trabajo final econometria

Universidad de Talca

Escuela de ingeniería comercial

INDUSTRIA MANUFACTURERA EN CHILE GABRIELA SEPÚLVEDA VERA, FERNANDO MUÑOZ MORALES, CECILIA CARRIZO NUÑEZ,

CÉSAR MACHUCA PEÑALOZA

Abstract

The country's production structure is based on the exploitation of natural resources,

producing commodities with low added value. Due to shape a production function that

models the value added of domestic production, we decided to analyze the main

variables that explain the product. Through various econometric analyses it reaches to a

Cobb Douglas model which appropriately explains the interaction of variables within

the manufacturing industry. This model allows us to draw conclusions about the reality

of Chilean manufacturing. As the most influential factor in the generation of added

value, we find that the domestic industry is basically intensive use of labor, as do

nations that base their economies on the exploitation of natural resources, as in the case

of mining and agriculture. In addition, it is diagnosed the need to automate production

processes and investing more capital resources in the manufacturing work to shape a

more sustainable model of economic development.

Key words: Production, variables, industry, added value, economic development.

Resumen ejecutivo

La estructura productiva del país se basa en la explotación de recursos naturales,

produciendo bienes primarios de bajo valor agregado. Con motivo de dar forma a una

función de producción que modele el valor agregado de la producción nacional, se

decide analizar las principales variables que explican dicho producto. Por medio de

diversos análisis econométricos se logra llegar a un modelo Cobb Douglas que explica

de manera apropiada la interacción de las variables dentro de la industria manufacturera.

En cuanto al factor que más influye en la generación de valor agregado, se observa que

SECTOR INDUSTRIAL EN CHILE

la industria nacional es básicamente intensiva en el uso del factor trabajo, tal como lo

hacen las naciones que basan sus economías en el aprovechamiento de los recursos

naturales, como en el caso de la minería y la agricultura. Además, se diagnostica la

necesidad de automatizar los procesos productivos, invirtiendo más recursos de capital

en las labores de manufactura, para conformar un modelo más sustentable de desarrollo

económico.

Palabras clave: Producción, variables, industria, valor agregado, desarrollo económico.

Antecedentes Generales

A pesar de los importantes vaivenes de la economía internacional durante los últimos 5

años, el fuerte sismo que afectó al país en febrero de 2010 y el actual escenario de

incertidumbre que se observa en algunos países europeos, el sector Industrial Chileno continúa

mostrando una positiva tendencia en los niveles de inversión (SOFOFA).

Chile se encuentra situado entre los países más industrializados de América Latina.

Desde 1940, el sector manufacturero ha contribuido más que la agricultura en la participación

del PIB. Cerca de un tercio del valor agregado del sector manufacturero proviene de la

producción de alimentos, refrescos y tabaco. Durante los últimos 10 años del siglo pasado, la

exportación de productos alimenticios se disparó, con un crecimiento del 85% hasta un 100%

(Véase gráfico 1).

El sector Industrial chileno está compuesto principalmente por recursos mineros locales,

materiales agrícolas brutos, y silvicultura. Las industrias actuales incluyen refinamiento de

cobre, productos nitratos, fundición de hierro, producción de acero, refinamiento de petróleo,

cemento, químicos, madera y pulpa, muebles, y productos de madera variados. Existe, además,

una gran industria textil y de cuero, concentrada principalmente en los centros urbanos, siendo

Santiago la más grande, empleando un 20% de la fuerza laboral local.

Gráfico 1

2


Evolución exportaciones de alimento

Fuente: Chilealimentos

Antecedentes históricos

La industria manufacturera es un conjunto de empresas, definidas como entidades

jurídicas dedicadas a producir bienes y/o servicios, se caracteriza por trasformar las materias

primas y/o insumos en productos más elaborados.

El patrón industrial básico, establecido en 1914, incluyó el procesamiento de alimentos,

producción de refrescos, refinamiento de azúcar, algodón y lana, una fábrica de fósforos, una

fundición de hierro, y una fábrica de cemento. Durante la segunda década, la producción

industrial creció cerca de 85%, pero desde 1949 a 1958 el nivel de producción era prácticamente

estacionario.

Con el establecimiento de la fábrica de acero Huachipato en 1950, el trabajo

preparatorio fue formulado para el desarrollo de industria pesada. La primera refinería de cobre

en Chile fue inaugurada en noviembre de 1966. La mayor región industrial del país es el área

Santiago-Valparaíso. La empresa estatal CODELCO es la segunda compañía más grande de

extracción de cobre del mundo, aunque el sector privado generalmente produce más cobre que

el Estado (dos tercios del total).

Durante el período 1970-73, 464 plantas e instalaciones domésticas y extranjeras fueron

nacionalizadas por el gobierno de Allende. Esto incluyó las instalaciones de cobre de las

empresas Anaconda y Kennecott, y otras compañías adquiridas por capitales americanos. En

1982, el gobierno militar devolvió muchas de las instalaciones expropiadas a sus dueños

originales. Las políticas de libre mercado de la Junta, en conjunto con la recesión mundial, tuvo

como resultado una baja del 25.5% en la producción industrial en 1975. Luego a mediados de

los años 70`s, la industria chilena se alejó del enfoque en la sustitución de importaciones hacia

3


una orientación a las exportaciones. Más del 20% del valor de la producción industrial de 1985

vino de las exportaciones, y en 1998, el valor de las exportaciones excedió al valor de las

exportaciones por primera vez. Los sectores claves incluyen textiles, automóviles, químicos,

productos del caucho, acero, cemento, y bienes de consumo.

El sector industrial creció a una tasa promedio del 7% entre 1976 y 1982. La producción

industrial creció en promedio un 3,7% por año entre 1980 y 1990, y un 6,6% anual durante

1988-98. La producción manufacturera creció a una tasa promedio de 3,4% por año durante los

años 80s, y un 5,8% por año entre 1988 y 1998.

Chile tiene tres refinerías de petróleo, con una capacidad de producción de 205.000

barriles por día. Además, tiene una reciente industria automotriz: en 2001, Chile produjo 10.519

unidades, el doble de las producidas en el año 2000. También se producen algunos vehículos

pesados (Encyclopedia).

Situación actual

Al estudiar la industria el Chile es importante mencionar, que la actividad económica

del sector se mide a través de la ENIA (Encuesta Nacional Industrial Anual) cuya misión es

producir y difundir estadísticas oficiales de Chile, proporcionando información confiable y

accesible a los usuarios para la toma de decisiones, logrando un mayor conocimiento de la

realidad del país y, articular el Sistema Estadístico Nacional, de manera que éste provea al país

información pertinente, relevante y comparable a nivel nacional e internacional (INE).

Bajo este contexto, durante la medición del primer Trimestre 2011 se detecto que la

participación de la industria en el PIB fue de un 3% (Ver anexo Nº1) y las iniciativas sectoriales

han alcanzado un 12,4% más con respecto al 2010 en inversión. Este aumento en las iniciativas

de inversión fue impulsado por el importante incremento en la cantidad de proyectos, registro

que significó avanzar de 106 a 185 iniciativas en 12 meses.

La Producción Industrial mostró en junio de 2012 un aumento de 2,7% en relación a

igual mes de 2011. Las ventas físicas, por su parte, experimentaron un alza interanual de 2,0%,

mientras que las ventas internas se expandieron en 0,7% en igual mes (Ver grafico 2).

El sector que lideró la producción industrial en el mes de junio fue el de alimentos,

bebidas y tabaco, registrando un crecimiento interanual de 8,9%, impulsado por la producción

de salmones y truchas, productos de molinería, panadería, vinos, y bebidas refrescantes. Tal

como meses anteriores, en junio el sector alimentos fue el principal contribuyente en el

4


incremento que muestra la expansión industrial. Los sectores metalúrgicos y metalmecánicos

también mostraron crecimientos interanuales en junio, impulsados por el sector construcción y

minería. Con estos resultados, la Producción Industrial registró en el primer semestre de 2012

un aumento interanual de 3,4%. Las ventas industriales mostraron un avance de 3,3% en igual

lapso, mientras que las ventas internas acumularon un incremento de un 1,6% (Ver anexo Nº2)

(SOFOFA).

Gráfico 2

Fuente: SOFOFA

Ocupación Industrial

Es relevante mencionar la participación de la industria en el empleo, ya que este es la

principal fuente de ingresos de los hogares Chilenos. Dicha participación es relevante para el

país ya que según dato de la nueva Encuesta Nacional del Empleo 2012 (INE), de un total de

7.583,24 Miles de personas empleadas, 11,64% de las personas contratadas provienen de la

Industria Manufacturera dichos empleos generados principalmente en la Región Metropolitana

(48,36%), la del Bío-Bío (14,56%) y la de Valparaíso (8,4%), entre otras. Cifra que en

comparación con los demás sectores de la actividad económica la sitúa en el segundo lugar a

nivel de país, siendo el sector de la Construcción el que lidera el ranquin con un 19,75% de las

personas empleadas en el país.

