TÍTULO DE LA COMUNICACIÓN: Determinantes de la innovación tecnológica en

las regiones españolas

AUTOR 1: Badiola Sánchez, AlfonsoEmail: badiolasa@unican.es

AUTOR 2: Coto Millán, Pedro PabloEmail: cotop@unican.es

DEPARTAMENTO: Economía

UNIVERSIDAD: Cantabria

ÁREA TEMÁTICA: JEL O31 - Innovation and Invention: Processes and Incentives

RESUMEN: En el presente artículo se propone un modelo econométrico de datos

de panel para explicar los determinantes en la generación de innovación de las

regiones españolas durante el período 2002-2006. A este fin, se construye un

mecanismo de producción de la innovación basado en una combinación adecuada de

capital humano, capital tecnológico y de relaciones mediante unos indicadores de

capital relacional real y virtual. Se concluye obteniendo que la innovación no sólo se

basa en la acumulación de capital humano y tecnológico, sino también en el capital

generado por el conocimiento basado en las relaciones colaborativas.

PALABRAS CLAVE: Innovación, España, tecnología, regiones.

1. Introducción

El presente artículo proporcionará un análisis de los determinantes de la innovación

tecnológica en las distintas regiones españolas. Así, se estudiará el papel que

desempeñan dos factores de producción tradicionales como el Capital Humano y el

Capital Tecnológico, en la generación de innovación de las comunidades autónomas de

España. Además, se añadirán como factores productivos, los que denominaremos

Capital Relacional Físico y Capital Relacional Virtual que, como se verá, contribuyen

de modo significativo a explicar la innovación. En esta investigación, se empleará un

modelo económico general compuesto por una función de producción que explica la

producción de innovación a partir de las variables exógenas siguientes: Capital

Humano, Capital Tecnológico y Capital Relacional tanto Físico como Virtual.

El funcionamiento del proceso de generación de innovación consiste básicamente en

que además de la combinación adecuada del Capital Humano y Capital Tecnológico,

existen otro factor relacional, cultural e institucional regional, esto es, lo que

denominaremos el Capital Relacional (en sentido amplio), que a través de las relaciones

adecuadas incide en el mejor entendimiento y apoyo del Capital Humano y

Tecnológico. La eficiencia técnica con la que se combinen adecuadamente los distintos

Capitales: Tecnológico, Humano y Relacional se estimará a partir de dos

aproximaciones propuestas por Greene (1980) y otra realizada por nosotros mismos.

Ambas aproximaciones proporcionan resultados similares.

En el siguiente apartado se realizará la pertinente revisión literaria sobre innovación y se

motivará la necesidad de establecer indicadores para su medida. Por su parte, en el

apartado tres se abordará la construcción del modelo, que será estimado mediante

técnicas econométricas de datos de panel, para diferentes conjuntos de regiones a partir

de los datos disponibles de las variables implicadas referentes a las regiones

consideradas.

Posteriormente en el apartado cuarto se ofrecerán los datos y sus fuentes. A este fin, se

hará uso de datos referidos a las regiones españolas, disponibles en el Regional

Innovation Scoreboard de la Comisión Europea, así como datos del Ministerio de

Educación y Ciencia para el caso del capital humano y la Encuesta de tecnologías de la

información en los hogares del INE. Finalmente en el último apartado se resumen las

principales conclusiones de esta investigación.

2. Revisión de literatura

Se define el concepto de innovación como acción y efecto de innovar, y como creación

o modificación de un producto y su introducción en un mercado (RAE, 2001).

Asimismo, se define el término innovar como mudar o alterar algo, introduciendo

novedades. Aunque durante el siglo XVIII comenzaron las cuestiones relativas al

progreso técnico, el término innovación así como el de empresario innovador, fueron

introducidos por Schumpeter (1934) en su propuesta de desarrollo económico. El primer

país que utilizó información estadística sobre ciencia, tecnología e innovación fue la

Unión Soviética durante la década de 1930. En la siguiente década, Estados Unidos

comenzó a recopilar datos estadísticos sobre estas actividades. Después de la Segunda

Guerra Mundial, a iniciativa de estados y algunas instituciones internacionales como la

United Nations Educational, Scientific and Cultural Organization (UNESCO) y la

Organization for Economic Cooperation and Development (OECD) la realización de

bases estadísticas sobre ciencia y tecnología toma gran fuerza. Hasta mediados de la

década de los cincuenta varios países realizaban sus propias estadísticas, pero dadas las

distintas metodologías de obtención de datos, las mismas resultaban incomparables.

