bien
posicionadas deben tratar de atraer nuevo talento, facilitando así la creación
y difusión de conocimiento de primer nivel ( Archibugi y Coco, 2004 ). Este grupo podría representar
un punto de referencia para grupos menos avanzados con objeto de que pudieran
identificar actuaciones encaminadas a mejorar la innovación y que les pudieran
ayudar a migrar a un cluster superior.
Las principales contribuciones de este trabajo son las siguientes:
Desde el punto de vista de la literatura sobre capacidades
tecnológicas, estos resultados aportan nueva evidencia empírica sobre la
existencia de 7 grupos diferentes de estados en la república mexicana en cuanto
a su capacidad tecnológica, indicando las dimensiones en las que cada grupo se
diferencia de los demás. Además, se muestra claramente que las diferencias
entre estados están bien reflejadas por los 2 factores, como indican los
resultados del análisis factorial y del análisis cluster.
La presente investigación y clasificación podría ayudar a identificar y
comprender los retos y oportunidades que los estados de cada cluster tienen que enfrentar en el futuro.
A pesar de las contribuciones de este estudio empírico, es preciso
señalar sus limitaciones. No cabe duda de que la literatura sobre cambio
tecnológico necesita continuar avanzando para encontrar mejores instrumentos de
medida. En este sentido, los indicadores contemplados en este trabajo podrían
reforzarse mediante la utilización de métodos de triangulación, como la
utilización de índices sintéticos, o combinándolos con otros indicadores
elaborados por diferentes organismos o instituciones, tal como aconseja García et al. (2012c) . Además,
se señala como crítico el disponer de datos estadísticos estratificados a nivel
estatal, debido a que se percibe que en la situación actual el subsistema de
generación de estadísticas sobre ciencia y tecnología en México es limitado y
denota áreas de oportunidad para su mejora.
Finalmente, cabe resaltar la necesidad de realizar estudios en
profundidad de cada estado para poder proponer políticas tecnológicas
diferenciadas. Lo que el presente trabajo pretende es simplemente señalar
posibles áreas de actuación en cada estado en función de los posicionamientos
obtenidos y la evolución observada de cada uno de ellos. La identificación de
las áreas débiles de cada entidad en cuanto a capacidad tecnológica sugiere
posibles caminos o rutas para su mejora, que obviamente deben ser
complementados con estudios en profundidad de cada caso.
Reflexión
El presente
trabajo, es pues, un esfuerzo por incidir en el análisis particular de la CTI
pero desde una perspectiva que permita identificar propiamente las capacidades
tecnológicas a nivel estado, aglomerando a las entidades que comparten
condiciones similares en dicha materia y poder, de esta forma, contar con un
mapa que dibuje las distancias y el camino por recorrer, de un cluster a otro, en aras del progreso y la competitividad y
con el objetivo, también, que este tipo de estudios sean fuente de referencia
para incurrir en políticas tecnológicas diferenciadas y acordes a las
necesidades relativas a cada grupo de estados.
Decir que México no crece es olvidar que en nuestro país hay
estados que durante ciertos periodos bien podrían ser clasificados como tigres asiáticos ,
conviviendo con entidades que sufren crisis económicas de proporciones
similares a la griega . Por lo tanto, el problema no es que México no crezca, sino que
crece a 32 pasos diferentes ( Ríos,
2014).
Los resultados de esta investigación sugieren una analogía
similar. México sí hace uso efectivo del conocimiento tecnológico para cambiar
las tecnologías existentes y desarrollar nuevos productos y procesos, solo que
dicha capacidad avanza a 7 pasos diferentes (7 clusters
estatales de capacidad tecnológica). Por lo tanto, para incrementar dichas
capacidades es necesario un ejercicio de benchmarking , tomando
como punto de referencia aquellos estados que están realizando un buen trabajo
en materia de promoción de la innovación otorgando las condiciones proclives
para ejecutarla. Fijarnos en el D.F., Nuevo León y Querétaro5 como casos de éxito quizá sea más provechoso que voltear la vista
a Suiza, Reino Unido o Suecia6, dado que los primeros forman parte
de nuestro contexto. Sin embargo, para la observancia de los primeros se
requiere de diversos tipos y metodologías de investigación para analizar el
tema.