El Índice de Ocupación Industrial del mes de junio de 2012, registró un aumento de

3,0% en relación a junio del año pasado, y un leve incremento de 0,3% respecto al mes de mayo

de este año (Véase gráfico 3). Los sectores que incidieron positivamente en el alto dinamismo

del empleo industrial fueron la industria alimenticia, fabricación de prendas de vestir,

fabricación de productos elaborados de metal, y la fabricación de sustancias y productos

químicos, con respecto al 2011. De esta manera, la Ocupación Industrial registró una variación

en el primer semestre de 2012 de 3,1%, en comparación a igual lapso del año pasado.

5


De acuerdo a la organización gubernamental Prochile, “Este sector se ha caracterizado

por presentar un importante desarrollo en las últimas décadas gracias al crecimiento de sectores

productivos primarios, y a la implementación de una industria satelital de apoyo, pero aun no a

podido desarrollando nuevos productos orientados a determinados nichos de mercado. Ambas

situaciones han generado un incremento en la base de empresas productivas de todos los

subsectores manufactureros no alimenticios, cumpliendo siempre con estándares de calidad a

nivel internacional, y obteniendo reconocimiento de ventajas competitivas como cumplimiento

de normativas y certificaciones, oportunidad de entrega, servicio técnico pre y post venta,

producción estandarizada –y a pedido-, desarrollo de productos en base a necesidades

específicas, seriedad empresarial, y una relación cara a cara con los clientes” (Prochile).

Gráfico 3

Fuente:

SOFOFA

En muchos sectores se puede apreciar una evolución positiva de sustitución de

importaciones y, por otro lado, la generación chilena de soluciones integrales a través del

encadenamiento productivo y la asociatividad empresarial.

Los sectores más destacados de esta oferta exportable no tradicional chilena son, entre

otros, los de textil confección, calzado, cosméticos, accesorios de vestir, envases y embalajes,

sector forestal industria secundaria, área médica, fármacos y productos naturales, sector

eléctrico-electrónico, ferretería, así como también proveedores para la industria minera,

acuícola, forestal y maderera, y agroindustrial.

La industria no alimenticia chilena se caracteriza en los mercados internacionales por su

seriedad empresarial, cumplimiento de estándares internacionales, tradición productiva y

vocación sectorial en base al desarrollo de sectores productivos primarios, capacidad productiva

y tecnológica para satisfacer requerimientos técnicos específicos de los demandantes, además de

ser proveedores confiables y capaces de entregar soluciones integrales y ofertas sectoriales

complementarias.

6


Problema

Encontrar cuáles son los factores productivos más relevantes en el sector manufacturero

en Chile para poder crear una función de producción.

Justificación

Mediante factores como, sexo, edad, ingreso, materias primas, región, ocupación,

energía y tecnología, se busca entender cómo se comporta la manufactura en Chile, creando

una función de producción según el comportamiento de dichas variables.

Objetivos

General:

Crear una función de producción, para así comprender como funciona el sector

manufacturero en chile.

Específicos:

Verificar la diferencia de los factores productivos en la función de producción.

Conocer la importancia relativa del factor productivo Capital dentro del sector

manufacturero en Chile.

Importancia de la energía como factor productivo dentro de la industria manufacturera.

Determinar la importancia relativa de cada factor.

Estado del Arte

La mayor parte de la información contenida en este estudio proviene de datos

proporcionados por la ENIA, la institución en Chile que se especializa en la medición del sector

industrial y sus variables. Cabe mencionar que Chile posee una clasificación Industria propia

para realizar estudios nacionales o comparaciones internacionales. La Clasificación

7


Internacional Industrial Uniforme de todas las Actividades Económicas (CIIU), permite que

cada país obtenga datos en función de estructuras comparables internacionalmente (CIIU).

En Chile existe la ley Nº 23407 que legisla el actuar de la industria, y que en general

promueve el incremento de la riqueza, en base al trabajo, el aumento en la inversión, producción

y productividad, y la difusión apropiada de la tecnología para el desarrollo y mayor eficiencia

de la actividad industrial.

Según (Bernard & Contreras, 2009), Las variables que predominan y que son esenciales

para la predicción de la función de producción de la industria son tecnología, trabajo, insumos y

capital. Dicho estudio esta enfocado en la distribución del ingreso y en los márgenes de utilidad,

en donde propone que el ingreso está directamente relacionado con los pagos de los diferentes

insumos ocupados en la produccion y que participan el la generación de riqueza de un país,

mientras que al hablar de márgenes de utilidad se hace alusión al hecho de que las firmas operan

bajo competencia imperfecta en el mercado de bienes, y como tomadoras de precios en el

mercado de factores, por lo que maximizan sus utilidades en el corto plazo en donde los

materiales y la mano de obra son ajustados al valor de equilibrio en cada período. En este caso

se da que el ingreso marginal es igual al costo marginal, por lo que la razón financiera que

indica la eficiencia (MARKUP) de la firma, se produce entre el precio del bien y la ganancia o

costo marginal. Los resultado del estudio muestran en general que la mano de obra obtiene un

21% por cada peso de ganancia que obtiene la industria, mientras que los proveedores sólo un

16%. En el caso de la razón de utilidad, éste presenta un valor mucho mayor al del markup

debido a la presencia de rendimientos decrecientes, alcanzando así un margen de 79 %.

En su estudio (Benavente, Abril 2005), el autor discute el rol fundamental que cumple

el estado como promotor en temas de ciencia y tecnología para la industria, ya sea en sectores

de empresas educacionales públicas o privadas, ya que el apoyo a la innovación a través de

diferentes programas y fondos sólo solucionan las fallas de mercado y no hay evidencia de que

lo hagan de manera eficiente. El principal problema aquí es la falta de políticas científico-

tecnológicas a nivel nacional que coordinen actividades, objetivos y mercados hacia los cuales

están orientados las organizaciones. Por lo que el autor propone la creación de una unidad

rectora que entregue directrices, prioridades, reglas y evaluaciones periódicas, de modo de hacer

más eficiente la inversión pública en este tipo de actividades. De lo anterior el autor concluye

que aún cuando el cambio tecnológico es un factor del crecimiento económico, no hay mucha

evidencia de que cauce un gran impacto en este. Menciona, además, que nuestro país tiene

graves deficiencias en cuanto a I+D. En síntesis la única forma de revertir la situación, es decir,

aumentar la inversión en I+D, es hacer que el sector privado tome un rol mas activo, no sólo en

8


el financiamiento, sino también en la ejecución de actividades de investigación e innovación

tecnológica.

Según un estudio realizado por (Ramírez & Alfaro, 2011) a una muestra de 112

empresas manufactureras chilenas para medir la influencia de la inversión en TI sobre la

eficiencia relativa de las organizaciones, la incorporación de las TI a las organizaciones ha

despertado amplias expectativas sobre su contribución en el aumento de la riqueza de las

naciones. El autor sugiere que una mayor inversión en TI implica un aumento en el rendimiento

empresarial de los países desarrollados, pero en países en vías de desarrollo esto no es así.

Además de lo anterior establece una relación entre las TI y la teoría de recursos y capacidades,

la cual plantea que si los recursos y las capacidades de las TI son simultáneamente difíciles de

imitar y de sustituir pueden producir una ventaja competitiva sostenible. A través del cálculo de

la ANOVA y técnicas no paramétricas con el programa SPSS 15.0, el autor concluye que no

existen diferencias estadísticamente significativas de la eficiencia entre grandes industrias

manufactureras chilenas con mayor inversión en computadores y aquellas con menor inversión

en ellas. Como menciona (Carr, 2003), en la medida que las TI estén omnipresentes en los

países en vías de desarrollo, se convierten en commodities y, en consecuencia, desde el punto de

vista estratégico no importan. Los resultados de este trabajo apoyan esta posición.

Según (Álvarez, García, & García, 2008), las variables que debería contener una

función de producción son la productividad laboral, el precio de la fuente de energía, su

intensidad de uso, y el tamaño de la planta. En dicho estudio se analiza si los incrementos de los

precios de la energía han estado asociados a reducciones de la productividad de las plantas.

Además de cuantificar su efecto, se estudia si los shocks de precios han tenido un efecto

diferencial de acuerdo a la intensidad de uso de energía y al tamaño de las plantas. El estudio

muestra evidencia de que son los sectores más intensivos en energía los que han experimentado

la mayor reducción en la tasa de crecimiento de la productividad. Las estimaciones

econométricas muestran una asociación negativa entre productividad y precio de la energía, la

que es de mayor magnitud para las plantas más grandes. En general, aunque existen diferencias

por sectores, la importancia de los insumos energéticos ha ido incrementando a través del

tiempo en línea con el incremento de los precios de estos insumos aunque constituyen un

porcentaje relativamente bajo de los costos de las empresas.

Otros autores examinan el efecto que tiene la capacitación en la competitividad de la

industria manufacturera (Padilla & Juáres, 2007), distinguiendo entre ramas industriales con

distintas características tecnológicas y productivas. Se analiza el entorno organizacional e

institucional de apoyo a la capacitación y el efecto de esta última en la localidad en su conjunto.