Teniendo como objeto la resolución de este problema, se comenzó a trabajar desde 1955

en la construcción de un sistema conceptual y metodológico que permitiera la

compatibilidad entre las informaciones obtenidas en los distintos países. En 1963 se

edita el Primer Manual de la Familia Frascati, destinado a describir el método a seguir

para realizar encuestas que permitan obtener datos sobre la investigación y desarrollo

experimental. El mismo Manual ha sido revisado y actualizado en 1970, 1976, 1981,

1983 y 2002. En 1989 se edita un Suplemento del Manual de Frascati, exclusivamente

destinado a la preparación de estadísticas de I+D y medidas de los resultados en

enseñanza superior. A finales de esta década comenzaron a construirse modelos de

crecimiento económico para explicar el comportamiento de la innovación (Fuentes,

2009)

En 1992 se sistematizan las mediciones de indicadores sobre innovación, de lo que

resulta un nuevo instrumento conocido como el Manual de Oslo, publicado por la

OCDE, que considera como innovación tecnológica aquella que incluye nuevos bienes y

servicios y cambios tecnológicos relevantes de productos y procesos. También

considera innovaciones las producidas tanto en productos como en procesos

productivos. En 1994 el Manual de Patentes, destinado a las mediciones de

transferencias de tecnología a los sectores productivos a través de los registros de

patentes, se incorpora a esta línea de trabajo.

Completando la Familia Frascati, en 1995 aparece el Manual de Canberra, destinado

exclusivamente a medir los recursos humanos dedicados a ciencia, tecnología e

innovación y transferencia. El mismo surge de un trabajo conjunto entre la OCDE y la

UNESCO.

La Comisión Europea con el objetivo de hacer un seguimiento de la innovación en

Europa desde el año 2001 se planteó realizar un informe anual con indicadores sobre

innovación y sus efectos económicos. Así, existen cada año, informes anuales con

indicadores por país desde el año 2002 al 2009, con un total de treinta y un indicadores.

Del mismo modo, cada dos años desde el año 2004 hasta el 2008, existe una serie de

indicadores por regiones europeas, utilizado en el presente trabajo.

Se pueden definir como "indicadores" los parámetros que se utilizan en el proceso de

cualquier actividad. Normalmente se emplea un conjunto de ellos, cada uno de los

cuales pone de relieve una faceta del objeto de la evaluación. Esto se hace evidente en el

caso de la ciencia, que al ser multidimensional, no podrá valorarse con un indicador

simple. Los indicadores representan una medición agregada y compleja que permite

describir o evaluar un fenómeno, su naturaleza, estado y evolución, articula o

correlaciona variables y su unidad de medida es compuesta o relativa (Albornoz y

Martínez, 1998). Desde el punto de vista metodológico, podemos dar un concepto de

indicador concebido como una variable empírica que permite inferir el comportamiento

de una variable cualitativa. En otras palabras, los conceptos pueden ser aproximados a

través de indicadores.

Los indicadores de ciencia, tecnología e innovación están vinculados con los procesos

de medición de las actividades de generación, uso y difusión del conocimiento

científico, el desarrollo tecnológico y la innovación organizacional. Permiten tener un

conocimiento más cabal de estos ámbitos y mejorar la toma de decisiones en los

mismos; se espera que sirvan a los tomadores de decisiones en la formulación de

objetivos y metas, en la implementación de éstas en acciones concretas y en el

seguimiento y evaluación de las acciones desarrolladas por lo que los indicadores

científicos y tecnológicos tienen que ser pensados como herramientas de confirmación o

refutación de hipótesis y teorías elaboradas en torno a la actividad científico-

tecnológica-innovadora, en sí misma y en sus relaciones con la sociedad.