Los hallazgos de la presente investigación enriquecen el debate y
la discusión relativa a las capacidades de innovación tecnológica en México.
Algunos de los resultados son convergentes con estudios previos; por ejemplo,
el top 3 de estados con mayores capacidades de innovación y capacidades
tecnológicas de infraestructura coincide con el top 3 presentado en el ranking
nacional de ciencia, tecnología e innovación ( FCCyT, 2014 ). Sin embargo, dado que la metodología
y el enfoque de investigación son diferentes, se aprecia que la estratificación
de estos 7 clusters marca la pauta para reflexionar
como generalmente se suele estratificar la innovación en 3 grupos7. No obstante, los resultados de la presente investigación
sugieren la existencia de 4 grupos de estados (casi aislados) que muestran una
dinámica eficiente y claramente diferente en materia de capacidad tecnológica en
comparación con el resto de la república.
Resulta preocupante la situación principalmente de Chiapas,
Guerrero y Oaxaca. Por su parte, los clusters 5 y 6 se ubican
también en los cuadrantes negativos, y las entidades que se congregan en dichos
clusters son consideradas estados en transición en
inversión de CTI y economía del conocimiento ( PECITI, 2014 ). Finalmente, los clusters del 1 al 4 presentan mejores condiciones en cuanto
a sus capacidades tecnológicas; en este caso, los estados en consolidación
resultaron únicamente D.F., Nuevo León, Querétaro y Jalisco. Derivado de ello,
surge la interrogante de ¿por qué parece que la capacidad tecnológica se
concentra en unos cuantos estados? ¿En qué medida esto depende de la ubicación?
¿Cómo se relaciona cada cluster con el desarrollo
económico? ¿Cómo la creación y la acumulación de capacidades tecnológicas
estatales impactan tanto en el nivel de vida como en la calidad de vida de los
mexicanos? Preguntas que se abren como sugerencias de investigación y que
podrían ser respondidas bajo diversas metodologías. Finalmente, se auguran
buenas expectativas: según el PECITI
(2014) , se tiene planteado que GIDE/PIB para el año 2018 sea del
1%, cifra que impulsaría las capacidades de ciencia, tecnología e innovación.
Sin embargo, una tarea pendiente es revertir que se privilegie el pensamiento
mágico sobre el lógico científico, ya que, según la Encuesta sobre la
Percepción Pública de la Ciencia y la Tecnología en México ( Enpecyt, 2011 ), el 57.5% de los mexicanos considera
que, debido a sus conocimientos, «los investigadores y científicos tienen un
poder que los hace peligrosos». Para que los incentivos en materia de ciencia y
tecnología funcionen debería cambiar dicha percepción, que repliegue en el aumento
de nuestro acervo de recursos humanos dedicados a la investigación, ciencia y
tecnología.
Referencias
Álvarez, R. (1995). Estadística multivalente
y no paramétrica con SPSS. Madrid:
Díaz de Santos.
Archibugi,
D. (1988). In search of a useful measure of technological innovation (to make
economists happy without discontenting technologists). Technological
Forecasting and Social Change, 34, 253–277.
Archibugi,
D. y Castellacci, F. (2008). The technology clubs:
The distribution of knowledge across nations. Research Policy, 37,
1659–1673.
Archibugi,
D. y Coco, A. (2004). A new indicator of technological capabilities for
developed and developing countries (ArCo). World
Development, 32, 629–654.
Archibugi,
D. y Coco, A. (2005). Measuring technological capabilities at the country
level: A survey and a menu for choice. Research Policy, 34,
175–194.
Archibugi,
D. y Pianta, M. (1996). Measuring technological
change through patents and innovation surveys. Technovation,
16, 451–468.
Biggs,
T., Shah, M. y Srivastava, P. (1995). Technological capabilities and learning
in African enterprises. World Bank technical paper; no. WTP 288. Africa
Technical Department series. Washington, D.C.: The World Bank.
http://documents.worldbank.org/curated/en/649901468773714947/Technological-capabilities-and-learning-in-African-enterprises
Blázquez de le Hera, M. L. y García-Ochoa Mayor,
M. (2009). Clusters de innovación tecnológica en
Latinoamérica. GCG Georgetown University - Universia, 3, 16–33.