9


La evidencia empírica permite concluir que la capacitación en la empresa tiene un impacto

diferenciado en la competitividad de industrias con distintas características tecnológicas y tiene

también un impacto positivo en la región a través de la difusión de conocimientos. A nivel

micro, el análisis econométrico permite concluir que la capacitación que las empresas imparten

a sus trabajadores está asociada positivamente con la competitividad de esas empresas; la

capacitación en la empresa se traduce en mayor competitividad debido a su impacto en la

calidad de los productos, mayor eficiencia (menos trabajos rehechos y menos rechazos), mayor

flexibilidad y mayor capacidad de innovar en productos y procesos. La capacitación está

también fuertemente relacionada con la incorporación y generación de nuevas tecnologías. Esta

relación puede generar un círculo virtuoso: el cambio tecnológico requiere capacitación y ésta

es esencial para la innovación. En este sentido, la capacitación está ligada a un proceso activo

de uso, mejora y generación de conocimientos.

El crecimiento de la productividad es un objetivo específico de las políticas dirigidas al

desarrollo económico según (González, 2004). Esto se debe no sólo al impacto claro de esta

variable sobre el crecimiento del producto, sino por su efecto sobre la calidad de vida de sus

habitantes. Los resultados de estos trabajos presentan evidencia contradictoria acerca del

comportamiento de la productividad multifactorial. No obstante, todos coinciden en afirmar que

la dinámica en la industria manufacturera está determinada por los movimientos de esta

variable dentro de las firmas y no por la entrada y salida de firmas en la industria. El trabajo

sugiere que no hubo ningún cambio técnico importante en la industria manufacturera

colombiana durante estas dos décadas. No obstante, las autora argumenta que a pesar que la

productividad se mantuvo relativamente constante si hubo una tendencia de reasignación de la

producción de las firmas menos eficientes a la mas eficientes. Por lo cual, el limitado

crecimiento de la productividad en Colombia según los autores, no provino de la salida de las

firmas menos eficientes sino de ganancias en productividad dentro de la firma en la industria,

derivada de la reasignación de recursos.

En su estudio (Álvarez & García, 2008) señalan que, en primer lugar, en un estudio se

debe analiza la relación de causalidad entre desempeño exportador y productividad de las

firmas. La evidencia, que es coherente con la encontrada para otras economías, favorece la idea

de que sólo las firmas más productivas son capaces de exportar. Finalmente, se estudia si la

actividad innovadora de las firmas favorece el desempeño exportador. Utilizando indicadores

de innovación de productos y procesos, y también de inversión en I+D, no se encuentra

evidencia de que estos incrementen la probabilidad de exportar. Dada la poca evidencia que el

hecho de exportar incremente la productividad de las firmas, este trabajo analiza si existen otras

formas de aprendizaje vinculadas al proceso exportador. Utilizando indicadores de innovación

10


de productos y procesos, junto con analizar si las firmas invierten en I+D, no se ha encontrado

evidencia de que éstos incrementen la probabilidad de exportar estos puede ser debido algunos

factores como: Primero, no es posible descartar que las variables presenten importantes errores

de medición. Segundo, la disponibilidad de información de corte transversal hace problemática

la aplicación de técnicas econométricas que permitan controlar por factores no observados que

puedan afectar conjuntamente el desempeño exportador y la innovación.

El autor de este trabajo (Duran, 2010), analiza un aprendizaje productivo en la

Industria Manufacturera de Colombia, haciendo también un estudio a nivel de sectores, dando a

conocer como se enfoca la economía en la conformación de la teoría del crecimiento endógeno,

en base a las experiencias obtenidas en un grupo de países asiáticos, incluyendo también China,

India y Brasil, países en los cuales se utilizan variables relacionadas con el conocimiento y el

capital humano dentro de la industria. El autor plantea que los procesos productivos generan un

conjunto de fuerzas económicas lo que se asocia al aprendizaje y por lo tanto a la recolección de

conocimiento, lo que genera un aumento en la productividad, induciendo a un aumento en el

crecimiento, logrando un impulso en el desarrollo de los países. La industria manufacturera, por

estar ligada al desarrollo de la ciencia, de la tecnología y de la ingeniería, se convierte en un

sector económico que se expone a crear, experimentar y promover dinámicas de aprendizaje y

por lo tanto a la propagación del conocimiento. A través de estas formas de crear nuevas

visiones sobre la forma de cómo se desarrollan estas economías, se logra renacer la importancia

que tiene esta rama en cuanto al progreso de las naciones, ya que al analizar la economía

colombiana, se puede ver que esta experimenta desde hace años un proceso de

desindustrialización el cual ha logrado una estabilidad en los últimos años, la cual también está

alcanzando trascendencia en Latinoamérica.

(Coq & Ríos, 2010) Los autores proponen en este artículo el análisis de las

transformaciones en la industria manufacturera chilena en el período 1979-2004. Las variables

de este artículo analizan los procesos de acumulación de capital y los patrones de

transformación estructural de la industria chilena entre 1979 y 2004. Éstas son dos variables

fundamentales por dos motivos, ya que el primero es la amplitud del período estudiado que

permite la existencia de cambios estructurales importantes y la segunda es la importancia del

tema en el debate teórico sobre las bases económicas, sociales e institucionales sobre las que se

ha basado el fuerte crecimiento económico experimentado por Chile en las 3 últimas décadas.

Considerando las variables, los cambios vienen marcados por la intensidad de los procesos de

apertura exterior y de modificación de las bases institucionales interiores El resultado es un

proceso de fuerte crecimiento industrial que, además se encuentra asociado, al menos hasta

finales de los noventa, a una intensa creación de empleo. Sin embargo, se mantuvieron algunos

11


de los rasgos estructurales definitorios de la estructura industrial precedente. El elemento más

claro sería la división entre industrias orientadas a la exportación e industrias orientadas al

mercado interior. También se expone como tras la crisis de finales de los noventa la mayor parte

de los sectores industriales orientados al mercado interno desarrollan capacidades exportadoras

importantes. Con ello se culminaría el modelo de transformación estructural, que demandó más

de 30 años para consolidarse. Entre 1979 y 2004 se engloban 3 etapas distintas, La primera es la

intensa crisis sufrida por el país entre los años 1980 a 1985. La segunda abarca la fase de

prolongado crecimiento económico perceptible a partir del año 1986 que va a prolongarse hasta

1997, donde las tasas de crecimiento del Producto Interno Bruto (PIB) llegaron a ser de hasta el

7%. Por último, la tercera fase es la que sucede a la crisis asiática, donde el crecimiento del PIB

cae abruptamente desde 6,6% en 1997 al -0,8% en 1999 para recuperarse rápidamente después,

pero a tasas más moderadas entre el 3% y el 4,5%.

De acuerdo al estudio realizado por (Vilaboa, 2004), en los últimos años, las plantas

chilenas vienen automatizando sus procesos de producción, lo que ellas justifican,

principalmente, en el alza sostenida de los salarios industriales. En su trabajo, el autor analiza

los aspectos económicos y de gestión relacionados con la automatización de los procesos

productivos en Chile. Como caso de estudio, se muestra la robotización de los procesos de

inspección visual de la producción, lo que permite apreciar los beneficios y los costos

económicos asociados a estos proyectos. La principal conclusión del trabajo señala que la

automatización de los procesos productivo constituye un desafío ineludible para la industria

nacional, en los próximos años.

Modelos propuestos

Se puede formular modelos según la revisión bibliográfica, con las siguientes

características o variables que posiblemente expliquen la variación de la productividad laboral:

Variable endógena:

Productividad Laboral (PL): Esta es la variable dependiente, que se explica por un

conjunto de variables exógenas que se agrupan en distintas dimensiones.

Variables exógenas:

Tecnología (T): Explica la relación que tiene la tecnología con la productividad laboral,

factor que influye positivamente en la manera en que las personas realizan el trabajo, en

los costos y en la eficiencia de producción.

Trabajo (L): Esta variable será dicotomizada de manera de explicar cuál es la influencia

del trabajo de profesionales universitarios quienes toman el valor 0, la influencia del

12


trabajo de profesionales técnicos que toma el valor de 1 y la influencia de trabajadores

sin educación superior que toma el valor de 2. Este factor es muy importante ya que nos

permitirá conocer cuál de estos tres grupos es el que tiene una mayor incidencia en la

productividad laboral.

Insumos (I): Son utilizados para la producción y en la generación de riqueza. Este factor

está relacionado de manera directamente proporcional con la productividad, ya que a

medida que aumenta la cantidad de insumos, también lo hace la productividad laboral.

Capital (K): El capital es un factor importante ya que hace referencia al stock de

equipos y estructuras que se emplean para producir bienes y servicios. Este parámetro

es relevante ya que a medida que aumente la capacidad de la empresa en maquinaria,

aumentará la productividad laboral.

Tamaño de planta (TP): Es importante ya que influye directamente en la cantidad de

producción de esta, que se ve aumentada a medida que aumenta el número de

trabajadores.

Capacitación (C): Este factor es importante ya que a medida que aumenta los

conocimientos de los trabajadores dependiendo del área en que se desempeñen, el

trabajo se vuelve más sistematizado y, por lo tanto, disminuyen los sesgos en cuanto a

la productividad laboral.