La existencia de distintas visiones y realidades debe conducir necesariamente a la

producción de una amplia gama de indicadores cuyos usos y limitaciones son variables.

En este sentido, es importante considerar las visiones y realidades de un país, un sector

de la economía, una entidad económica para el establecimiento de un sistema de

indicadores de ciencia, tecnología e innovación, en cuanto a su amplitud e incorporación

de prioridades nacionales.

En el contexto actual, parece claro que la innovación es fruto de grandes beneficios

empresariales y sociales, por lo que es altamente recomendable la inversión en

actividades innovadoras en el seno de las empresas. Pero existen interrogantes sobre qué

es lo que se debe impulsar y con qué estímulos (Albornoz, 2009), cuestiones que

dificultan las prácticas y las políticas de innovación. Por ello, para medir la eficacia de

las actividades innovadoras, debe utilizarse como instrumento una serie de indicadores

para cuantificar el alcance de las inversiones en este tipo de actividades.

Suponiendo que la innovación constituye una estrategia prioritaria para muchas

empresas, también se considera que el alto crecimiento de inversión en estrategias

innovadoras requiere de un mecanismo de medición del alcance de dichas medidas

(McKinsey & Company, 2008). Dada la realidad económica mundial caracterizada por

un impulso de las tecnologías de la información, el desarrollo y la disminución de costes

de las telecomunicaciones así como el desarrollo tecnológico alcanzado, se considera el

tema objeto de este artículo como un factor esencial para el fomento de la productividad

empresarial. Según Matthews (1990) las empresas pueden quebrar si gastan demasiado

en investigación, pero también pueden desaparecer si gastan poco. Por ello, es relevante

profundizar en los determinantes de la innovación en el contexto de la empresa, como

estrategia corporativa que proporciona una ventaja comparativa sostenible en el tiempo

(Kaplan y Norton, 2000), debido a ser fuente de una posible diferenciación y de un

posible liderazgo en costes, además de ser fuente de gran impacto sobre el crecimiento

económico (Fundación COTEC, 2003). De esta forma, numerosos autores concuerdan

en que deben intensificarse los trabajos de investigación para identificar las

características diferenciadoras de la innovación (Wolfe, 1994; Drazin y Schoonhoven,

1996; Tidd, 2001).

3. Modelo

Como indicador de la innovación, se utiliza la variable número de patentes. Esta

elección tiene una serie de ventajas y desventajas (Baumert, 2006); entre las ventajas,

cabe destacar que las patentes garantizan un nivel de originalidad y una alta

probabilidad de convertirse en innovaciones, además de ser cuantificables y fácilmente

comparables entre países. Por otro lado, presentan algunos inconvenientes, como el

derivado de que esas patentes no se conviertan en innovaciones.

Entre las cuatro variables explicativas de la innovación, se utilizan dos factores de

producción, como el Capital Humano y el Capital Tecnológico, recogidos en la

literatura tradicional (Lucas, 1988; Solow, 1956, 1957). Por otra parte, se incorporan

dos nuevos factores productivos, como el Capital Relacional Físico y el Capital

Relacional Virtual que se espera que constituyan un nuevo motor explicativo de la

innovación en las regiones españolas. El Capital Relacional, puede entenderse como un

factor productivo intangible, compartiendo las características de los activos de este tipo,

fruto de la incorporación de la información y el conocimiento (Itami, 1994) a las

actividades innovadoras. Este tipo de activos agregan valor a la empresa (Sosa Gómez,

2002) aun sin tener soporte físico (Vargas Montoya, 2000), sustentándose básicamente

en información y con unos derechos de propiedad que no acostumbran a estar

claramente definidos (Navas y Guerras, 1998).