Borrastero, C. (2012). Notas sobre la cuestión del
excedente en las teorías evolucionistas neoschumpeterianas.
Papeles de trabajo. Revista electrónica del Instituto de Altos Estudios
Sociales de la Universidad Nacional de General San Martín, 100–126.
Brunner, J. (2011). Chile: informe sobre
capacidades tecnológicas. pp. 1–41. Instituto de Economía Política.
Calderón, M. y Hartmann, D. (2010). Una revisión
del pensamiento evolucionista y el enfoque de los sistemas de innovación. RUDICS,
1–18.
Cepal. (2007). Serie Estudios y Perspectivas.
Indicadores de capacidades tecnológicas en América Latina. México: Naciones
Unidas [consultado 10 Ene 2015]. Disponible en:
http://www.cepal.org/es/publicaciones/5014-indicadoresde-capacidades-tecnologicas-en-america-latina.
Chinaprayoon,
C. (2007). Science, Technology and Innovation Composite Indicators for
Developing Countries. Georgia Institute of Tecnology.
Close, E. y Garita, M. (2011). La innovación en las
empresas de Guatemala. ECO Revista Académica.,
27–36.
Diaconu,
M. (2011). Technological innovation: Concept, process, typology and
implications in the economy. Theoretical & Applied Economics., 18(10), 127–144.
C.C. Pérez Hernández et al. / Contaduría y
Administración 62 (2017) 505–527 527
Dosi, G. (2008). La interpretación evolucionista de
las dinámicas soio económicas. En R. Viale (Ed.), Las nuevas economías. De la economía
evolucionista a la economía cognitiva: Más allá de las fallas de la teoría
neoclásica (pp.29–44). México: Flacso México.
Dutrénit, G., Capdeville, M.,
Corona, J., Puchet, M. y Vera-cruz, F. (2010). El
Sistema Nacional de Innovación Mexicano. UAM, 1–62.
Enpecyt. (2011). Encuesta sobre la Percepción Pública
de la Ciencia y la Tecnología en México. INEGI.
FCCyT. (2014). Ranking Nacional de Ciencia
Tecnología e Innovación. Capacidades y Oportunidades de los sistemas estatales
de CTI. México: FCCyT.
García,
M., Blázquez, M. y Ruiz, E. (2012). Empirical study
of national technological innovation capability in Africa. SAJEMS, 440–463.
García-Ochoa Mayor, M., Bajo Davó,
N. y Blázquez de la Hera, M. L. (2012). La innovación tecnológica como variable
determinante en la competitividad de los países. Revista de Economía Mundial,
31, 137–166.
García-Ochoa Mayor, M., Blázquez de la Hera, M.
L. y López Sánchez, J. I. (2012). Uso y aplicación de la técnica de análisis
estadístico multivariante de cluster
sobre la capacidad de innovación tecnológica en Latinoamérica y España. Innovar,
22, 21–40.
Guzmán, D. (2008). Las capacidades
tecnológicas en la industria del calzado en México. México: I.P.N.
Martín, Q., Cabero, M. y de Paz, Y. (2008). Tratamiento
estadístico de datos con SPSS. Espa˜na: Thomson.
Morales, M. (2009). Teoría Económica Evolutiva
de la Empresa: ¿una alternativa a la teoría neoclásica? Revista Latinoamericana
de Economía, 161–183.
PECITI. (2014). Programa Especial de Ciencia,
Tecnología e Innovación 2014-2018. CONACyT.
Pedroza, H. (2006). Sistema de análisis
estadístico con SPSS. Nicaragua: INTA.
Quiñones A, Tezanos S
(2011) Cooperación científico-tecnológica para el desarrollo internacional: una
apuesta desde la innovación [consultado 10 Ene 2015]. Disponible en:
http://www.ciberoamericana.com/pdf/DT 2011 02.pdf.
Ríos, V. (2014). México sí crece, solo que a 32
pasos diferentes. Excelsior.
Schumpeter,
J. (2005). Development. Journal of Economic Literature, 108–120.
Stern,
S., Porter, M. E. y Furman, J. L. (2000). The Determinants of National
Innovative Capability. NBER Working Paper Series. http://dx.doi.org/10.3386/w7876
Velarde, E., Garza, E. y Coronado, E. (2011). El
desarrollo de capacidades tecnológicas y la vinculación con instituciones
educativas. Global Conference on Business and Finance
Proceedings, 6(2), 1–7.