A partir de los factores señalados con anterioridad se formulan las siguientes funciones de

producción para el sector manufacturero:

Cobb-Douglas:

Ln (PL) = β₀ + β₁ Ln L + β₂Ln I + β₃ Ln K+β₄ Ln TP+ β₅ Ln C + αD₁ + ε

Translogarítmica:

Ln (PL) =β₀ + β₁ Ln L + β₂ Ln I + β₃ Ln K + β₄ Ln C + β₅ Ln TP + ½β₆ Ln² L + ½β₇ Ln² I + ½β₈ Ln² K + ½β₉ Ln²C + ½β₁₀ Ln²TP + β₁₁ Ln L*Ln I +β₁₂Ln L*Ln K + β₁₃ Ln L*Ln C + β₁₄ Ln L*Ln TP + β₁₅ Ln I* Ln K +β₁₆ Ln I*Ln C + β₁₇Ln I*Ln TP +

β₁₈ Ln K*Ln C + β₁₉ Ln K*Ln TP + β₂₀ Ln C*Ln TP + αD₁ + ε

13


Metodología

Tipo de Investigación

Con el propósito de dar forma a un modelo que explique la relación de variables y

factores en el valor agregado de la producción industrial, antes es necesario identificar la

metodología con la cual se trabajará sobre la información recopilada de la industria.

14


Así, se define en principio la elección del método cuantitativo de recolección y análisis

de datos, principalmente por el hecho de que este tipo de investigación funciona en base a

elementos numéricos que permiten utilizar herramientas estadísticas para realizar inferencias

acerca de la población de procedencia de los datos, junto con análisis adicionales como la

correlación de las variables consideradas en el modelo, entre otros.

Para que exista metodología cuantitativa se debe considerar primeramente que entre los

elementos del problema de investigación exista una relación que sea representable por algún

modelo ya sea lineal, exponencial o de otro tipo.

Fuentes de datos

Para realizar una investigación que permita concluir acerca de la situación a nivel

nacional, es necesario recopilar un gran número de datos. La obtención de esa gran cantidad de

datos del sector industrial implica un gran esfuerzo, el cual año a año es realizado por ENIA

(Encuesta Nacional Industrial Anual), por lo que se recurrira a esta fuente de datos secundaria

(pues lo datos no provienen de nuestra elaboración primaria) para extraer información de la

industria según la metodología de análisis planteada.

Los datos entregados por la ENIA dan a conocer la situación del país en cuanto a la

producción industrial respecto al sector manufacturero, la cual muestra una mayor contribución

respecto de la agricultura, en la participación del PIB. Cabe mencionar que cerca de un tercio

del valor agregado del sector manufacturero proviene de la producción de alimentos, refrescos y

tabaco. A pesar de lo anterior, en Chile el sector industrial está basado principalmente en la

explotación de recursos mineros locales, materiales agrícolas brutos, y silvicultura.

Métodos de análisis

Una vez que los datos han sido recopilados de acuerdo a la metodología señalada, se

procede a definir qué procedimientos, modelos, y herramientas llevarán a cabo el proceso de

analizar dichos datos.

En base a los objetivos planteados al comienzo de la investigación, es necesario

construir un modelo que ajuste las variables que influyen en la determinación del valor

agregado en el sector manufacturero nacional con los datos históricos compilados.

Empíricamente, las funciones de producción han mostrado ser bastante bien modeladas por

funciones del tipo Cobb-Douglas y Translogarítmicas, hecho por el cual se ha optado por

analizar los datos en función de ambas funciones de producción.

15


En términos simples, La función Translog se caracteriza por vincular las interacciones

entre factores de producción en términos de producción (Q), empleo (L) y capital (K). La

expresión algebraica de esta función es:

Ln Qi = β₀ + β₁ ln Li + β₂ ln Ki + ½ β₃ (ln Li)² + ½ β₄ (ln Ki)² +β₅ ln Li ln Ki + µi

En tanto, la función Cobb-Douglas es una forma de función de producción usada para

representar las relaciones entre un producto y las variaciones de los insumos, tecnología, trabajo

y capital:

Y = F (K, L) = A Ka L

Donde Y = Producción, K = Capital, L = Empleo, A = Tecnología, y F denomina la

función. A y B son parámetros positivos.

Ahora bien, el siguiente paso para optar por el modelo más adecuado, en base a

información estadística concreta y completa, es hacer uso del software estadístico SPSS, el cual

permite extraer conocimiento predictivo de ambos modelos, entregando la posibilidad de tomar

una decisión en base a información precisa de la capacidad explicativa y predictiva de las

funciones descritas. Específicamente, esta herramienta nos permite hacer un análisis de

regresión lineal para desarrollar una ecuación lineal con fines predictivos. Además, el análisis

de regresión lleva asociados una serie de procedimientos de diagnóstico que informan sobre la

estabilidad e idoneidad del análisis y que proporcionan pistas sobre cómo perfeccionarlo.

Estimación del modelo y Resultados obtenidos

En primera instancia se intenta plantear un modelo dicotomizando la variable Región.

Este modelo fue evaluado a través de las dos funciones de producción posibles, la Cobb

Douglas y la Translogarítmica, y se demostró a través de una prueba F-Parcial que el modelo

estimado por la Cobb Douglas tiene una mayor capacidad predictiva, mientras que la

translogarítmica tiene una mejor capacidad explicativa, pero esta última presenta incoherencias

en cuanto a algunos de los signos de los β estimados (signos negativos), pues no muestran

relación con lo propuesto en el modelo, además de esto la mayoría de las significancias se

encuentran en región de aceptación, lo que se puede deber a un problema de multicolinealidad

grave, por lo anterior en adelante se seguirá trabajando con el modelo Cobb Dauglas. Luego de

esto, se analizan los signos de los parámetros del modelo y su relación lógica en base a la

variable endógena que es el valor agregado. Se interpreta de los datos una relación coherente

entre las variables exógenas, a excepción de la variable dicotómica que no es representativa, ya

16


que sólo se incorporó la Región Metropolitana, aún cuando habían regiones más pequeñas que

tenían un mayor aporte al valor agregado (Ver anexo Nº3).

En el segundo modelo planteado, se dicotomiza el tamaño de la planta. Según los

resultados obtenidos (Ver anexo Nº4), el modelo sigue presentando fallas en las variables

dicotómicas puesto que se obtienen resultados que no corresponden con la realidad. Por

ejemplo, los niveles de los estimadores muestran que, a medida que la empresa es más pequeña,

el aporte al valor agregado es mayor, algo que no sucede según la teoría económica, ya que se

espera que a medida que la empresa emplee un mayor número de trabajadores, contribuya un

mayor aporte al valor agregado.

Como resultado de lo antes explicado se decide utilizar un modelo Cobb Douglas que

tiene incluidas las siguientes variables (Ver Anexo Nº5):

Q = F (E, K, M, L) = A EB1 KB2 M B3 L B4

Ln (VA) = β₀ + β₁ Ln E + β ₂ Ln K + β₃ Ln M+β₄ Ln L + ε

Ln (VA) = 1,436 + 0,148 Ln E + 0,094 Ln K + 0,122 Ln M + 0,657 Ln L

Variable Endógena:

Valor Agregado (Va): El valor agregado o producto interno bruto es el valor creado

durante el proceso productivo. Esta variable dependiente se intenta explicar a través de

un conjunto de variables independientes presentadas a continuación.

Variables Exógenas:

Energía (E): Es un factor utilizado para producir bienes y servicios dependiendo el

rubro de la empresa. Para este estudio, dicha variable está compuesta por Electricidad y

Combustible.

Capital: Es un factor productivo que se utiliza para la creación de los productos de la

empresa. Se divide en Capital humano y Capital en infraestructura. En este modelo se

utilizará el capital en infraestructura, que está compuesto por Terrenos, Edificios y

Vehículos y Maquinaria.

Materiales: Son los insumos ocupado para la producción de la compañía. Para elaborar

esta variable se utilizó la sumatoria de Materias Primas y Materiales.

17


Trabajo: Para este estudio el Trabajo es analizado como una valoración del esfuerzo

realizado por el ser humano, y este esfuerzo se mide a través de la asignación de

Remuneraciones Pagadas.

Variables del Modelo Tipo de Variable Variable Dependiente

Valor Agregado ContinuaVariables Independientes

EnergíaElectricidad ContinuaCombustible Continua

Capital

Terreno ContinuaEdificios ContinuaVehículos y Maquinaria Continua

Trabajo Remuneraciones Pagadas Continua

Materiales Materia Primas ContinuaMateriales Continua

Para corroborar que la función de producción estimada es la más apropiada para explicar y

comprender cómo funciona el sector manufacturero en Chile, se procederá a analizar cada uno

de los cuatro supuestos básicos:

Supuesto de Normalidad: Se analiza si los residuos tienen una distribución normal a

través del test of Normality, en donde se comprueba la siguiente prueba de Hipótesis:

H₀: ϵi ~ (0, σ²), ∀ 1≤ i ≤ nH :₁ ϵi (0, σ²), ∀ 1≤ i ≤ n

Prueba de Kolmogorov-Smirnov para una muestra

Unstandardize

d ResidualN 3699

Parámetros normales(a,b)

Media ,0000000Desviación típica

,76132680

Diferencias más extremas Absoluta ,067Positiva ,067Negativa -,063

Z de Kolmogorov-Smirnov 4,059Sig. asintót. (bilateral) ,000

a La distribución de contraste es la Normal.b Se han calculado a partir de los datos.