La descripción de un mecanismo de generación de innovación basado en técnicas

econométricas puede ser útil para efectuar políticas científicas y tecnológicas (Buesa et

alia, 2004). Utilizando la base de datos con secciones cruzadas fusionadas

temporalmente, que incluye dieciocho datos transversales con las diecisiete

comunidades autónomas y las dos ciudades autónomas españolas, para el período 2002

a 2006, se estima un modelo econométrico de datos de panel en el que se dispone, por

tanto, de un tamaño muestral de 90 observaciones para cada una de las variables. De

este modo, se especifica una función producción del tipo desarrollado por Charles Cobb

y Paul Douglas en el año 1928 para la industria textil norteamericana, con la que se

pretende explicar el comportamiento de la innovación en las regiones españolas durante

el período considerado:

( ) 0;,,, ≥= −it

uit uconeCRVCRFCTCHfI it

Donde itI representa la producción de innovación de una región que puede obtenerse a

partir de posibilidades tecnológicas técnicamente eficientes (Álvarez et al. (2003)) del

vector de inputs ( )ititititit CRVCRFCTCHx ,,,= .

Así, se dispondría de la siguiente ecuación de regresión:

0;43210 ≥= −

itu

ititititit uconeCRVCRFCTCHI itββββα

Que debe linealizarse mediante una transformación logarítmica:

itititititit uCRVCRFCTCHI −++++= lnlnlnlnlnln 43210 ββββαRenombrando el término constante 0lnα como 0β :

itititititit uCRVCRFCTCHI −++++= lnlnlnlnln 43210 βββββ (1)

Las estimaciones obtenidas para los parámetros 4321 ,, ββββ y son las elasticidades

entre la innovación y, respectivamente, el capital humano, capital tecnológico, capital

relacional físico y capital relacional virtual, debido a que se ha estimado una ecuación

de regresión con los datos transformados logarítmicamente y estos cuatro parámetros se

corresponden con los exponentes de la función de producción Cobb-Douglas. Veamos,

por ejemplo, la situación para 1β , diferenciando la ecuación de regresión (1)

it

it

it

it

it

it

it

it

itit

itit

it

it

II

CHCH

CHI

ICH

CHCH

II

CHI

∂

∂=⇒∂

∂=⇒∂

∂=⇒

∂∂= 1111 1

1

lnln ββββ

De forma que 1β es la elasticidad CH

Iη , entre el capital humano y la innovación:

it

it

it

it

CHI

it

it

it

it

CHI CH

II

CH

II

CHCH

∂∂=⇔

∂

∂= ηη

Esto puede hacerse de manera análoga, para 432 , βββ y , de modo tal que la

estimación de los cuatro parámetros se corresponde con las respectivas elasticidades.

4. Los datos de las regiones españolas

Al igual que en otros países, en España existe una alta concentración geográfica de las

actividades innovadoras (Buesa et al. (2004)), en concreto en los territorios madrileño,

catalán y vasco. Pero, para evitar pérdida de información del sistema nacional de

innovación, se ha hecho uso de la totalidad de las regiones del Estado. Las fuentes

estadísticas utilizadas se han basado, para la construcción de las variables

representativas del capital tecnológico y el capital relacional físico (Business R&D y

SMEs innovating in house) en los datos referidos a las Comunidades Autónomas

españolas, disponible en el Regional Innovation Scoreboard, que contiene información

sobre la mayor parte de las regiones europeas. Dicho informe, publicado por la

Comisión Europea con el objetivo de hacer un seguimiento de la innovación en las

regiones europeas, incluye en la última publicación, que data del año 2009, un anexo

estadístico con una batería de indicadores para los años 2004 y 2006 realizados con las

mismas definiciones y metodología. Existen trabajos anteriores para el caso de los años

2002 y 2003 aunque con algunas definiciones diferentes. Ante la ausencia de

información referida al año 2005 en este informe, se han generado los datos utilizando

la media entre los años 2004 y 2006.

Con esta información estadística, se ha construido un panel de datos con una serie

temporal lo más amplia posible, para poder realizar un análisis econométrico riguroso

apoyado en las técnicas de datos panel. En total se dispone de quince indicadores

referidos a innovación y progreso tecnológico y científico para el total de las regiones

de la Unión Europea. Mediante este panel de datos se realizará una contrastación

empírica de las transformaciones empleadas en el modelo teórico inspirado en Solow

(1957). Asimismo, se han utilizado numerosas fuentes estadísticas como el la Oficina

Española de Patentes y Marcas, el INE o el Ministerio de Educación y Ciencia, para el

uso de otras variables relevantes en el análisis.