WIPO
(2014). The Global Innovation Index 2014. INSEAD [consultado 10 Ene 2015]. Disponible en:
https://www.globalinnovationindex.org/userfiles/file/reportpdf/gii-2014-v5.pdf.
Notes.
1 La encuesta
se conoce como «datos blandos», y por lo general se obtiene de muestras de las
encuestas (no de poblaciones enteras). Para el INEGI, la ESIDET-MBN 2012 es la
primera encuesta especial en empresas con cobertura geográfica estatal; por lo
tanto, la batería del año 2006 no emplea dicha variable.
2 Para Chinaprayoon (2007) , los usuarios de internet son un
indicador de la difusión de nuevas tecnologías, mientras que el consumo de
energía eléctrica y las líneas de teléfono indican la difusión de las viejas
tecnologías.
3 Se espera
que el crecimiento de la actividad económica y el ingreso derive en un aumento
de la demanda de bienes de mayor complejidad o tecnológicamente avanzados ( Cepal, 2007).
4 El test Student-Newman-Keuls es un test
de comparaciones múltiples, permite comparar las medias de los niveles t de un
factor después de haber rechazado la H 0 de
igualdad de medias mediante la técnica ANOVA. La prueba DHS de Tukey utiliza el estadístico del rango estudentizado
para realizar todas las comparaciones por pares entre los grupos y establece la
tasa de error por experimento como la tasa de error para el conjunto de todas
las comparaciones por pares. La prueba Waller-Duncan
utiliza la aproximación bayesiana. Esta prueba de rango emplea la media
armónica del tamaño de la muestra cuando los tamaños muestrales
no son iguales ( Martín, Cabero
y de Paz, 2008 ).
5 El D.F., en
nuestro estudio, resultó la entidad puntera en capacidades tecnológicas,
mientras que Nuevo León y Querétaro pertenecen al segundo cluster.
6 Países de
mejor ranking según WIPO (2014).
7 Clusters A, B, C en
el ranking nacional de ciencia tecnología e innovación ( FCCyT, 2014); estados en construcción, estados en
transición y estados en consolidación según el PECITI, 2014-2018.
Métricas de artículo
Metrics powered by PLOS ALM
Enlaces refback
- No hay ningún enlace refback.

Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.
CONTADURÍA Y ADMINISTRACIÓN, año 70, 2025, es una publicación trimestral editada por la Universidad Nacional Autónoma de México, Colonia Ciudad Universitaria, Delegación Coyoacán, C.P. 04510, México, Ciudad de México, a través de la División de Investigación de la Facultad de Contaduría y Administración - UNAM, Circuito Exterior, s/n, Colonia Ciudad Universitaria, Delegación Coyoacán, C.P. 04510, México, Ciudad de México., Tels. (55) 56 22 84 57, (55) 56 22 84 58 Ext. 144 y (55) 56 22 84 94, http://www.cya.unam.mx, correo electrónico: revista_cya@fca.unam.mx, Editor responsable: José Alberto García Narváez, Reserva de Derechos al Uso Exclusivo No. 04-2016-071316434900-203, otorgada por el Instituto Nacional del Derecho de Autor, ISSN 2448-8410, Responsable de la última actualización de este Número, División de Investigación de la Facultad de Contaduría y Administración-UNAM, José Alberto García Narváez, Circuito Exterior, s/n, Colonia Ciudad Universitaria, Delegación Coyoacán, C.P. 04510, México, Cd., Mx., fecha de última modificación, 29 de enero de 2025.
Las opiniones expresadas por los autores no necesariamente reflejan la postura del editor de la publicación. Se autoriza la reproducción total o parcial de los textos aquí publicados siempre y cuando se cite la fuente completa y la dirección electrónica de la publicación.
Contaduría y Administración by División de Investigación de la Facultad de Contaduría y Administración is licensed under a Creative Commons Reconocimiento- 4.0 Internacional.
Creado a partir de la obra en http://www.cya.unam.mx.
Correo electrónico: revista_cya@fca.unam.mx
ISSN: 0186-1042 (Print) 2448-8410 (Online)