18


Como el Valor-p de la prueba Kolmogorov - Smirnov es menor que 0, con un α = 5%,

se debería rechazar la hipótesis nula, dado que la prueba nos indica que los residuos no

se distribuyen normalmente. Pero esto no quiere decir que la distribución no sea normal,

dado que el problema que se presenta se debe a que el programa utilizado para hacer las

pruebas (SPSS 15.0) es muy sensible ante variaciones, por lo que al ser variable el

tamaño de las empresa utilizadas por la muestra, el programa define la distribución de

los residuos como no normal. Por lo anterior se extrae el siguiente Histograma para

corroborar la normalidad en la distribución de los residuos.

Supuesto de Variables no-Correlacionadas: El cumplimiento de este supuesto es de

carácter importante, ya que 2 variables correlacionadas entre sí explican lo mismo, por

lo que cuando no se cumple este supuesto se dice que hay un problema grave de

multicolinealidad (es decir, hay variables relacionadas), que se debe corregir dado que

cuando dos variables dicen lo mismo no sirven para explicar el modelo. Para realizar un

diagnóstico de multicolinealidad, se deben analizar los siguientes puntos:

Correlación de Pearson (CP): Permite estimar el nivel de correlación lineal entre las

variables endógenas y las exógenas. La CP explica cómo en el modelo, a medida que

aumente el efecto de la multicolinealidad, aumenta también el error de estimación de

los parámetros (Ver Anexo Nº6). Cuando la correlación es mayor a 0,7, las variables

están muy correlacionadas. En el modelo estimado encontramos las siguientes variables

con CP:

Correlación (Ln, Ln_E) = 0,799

19


Correlación (Ln_Materiales, Ln_L) = 0,732

Correlación (Ln_K, Ln_E) = 0,775

Índice de Tolerancia (IT): Indica si hay un problema grave de multicolinealidad.

Cuando este índice es menor a 10, no hay un problema grave de multicolinealidad. Para

nuestro el análisis, indica que IT (Ln_E, Ln_K, Ln_Materiales, Ln_L) es menor a 10,

por lo que no hay un problema grave de multicolinealidad (Ver Anexo Nº7).

Índice de FIV: Este índice indica problemas graves de multicolinealidad cuando es

menor que 0,1. Para nuestro análisis, indica que el índice de FIV (Ln_E, Ln_K,

Ln_Materiales, Ln_L) es mayor a 0,1, por lo que no hay un problema grave de

multicolinealidad (Ver Anexo Nº7).

Índice de Condición (IC): Este índice indica problemas graves de multicolinealidad,

cuando es mayor que 30 en alguna variable. En el modelo propuesto se identifica un

parámetro (Variable Ln_L) con un índice mayor a 30, pero esto no quiere decir que el

modelo presente multicolinealidad grave, dado que las pruebas T se encuentran en

región de rechazo, por lo que no se genera un problema grabe de multicolinealidad (Ver

anexo Nº8).

Ho: β₀ = β₁ = β₂ = β₃ = β₄ = 0

β₀ = 1, 436 ; Tc = 12,229; P-value = 0 ˂ α = 5%

β₁ = 0,148 ; Tc = 12,542; P-value = 0 ˂ α = 5%

β₂ = 0,094 ; Tc = 10,215; P-value = 0 ˂ α = 5%

β₃ = 0,122 ; Tc = 20,007; P-value = 0 ˂ α = 5%

β₄ = 0,665 ; Tc = 41,044; P-value = 0 ˂ α = 5%

Dado que los P- value ˂ α= 5%, se rechaza la Hipótesis nula, por lo que cada uno de

los parámetros es globalmente significativo para explicar en el modelo.

Supuesto Variables Fijas: Indica que las variables deben ser determinísticas, es decir, el

azar no interviene. En el modelo estimado se cumple este supuesto, ya que cada una de

las variables exógenas son seleccionadas dependiendo el objetivo planteado, en este

caso, estimar una función de producción que explique el comportamiento del sector

manufacturero.

20


Supuesto de Ruido Blanco: Este supuesto está compuesto por tres pruebas: la primera

indica que el no cumplimiento del supuesto número 2 implica un problema de

multicolinealidad; en este caso, y dado los antecedentes planteados, no existe en el

modelo elegido un problema de multicolinealidad grave. La segunda prueba indica que

el no cumplimiento del supuesto 3, 2 (V (ϵi) = σ², ∀ 1≤ i ≤ n), implica un

problema que se llama Heterocedasticidad. La tercera Prueba indica que el no

cumplimiento 3, 3 (Cov (ϵi, ϵj) = σ², ∀ 1≤ i ≤ n), implica un problema que se

llama Autocorrelación Residual, que no se da en el modelo estimado.

Para corroborar el problema de Heterocedasticidad se realizan dos pruebas: primero se

calcula el Test de Correlación por rango de Spearman, cuya hipótesis nula plantea lo

siguiente:

Ho: rs (|Ei|, Xj) = 0; Hipótesis de Homocedasticidad

H₁: rs (|Ei|, Xj) ≠ 0; Hipótesis de Heterocedasticidad

Según los resultado obtenidos (Ver Anexo Nº9), dado que los P - value son menores

que α = 5% se rechaza la hipótesis nula, por lo que el modelo presenta un problema de

Heterocedasticidad. Por tanto, se aplica el método de los mínimos cuadrados

ponderados en donde se determina un factor de ponderación, que elimina o corrigen las

variables que presenten problemas de Heterocedasticidad.

Siendo el modelo final en siguiente (Ver Anexo Nº10):

Q = F (L, M, K, E) = A LB1 MB2 K B3 E B4

Ln (VA) = β₀ + β₁ Ln L + β ₂ Ln M + β₃ Ln K+β₄ Ln L + ε

Ln (VA) = 1,421 + 0,656 Ln L + 0,121 Ln M + 0,095 Ln K + 0,149 Ln E

Resultados obtenidos, análisis de signos y significancia:

β₀ = 1,421; Sig = ,000

β₁ = 0,656; Sig = ,000

β₂ = 0,121; Sig = ,000

β₃ = 0,095; Sig = ,000

21


β₄ = 0,149; Sig = ,000

Según el modelo final las variables exógenas poseen valores positivos son: energía,

capital, trabajo y materiales.

Analizando cada factor:

Trabajo (L) posee signo positivo, lo que provoca que a mayor cantidad de trabajo el

valor agregado también aumentará, y dado que su p-value cae en zona de rechazo, se demuestra

un este aumento es significativo. Capital (C) aparece con signo positivo, lo que quiere decir que

a medida que aumenta el capital el valor agregado también aumentará, y con su p-value en zona

de rechazo estos valores son significativos. El factor Materiales (M) entrega un signo positivo,

por tanto dado un aumento en materiales el valor agregado crecerá y este valor es significativo

puesto que el p-value cae en zona de rechazo y, por último, la variable Energía (E) también

posee un sigo positivo, esto significa que a mayor cantidad de energía el valor agregado

aumenta y con el p-value en zona de rechazo este valor es significativo.

A partir del modelo final se puede concluir que este se comporta de la misma manera

que lo indica la teoría económica es decir que cada una de las variables inciden positivamente

en el valor agregado del sector manufacturero. También se puede señalar que la industria

chilena es mayoritariamente intensiva en Trabajo más que en otro factor y esto se demuestra con

el resultado del parámetro involucrado que tiene un valor de 65,6% (que correspondiente a la

elasticidad del trabajo, que muestra que ante una variación de un 1% del valor agregado el

trabajo se incrementara en un 65,6%). En segundo lugar se encuentra la variable Energía con

una elasticidad de 14,9%, le sigue la variable Materiales con un 12,1% y en último lugar el

Capital con un 9, 5%. Al corroborar la existencia de economías de escala el resultado es de

1,021 que se obtiene de la suma de los parámetros de las variables involucradas con esto se

concluye que el sector manufacturero tiene economías crecientes a escala y esto se ve reflejado

en que si la empresa aumenta el gasto en capital, trabajo, materiales y energía la producción

crecerá en un rango superior a lo que se gasto en ello.

Discusión de los Resultados

Modelo Final Utilizado Cobb Douglas:

Q = F (L, M, K, E) = A LB1 MB2 K B3 E B4

Variables del modelo estimado:

Variable Endógena:

22


Valor Agregado (Va)

Variables Exógenas:

Energía (E) Variable Continua

Capital (C) Variable Continua

Materiales (M) Variable Continua

Trabajo (L) Variable Continua

Relación de los resultados obtenidos con el estado del arte:

Los autores (Padilla & Juáres, 2007) propone que la capacitación es un factor muy

importante para el rendimiento empresarial, dado que relaciona la capacitación con la

productividad de los factores y, por ende, con un aumento en el valor agregado de la

producción. En el modelo final propuesto, esto hace mucho sentido, pues las capacitaciones y/o

mejoras en las tecnologías de la empresa, aumentan el valor generado por la organización. Las

estimaciones partieron de un conjunto de variables y se fueron ajustando hasta llegar a una

estimación consistente. Se fundamenta en el análisis estadístico y econométrico de una base de

datos pública, la Encuesta Nacional de Empleo, Salarios, Tecnología y Capacitación

(ENESTYC) 2001, de México.