A este fin, se han construido una serie de índices sobre innovación, capital humano,

capital tecnológico, capital relacional físico y capital relacional virtual. Para obtener un

índice de innovación se utiliza la variable patentes, obtenida del número total de

patentes en cada región y año. Para el caso del Capital Humano en las regiones

españolas, se utiliza el indicador número de estudiantes de bachillerato, como muestra

de las personas que no han abandonado sus estudios tras el período obligatorio de

enseñanza. Posteriormente, el indicador utilizado para obtener el índice del Capital

Tecnológico son los gastos privados en porcentaje del PIB en I+D (Business R&D

expenditures). Por su parte, el índice de Capital Relacional Físico se elabora a partir de

la suma de pequeñas y medianas empresas con actividades de innovación doméstica o

interna (SMEs innovating in house). La última variable explicativa, el índice de Capital

Relacional Virtual se construye mediante las conexiones de banda ancha de los hogares

de las diferentes regiones. Se ha considerado esta última variable dada a la relevante

aportación y consolidación de las tecnologías de la información al crecimiento de la

economía española en los últimos años (Fundación COTEC (2003); Sainz et al. (2005))

y su carácter diferenciador de la competitividad empresarial (Edvinsson y Malone

(1997)) en el contexto económico actual.

Para la construcción de los indicadores de Capital Tecnológico y Capital Relacional

Físico se ha hecho uso del citado Regional Innovation Scoreboard. Por otra parte, para

la obtención de datos referidos a las variables Innovación (patentes), Capital Humano y

Capital Relacional Virtual, se ha requerido de fuentes más detalladas, en concreto, las

Estadísticas de Propiedad Industrial de la Oficina Española de Patentes y Marcas

(OEPM) para el número de patentes, el Ministerio de Educación y Ciencia para el caso

del capital humano y la Encuesta de tecnologías de la información en los hogares del

INE para el capital tecnológico virtual. Se ha utilizado, respectivamente, información

sobre el número de alumnos matriculados en Bachillerato y sobre de hogares con acceso

a Internet para estas dos variables.

Así, se han construido una variable dependiente y matriz de regresores mediante un

panel de datos que abarca el período temporal desde 2002 a 2006 y la totalidad de las

Comunidades Autónomas del Reino de España, incluyendo también las ciudades

autónomas Ceuta y Melilla, hasta alcanzar dieciocho unidades de corte transversal

(Andalucía, Aragón, Canarias, Cantabria, Castilla-León, Castilla la Mancha, Cataluña,

Ceuta y Melilla, Comunidad Valenciana, Extremadura, Galicia, Islas Baleares, La Rioja,

Madrid, Murcia, Navarra, País Vasco y Principado de Asturias).

Los datos han sido, en primer lugar, reescalados de 1 a 10. Posteriormente, se ha

ponderado cada observación por el peso relativo de la varianza del error, para así poder

estimar un modelo de mínimos cuadrados ponderados con los datos transformados

logarítmicamente. A continuación se muestra la Tabla 1, con los estadísticos principales

basados en los datos originales.

Tabla 1: Variables y estadísticos descriptivos muestrales (2002-2006).Variable Media Mediana Mínimo Máximo Desv. Típica.Patentes 2,93298 1,86170 1,00000 10,0000 2,33649

Cap Humano 3,35780 2,58989 1,07688 10,0000 2,26022Cap Tecnológico 3,47863 3,83539 1,00000 6,59367 1,82990Cap Rel Físico 4,13340 3,87970 2,12003 10,0000 1,10256Cap Rel Virtual 2,66710 1,92794 1,00015 10,0000 2,17763