(Duran, 2010) En su documento aplicado a la industria colombiana se plantea una relación

directa entre trabajo y producto, donde agregar valor a los trabajadores, por medio de

capacitaciones u otros medios, mejora el rendimiento de la empresa en términos de producción.

El modelo planteado en este informe, señala la misma relación causal recién planteada, donde

invertir en el factor “trabajo” constituye una inversión en el valor agregado del producto de la

firma. La metodología consiste en la estimación de funciones de producción para las categorías

anteriores y para la industria en general, tomando como referencia el período 1980-2000. Así, se

estiman modelos de datos panel, en los cuales se analiza la incidencia que tienen factores como

la experiencia productiva, el capital humano, la edad promedio del capital y el cambio técnico

del conjunto de la economía, en la productividad de los sectores manufactureros.

(Vilaboa, 2004) Automatizar los procesos productivos de la empresa, es decir, invertir en

nuevas tecnologías, es tanto como para el autor de este paper como para nuestro modelo final,

un factor que aumenta el rendimiento empresarial mediante el aumento en el valor agregado en

la producción. El autor se basa en el modelo de Solow (1956) para explicar la necesidad de

automatizar los procesos de producción a medida que los países crecen económicamente. La

23


idea en el modelo es que aquellos países que ahorran una proporción mas elevada de su

producto bruto, acumularán un mayor nivel de capital por trabajador, con esto se alcanzan

mayores niveles de ingreso per cápita.

El factor discutido por el autor (Benavente, 2005) de este paper, “Tecnología”, se explica

de una manera coherente con respecto a los resultados obtenidos en el modelo planteado. Sólo

cabe mencionar que el paper introduce el gasto en investigación y desarrollo como pilar para

aumentar la tecnología, pero a la vez plantea que aumentando ésta se aumentaría el valor

agregado de la producción. Para obtener estas conclusiones se estudiaron las acciones al interior

de las instituciones o firma beneficiadas y se compararon con un grupo de control conformado

por unidades similares a aquellas que participaron del apoyo pero que no lo recibieron o no han

recibido a la hora de la evaluación. Mediante técnicas econométricas se aisló el efecto del

programa no sólo en estas acciones intermedias sino que también en ciertas variables de

resultado que son de interés dependiendo del objetivo del fondo analizado.

(Álvarez, García, & García, 2008) Se utilizó para la recolección de datos la encuesta ENIA

comprendida entre los años 1992 y 2005, con un total de 4650 empresas por año. Para

desarrollar el modelo se ocupa uno del tipo doble logaritmo y para calcularlo se ocupan las

siguientes técnicas: Estimador Mínimos Cuadrados Ordinario (MCO), efectos fijos por planta y

System GMM. Las variables utilizadas son:

Variable dependiente: logaritmo de la productividad laboral.

Variable independiente: logaritmo del precio de la energía y logaritmo del empleo.

La utilización de datos recopilados (Coq & Ríos, 2010) para el desarrollo de este

documento fueron sacados de la ENIA de 1997 y el Censo Nacional de Manufacturas de 1979

con los cuales se realiza distintas comparaciones para comprender como ha cambiado la

estructura de la industria. Para desarrollar el análisis de los datos se utiliza una serie de otros

escritos que se basan en información relacionada con las que se pretende mostrar con este

documento.

Es inquietante pensar que una de las variables más importantes como el capital tenga un

valor bajo, esto se puede explicar según (Benavente 2004) debido a que el gasto en

investigación y desarrollo en Chile es muy bajo por ende el avance existente en capital es muy

bajo, en cambio si se gastara mas en investigación y desarrollo las empresas podrían ser mas

productivas de lo que son actualmente. Se muestra en el estudio de (Vilaboa 2004) que señala

que la automatización en las plantas manufactureras incidirá en la aparición de grandes

oportunidades de rentabilidad para las empresas pero para ello se debe primero invertir más en

capital por parte de las organizaciones.

24


Para (Álvarez, García y García 2008) una de las fuentes de la desaceleración económica

es el gran costo que tiene la variable energía y esto produciría un estancamiento en la economía

pero según el modelo propuesto la energía afectará de manera positiva al PIB de tal manera que

la comparación de resultados entrega conclusiones distintas.

Para (Padilla y Juárez 2007) se puede mejorar la competitividad de la industria

manufacturera a través de una mejora en la tecnología y en la capacitación del personal si se

compara con los resultados que se obtuvieron podemos concluir que las afirmación son

similares debido a que en ambos casos una mejora en la mano de obra aumentara el valor

agregado del sector manufacturero al igual que lo que producirá una mejora en la tecnología que

es una fuente importante para aumentar en valor agregado y que es necesaria en Chile debido a

que falta inversión en capital como lo menciona (Benavente 2004).

Al comparar la industria Chilena con la Colombiana, la principal característica que

menciona (Duran 2009) es la incorporación de capital humano y su aprendizaje en la industria

Colombiana, además de lo anterior afirma que en ambas industrias este factor inciden de manera

muy parecida, por tanto ambos países comparten la conclusión de que son mas intensos en

mano de obra que otro factor.

Conclusiones

Para la formulación del modelo se consideró el aporte de diversos autores en materia de

estudios acerca de la industria, tanto nacionales como extranjeros, quienes explican en cada uno

de sus respectivos documentos las variables que influyen en el valor agregado de la producción

manufacturera a nivel nacional.

El modelo final obtenido considera la interacción de las variables capital (K), trabajo

(L), energía (E) y materiales (M), en la obtención del valor agregado en la producción.

25


Luego de discutir los resultados en el apartado anterior, podemos observar cómo se ha

comportado el modelo propuesto en comparación con los resultados e hipótesis planteadas por

los autores. El aporte de la inversión en tecnología es un tema recurrente en muchos de los

autores, quienes presentan visiones en general consensuadas, aunque con ciertas discrepancias.

De los 10 documentos presentados en el Estado del Arte, 6 de ellos estudian el factor

tecnológico, de los cuales 4 muestran concordancia con los resultados obtenidos, afirmando que

la innovación tecnológica se relaciona directamente con el valor agregado de la producción: en

tanto se aumenta la inversión o mejora en las tecnologías de la empresa, el valor agregado en la

producción presenta un avance. (Ramírez & Alfaro, 2011), explican mediante data histórica de

la industria manufacturera Chilena que el aporte de la tecnología a la riqueza de las naciones, no

es más que una creencia errada, mientras que (Álvarez & García Marín, Agosto de 2008) señala

la interacción del factor tecnológico en la productividad y las exportaciones, variables que no

han sido consideradas por el modelo.

Otra variable que muestra predilección entre los autores, es la relacionada con el

trabajo. El modelo planteado afirma que la contratación de más mano de obra, o bien las

inversiones destinadas a capacitar a los trabajadores o mejoras laborales para ellos, inciden

positivamente en el rendimiento empresarial, en términos productivos.

Si bien muchos de los autores concuerdan con esta idea acerca del factor trabajo,

algunos de ellos señalan una relación en sentido contrario, es decir, que los buenos resultados de

la empresa contribuyen a mejoras en las condiciones laborales y/o mayor empleo de

trabajadores.

En cuanto al factor energético, uno de los documentos señalados muestra una relación

positiva entre el consumo energético y el trabajo, donde la productividad laboral iría de la mano

con el nivel de gasto energético que la empresa utilice en sus funciones productivas. Para

efectos del modelo, esto se ajusta correctamente, puesto que ambas variables en conjunto

colaboran en la adición de valor agregado a la producción.

Por último, cada paper que expresaba la incidencia de los factores capital y materiales

en la producción lo hacía dentro de los márgenes del modelo final, señalando el positivo aporte

de ambos en el valor agregado de la producción. A nivel general, ambos factores están muy

entrelazados con variables como la tecnología, donde hablar de inversión en I+D significa

muchas veces ocupar capital (tanto propio como deuda) para la adquisición de nuevas

tecnologías, expresadas en materiales para la elaboración de un nuevo producto u otros fines

que colaboren en la tarea de agregar valor a los bienes producidos.

26


Limitaciones del Modelo

Faltan datos de ENIAS de otros períodos que permitan realizar una comparación entre

el aumento o disminución de los factores utilizados por el modelo, pudiendo así marcar

una tendencia que explique el comportamiento de las variables a través del tiempo.

La variable dicotómica “Tamaño de Planta”, no pudo ser incorporada al modelo por

falta de información, ya que planteaba que las plantas mas pequeñas aportan un mayor

valor agregado que las plantas de mayor tamaño, situación que no se puede corroborar

según los datos utilizados para plantear el modelo.

27


No existen datos sobre la jornada laboral y los diferentes tipo de remuneración que se

paga a los trabajadores, factores que habrían facilitado el análisis de los resultados del

modelo.

Las variables propuestas por el modelo están muy correlacionadas, lo que limita su

análisis provocando problemas de multicolinealidad.

Faltan más variables en el factor Material, ya que las que aparecen entregan una

información muy ambigua.

Bibliografía

Álvarez, R., & García Marín, Á. (Agosto de 2008). PRODUCTIVIDAD, INNOVACIÓN Y

EXPORTACIONES EN LA INDUSTRIA MANUFACTURERA CHILENA. Banco Central de

Chile, Documentos de Trabajo , Articulo Nº 476.

Álvarez, r., García, Á., & García, P. (2008). SHOCKS DE ENERGÍA Y PRODUCTIVIDAD

EN LA INDUSTRIA MANUFACTURERA CHILENA. Revista Económica Chilena , 1-30.

28


Benavente, J. M. (Abril 2005). INNOVACIÓN TECNOLÓGICA EN CHILE DÓNDE

ESTAMOS Y QUÉ SE PUEDE HACER. Economía Chilena "Banco Central de Chile" , 53-76.

Bernard, J., & Contreras, J. (2009). MARGEN DE UTILIDAD Y DISTRIBUCIÓN DE LAS

RENTAS: LA INDUSTRIA MANUFACTURERA CHILENA. Economics at your fingertips ,

vol. LXXVI (1), issue 301, pages 119-144.

Carr, N. (2003). IT doesn't matter. Harvard Business Review , 81 (5), 41-49.

CIIU. (s.f.). Recuperado el 19 de Agosto de 2012, de www.ciiu.cl:

http://btpucp.pucp.edu.pe/ciiu/#.

Coq, D., & Ríos, S. (2010). Structural Change of the Manufacturing Industry in Chile: 1974-

2004. Revista de Económia Mundial Nº26 , 27-51.

Encyclopedia. (s.f.). www.nationencyclopedia.com. Recuperado el 20 de Agosto de 2012, de

http://www.natioenscyclopedia.com

García, M., Davó, N., & Blázquez, M. L. (2012). La innovación tecnológica como variable

determinante en la competitividad de los países. . Revista de Economia Mundial , 133-166.

González, J. (2004). Productividad: metodologías de estimación y determinantes en Colombia.

Webpondo.org, Recursos para economistas y recursos Colombia , Edición Nº13, Julio-

Septiembre.

INE. (s.f.). Recuperado el 20 de Agosto de 2012, de www.ine.cl:

http://www.ine.cl/canales/corporativo/mision_institucional/mision_institucional.php

Padilla, R., & Juáres, M. (2007). Efectos de la capacitación en la competitividad. Revista

CEPAL Nº 92 , 45 - 60.

Prochile. (s.f.). Recuperado el 18 de Agosto de 2012, de www.Prochile.cl :

http://www.Prochile.cl

Ramírez, P., & Alfaro, J. (2011). El Nivel de la Inversión en Tecnología de Información No

Afecta el Rendimiento Empresarial: Evidencia Empírica de las Industrias Manufactureras

Chilenas. Journal of TechnologyManagement & Innovation , Volumen 6; Capitulo 4.

29


SOFOFA. (s.f.). www.sofofa.cl. Recuperado el 15 de Agosto de 2012, de http://www.sofofa.cl

Vilaboa, J. (2004). Gestión de la automatización de plantas industriales en Chile. Revista

Facultad de Ingeniería U.T.A. (Chile) , Vol. 12 Nº1, pp. 33-41.

Anexos

Anexo Nº1

PIB por actividad Económica. Variación I Trimestre 2012/2011.

30


Fuente: Informe Estadístico Mensual Junio 2012, SOFOFA.

Anexo Nº2

Variación de los Sub-sectores el Primer semestre 2012, respecto del 2011. Evaluación del

crecimiento y decrecimiento Sub-sectorial de la industria.

31


Fuente: Informe Estadístico Mensual Junio 2012, SOFOFA.

Anexo Nº3

Para la estimación de ambos modelos son ocupadas las siguientes variables:

Energía (E): Comval , Tcoval , Tseval.

32


Trabajo (L): Rempag.

Materiales (I): Mtraval , Mimpval .

Capital (K): Saledi , Salmaq , salveh , Salter.

Región Variable Dicotómica: Santiago.

Función Cobb Douglas y resultados obtenidos:

Q=ALᵝ¹ kᵝ² Eᵝ³I ᵝ⁴

Ln(VA)= β₀ + β₁ln(L) + β₂ln(K) + β₃ln€ + β₄ln(I) +αD1 +ε

Ln(A)= β₀

Resumen del modelob

,896a ,802 ,801 ,83021Modelo1

R R cuadradoR cuadradocorregida

Error típ. de laestimación

Variables predictoras: (Constante), Vdicotomica, Ln_Trabajo_t, Ln_Insumos_t, Ln_Capital_t, Ln_Energia_t

a.

Coeficientesa

1,744 ,220 7,937 ,000

,226 ,029 ,219 7,875 ,000

,504 ,034 ,394 14,959 ,000

,117 ,017 ,147 6,849 ,000

,156 ,014 ,198 11,414 ,000

-,411 ,050 -,107 -8,148 ,000

(Constante)

Ln_Energia_t

Ln_Trabajo_t

Ln_Capital_t

Ln_Insumos_t

Vdicotomica

Modelo1

B Error típ.

Coef icientes noestandarizados

Beta

Coef icientesestandarizad

os

t Sig.

Variable dependiente: LnVAa.

ANOVAb

3645,350 5 729,070 1057,786 ,000a

899,460 1305 ,689

4544,811 1310

Regresión

Residual

Total

Modelo1

Suma decuadrados gl

Mediacuadrática F Sig.

Variables predictoras: (Constante), Vdicotomica, Ln_Trabajo_t, Ln_Insumos_t,Ln_Capital_t, Ln_Energia_t

a.

Variable dependiente: LnVAb.

Función translogaritmica y resultados obtenidos:

33

Coeficientesa

4,544 1,413 3,216 ,001

-,261 ,050 -,068 -5,259 ,000

,194 ,258 ,188 ,752 ,452

,180 ,332 ,141 ,543 ,587

-,050 ,151 -,062 -,328 ,743

,223 ,117 ,283 1,897 ,058

,114 ,020 2,995 5,593 ,000

,152 ,031 3,166 4,938 ,000

,022 ,006 ,758 3,428 ,001

,036 ,005 1,219 7,563 ,000

-,011 ,019 -,315 -,580 ,562

-,032 ,016 -,902 -2,062 ,039

-,187 ,043 -4,238 -4,339 ,000

-,058 ,017 -1,481 -3,393 ,001

-,036 ,022 -,940 -1,645 ,100

,016 ,009 ,514 1,761 ,078

(Constante)

Vdicotomica

Ln_Energia_t

Ln_Trabajo_t

Ln_Capital_t

Ln_Insumos_t

Ln2_ENERGIA_T

Ln2_TRABAJO_T

Ln2_CAPITAL_T

Ln2_INSUMOS_T

LnE_x_LnK

LnE_x_LnI

LnE_x_LnL

LnL_x_LnI

LnL_x_LnK

LnK_x_LnI

Modelo1

B Error típ.

Coef icientes noestandarizados

Beta

Coef icientesestandarizad

os

t Sig.

Variable dependiente: LnVAa.

ANOVAb

3743,340 15 249,556 403,228 ,000a

801,470 1295 ,619

4544,811 1310

Regresión

Residual

Total

Modelo1

Suma decuadrados gl

Mediacuadrática F Sig.

Variables predictoras: (Constante), LnK_x_LnI, Vdicotomica, Ln_Trabajo_t, Ln_Capital_t, Ln2_ENERGIA_T, Ln_Insumos_t, Ln2_INSUMOS_T, Ln2_CAPITAL_T,Ln_Energia_t, Ln2_TRABAJO_T, LnL_x_LnI, LnE_x_LnI, LnE_x_LnK, LnL_x_LnK,LnE_x_LnL

a.

Resumen del modelob

,908a ,824 ,822 ,78670Modelo1

R R cuadradoR cuadradocorregida

Error típ. de laestimación

Variables predictoras: (Constante), LnK_x_LnI, Vdicotomica,Ln_Trabajo_t , Ln_Capital_t, Ln2_ENERGIA_T, Ln_Insumos_t, Ln2_INSUMOS_T, Ln2_CAPITAL_T, Ln_Energia_t , Ln2_TRABAJO_T, LnL_x_LnI, LnE_x_LnI, LnE_x_LnK, LnL_x_LnK, LnE_x_LnL


Ln(VA)= β₀ + β₁ln(E) + β₂ln(L) + β₃ln(I) + β₄ln(K) + ½β₅ln²(E)+½β₆ln²(L)+½β₇ln²(I)

+½β₈ln²(K)+β₉ln(E)*ln(K)+ β₁₀ln(E)*ln(I)+β₁₁ln(E)*ln(L)+β₁₂ln(L)*ln(I)+βl₁₃n(L)*ln(K)

+β₁₄ln(K)*ln(I)+ αD₁+ε

Prueba F-parcial:

Translogarítmica Cobb Douglas:

N= 2594 N = 2594K= 14 K = 4R² = 0,852 R² = 0,837

Fc= (R ₁ ² - R ₂ ²) / K ₁ - K ₂

( 1 - R₁²) / n – K – 1

Fc = ( 0,852 – 0,837) / 14 – 4

34


0,148 / 2594 – 14 – 1

Fc = 0,0015 / 0,00005738658395

Fc = 26, 1385

H₀: β₅ = β₆ = β₇ = β₈ = β₉… = β₁₅

F = (K₁ - K₂, n – K - 1) = F (10, 2579) = 2,32

Por lo tanto se rechaza H₀, el modelo B tiene mayor capacidad predictiva.

Anexo Nº4

Resultados obtenidos al agregar la variable dicotómica Tamaño de trabajadores:

35


Resumen del Modelo(b)

Modelo R R cuadradoR cuadrado corregida

Error típ. de la estimación

1 ,922(a) ,850 ,849 ,74053

a Variables predictoras: (Constante), Tamaño_7, Tamaño_0, Tamaño_1, Tamaño_6, Tamaño_5, Tamaño_4, Tamaño_2, Ln_M, Ln_K, Ln_EC, Ln_L, Tamaño_3b Variable dependiente: Ln_VA

ANOVA(b)

Modelo Suma de

cuadrados glMedia

cuadrática F Sig.1 Regresión 12412,447 12 1034,371 1886,214 ,000(a)

Residual 2192,441 3998 ,548

Total 14604,888 4010

a Variables predictoras: (Constante), Tamaño_7, Tamaño_0, Tamaño_1, Tamaño_6, Tamaño_5, Tamaño_4, Tamaño_2, Ln_M, Ln_K, Ln_EC, Ln_L, Tamaño_3b Variable dependiente: Ln_VA

Coeficientes(a)

Modelo

Coeficientes no estandarizados

Coeficientes estandarizado

s

t Sig.B Error típ. Beta1 (Constante) -,403 ,332 -1,213 ,225

Ln_L ,664 ,026 ,526 25,962 ,000

Ln_K ,117 ,008 ,150 14,563 ,000

Ln_M ,107 ,006 ,166 18,633 ,000

Ln_EC ,217 ,014 ,216 15,107 ,000

Tamaño_0 1,725 ,245 ,057 7,051 ,000

Tamaño_1 ,717 ,165 ,098 4,346 ,000

Tamaño_2 ,512 ,150 ,109 3,409 ,001

Tamaño_3 ,412 ,137 ,101 3,002 ,003

Tamaño_4 ,268 ,128 ,052 2,092 ,037

Tamaño_5 ,317 ,124 ,050 2,559 ,011

Tamaño_6 ,340 ,119 ,050 2,851 ,004

Tamaño_7 ,207 ,133 ,016 1,555 ,120

a Variable dependiente: Ln_VA

Anexo Nº5

Resultados del modelo que se analizara:

Resumen del modelo(b)

36


Modelo R R cuadradoR cuadrado corregida

Error típ. de la estimación

1 ,917(a) ,841 ,841 ,76174

a Variables predictoras: (Constante), Ln_L, Ln_Maleriales, Ln_k, Ln_Eb Variable dependiente: Ln_VA

ANOVA(b)

Modelo Suma de

cuadrados glMedia

cuadrática F Sig.1 Regresión 11353,282 4 2838,320 4891,580 ,000(a)

Residual 2143,429 3694 ,580

Total 13496,711 3698

a Variables predictoras: (Constante), Ln_L, Ln_Maleriales, Ln_k, Ln_Eb Variable dependiente: Ln_VA

Coeficientes(a)

Modelo


Coeficientes estandarizado

s

t Sig.B Error típ. Beta1 (Constante) 1,436 ,117 12,229 ,000

Ln_E ,148 ,012 ,158 12,542 ,000

Ln_k ,094 ,009 ,119 10,215 ,000

Ln_Maleriales ,122 ,006 ,205 20,007 ,000

Ln_L ,657 ,016 ,518 41,044 ,000


Estadísticos sobre los residuos(a)

Mínimo Máximo MediaDesviación

típ. NValor pronosticado 8,2614 19,8910 13,4703 1,75217 3699Residuo bruto -5,92605 4,09955 ,00000 ,76133 3699Valor pronosticado tip. -2,973 3,664 ,000 1,000 3699Residuo tip. -7,780 5,382 ,000 ,999 3699


Anexo Nº6

Correlaciones de Pearson:

Ln_VA Ln_L Ln_Maleriales Ln_k Ln_E

37


Ln_VA Correlación de Pearson 1 ,881(**) ,778(**) ,783(**) ,802(**)

Sig. (bilateral) ,000 ,000 ,000 ,000

N 4570 4570 3829 4385 4564

Ln_L Correlación de Pearson ,881(**) 1 ,732(**) ,770(**) ,799(**)

Sig. (bilateral) ,000 ,000 ,000 ,000

N 4570 4675 3923 4480 4668

Ln_Maleriales Correlación de Pearson ,778(**) ,732(**) 1 ,677(**) ,711(**)

Sig. (bilateral) ,000 ,000 ,000 ,000

N 3829 3923 3923 3785 3921

Ln_k Correlación de Pearson ,783(**) ,770(**) ,677(**) 1 ,775(**)

Sig. (bilateral) ,000 ,000 ,000 ,000

N 4385 4480 3785 4480 4479

Ln_E Correlación de Pearson ,802(**) ,799(**) ,711(**) ,775(**) 1

Sig. (bilateral) ,000 ,000 ,000 ,000

N 4564 4668 3921 4479 4668

** La correlación es significativa al nivel 0,01 (bilateral).

Anexo Nº7

Indicé de Tolerancia y FIV:

38


Anexo Nº8

Índice de condición:

Diagnósticos de colinealidad(a)

39


Modelo Dimensión AutovalorIndice de condición

Proporciones de la varianza

Ln_k Ln_Maleriales Ln_L (Constante) Ln_E1 1

4,924 1,000 ,00 ,00 ,00 ,00 ,00

2,051 9,853 ,07 ,00 ,00 ,48 ,00

3,015 18,217 ,22 ,15 ,25 ,40 ,00

4,008 25,395 ,00 ,68 ,69 ,01 ,00

5,003 40,636 ,70 ,17 ,06 ,11 ,99


Anexo Nº9

Correlaciones por rango de Spearman:

V.Absoluto Ln_E Ln_k Ln_Maleriales Ln_L

40


Rho de Spearman V.Absoluto Coeficiente de correlación 1,000 ,154(**) ,149(**) ,157(**) ,068(**)

Sig. (bilateral) . ,000 ,000 ,000 ,000N 3699 3699 3699 3699 3699

Ln_E Coeficiente de correlación ,154(**) 1,000 ,759(**) ,687(**) ,777(**)

Sig. (bilateral) ,000 . ,000 ,000 ,000N 3699 4668 4479 3921 4668

Ln_k Coeficiente de correlación ,149(**) ,759(**) 1,000 ,672(**) ,765(**)

Sig. (bilateral) ,000 ,000 . ,000 ,000N 3699 4479 4480 3785 4480

Ln_Maleriales Coeficiente de correlación ,157(**) ,687(**) ,672(**) 1,000 ,716(**)

Sig. (bilateral) ,000 ,000 ,000 . ,000N 3699 3921 3785 3923 3923

Ln_L Coeficiente de correlación ,068(**) ,777(**) ,765(**) ,716(**) 1,000

Sig. (bilateral) ,000 ,000 ,000 ,000 .N 3699 4668 4480 3923 4675

** La correlación es significativa al nivel 0,01 (bilateral).

Anexo Nº10

Resultados obtenidos al aplicar el método de los mínimos cuadrados ponderados:

Valores de log-verosimilitud(b)

41


Potencia -2,000 -6726,635 -1,500 -5788,607 -1,000 -5035,733 -,500 -4505,599 ,000 -4231,906(a) ,500 -4240,797 1,000 -4557,019 1,500 -5188,283 2,000 -6088,517

a Se ha seleccionado la potencia correspondiente para análisis adicionales porque maximiza la función de log-verosimilitud.b Variable dependiente: Ln_VA, variable de origen: Ponderador

Descripción del modelo

Variable dependiente Ln_VAVariables independientes

1 Ln_L2

Ln_Maleriales

3 Ln_k4 Ln_E

Ponderación Origen Ponderador

Valor de potencia ,000

Modelo: MOD_2.

Resumen del modelo

R múltiple ,917R cuadrado ,841R cuadrado ajustado ,841Error típico de la estimación ,761

Valor de la función log-verosimilitud -4231,906

ANOVA

Suma de

cuadrados glMedia

cuadrática F Sig.Regresión 11341,353 4 2835,338 4894,308 ,000Residual 2137,667 3690 ,579Total 13479,020 3694

Coeficientes


Coeficientes estandarizados

t Sig.B Error típico Beta Error típico(Constante) 1,421 ,117 12,097 ,000Ln_L ,656 ,016 ,517 ,013 40,906 ,000Ln_Maleriales ,121 ,006 ,204 ,010 19,872 ,000

42


Ln_k ,095 ,009 ,119 ,012 10,052 ,000Ln_E ,149 ,012 ,159 ,013 12,576 ,000

43

trabajo final econometria

Documents

capital en

agricultura en

establecido en

en cuanto

factor que ms influye

pas se basa en

ms cobre que

pas en febrero