Fuente: Elaboración propiaBasándose en dichos datos, Cataluña, Madrid y la Comunidad Valenciana son las

regiones españolas que tienen una mayor ventaja innovadora medida por el

número de patentes a lo largo de todo el período considerado. En cuanto a las

variables explicativas, el capital humano presenta valores superiores en las

regiones de Andalucía, Madrid y Cataluña. Por su parte, el capital tecnológico

basado en los gastos privados en I+D en relación al PIB, alcanza sus cotas más

altas en País Vasco, Navarra, Madrid y Cataluña. Los datos relativos al Capital

Relacional Físico incluyen a regiones como Murcia, Canarias, País Vasco y

Madrid entre sus valores más altos. Por último, Cataluña, Madrid y Andalucía

presentan mayores valores en el indicador de capital relacional virtual. Resulta

evidente la concentración geográfica de las actividades de I+D en las regiones de

Madrid, Cataluña y País Vasco. Además, los datos una vez transformados

logarítmicamente, no presentan problemas de multicolinealidad, como puede

observarse en los coeficientes de correlación entre las diferentes variables

mostrados en la Tabla 2.

Tabla 2: Coeficientes de correlación entre las variables utilizadas en la regresión.Patentes Capital

HumanoCapital

Relac VirtualCapital

TecnológicoCapital

Relac Físico1,0000 0,8545 0,7079 0,3158 0,1734 Patentes

1,0000 0,6677 0,1527 0,0702 Cap Humano1,0000 0,5625 -0,0904 Cap Rel Virtual

1,0000 -0,1752 Cap Tecnológico1,0000 Cap Rel Físico

Fuente: Elaboración propia

5. Resultados de las regiones españolas

Partiendo del modelo de modelo de Solow (1956,1957) y sus definiciones de progreso

tecnológico, así como las aportaciones de Lucas (1988), Jacobs (1961,1969) y Romer

(1986, 1987 y 1990), se estima mediante efectos fijos la ecuación (1) presentada en el

apartado tres de esta investigación. La estimación minimocuadrática de la misma, arroja

como resultado unos parámetros estimados insesgados y consistentes.

Tabla 3: Estimación del panel por MCP, utilizando 90 observaciones

(18 unidades de sección cruzada y 5 períodos temporales)

Variable dependiente: Ln Innovación

Ponderaciones basadas en varianzas de los errores por unidad

Coeficiente Desv. Típica Estadístico t Valor p

Const -0,786641 0,123423 -6,3735 <0,00001***

LnCap Humano 0,731891 0,0432905 16,9065 <0,00001***

LnCapTecnológico 0,0974448 0,0277254 3,5146 0,00071***

LnCap Rel Físico 0,434016 0,0756211 5,7393 <0,00001***

LnCap Rel Virtual 0,211568 0,0560668 3,7735 0,00030***

Suma de cuad. residuos 85,55860 D.T. de la regresión 1,003281

R-cuadrado 0,940171 R-cuadrado corregido 0,937355

F(4, 85) 333,9271 Valor p (de F) 4,28e-51

Log-verosimilitud -125,4271 Criterio de Akaike 260,8542

Criterio de Schwarz 273,3533 Crit. de Hannan-Quinn 265,8946

Fuente: Elaboración propia con el citado programa econométrico.

Se ha obtenido una estimación en la que todas las variables resultan significativas de

manera conjunta y de manera individual, explicando el 94,01 % del comportamiento de

la varianza de la variable Innovación, por lo que se han obtenido unos buenos

resultados. Además, los signos positivos de todos los parámetros estimados encajan con

el comportamiento predicho.

Así, se obtiene la siguiente ecuación, una vez estimado el panel de datos:

ititititit CRVCRFCTLnCHLnI 0,2115Ln0,4340Ln0,0974Ln7318,0-0.7866 ++++=∧

Esta función de producción en la que la innovación es ajustada por un término constante

y cuatro factores productivos, proporciona rendimientos crecientes de escala ya que la

suma de las cuatro elasticidades es superior a la unidad:

Suma de los coeficientes = 1,47492; Desviación típica = 0,0939737

Puede observarse la contribución positiva sobre la innovación de las cuatro variables

consideradas en el análisis. La variables que influye de mayor forma en la generación de

innovación es el capital humano, seguida por el capital relacional, tanto físico como

virtual. Es destacable la menor aportación de un factor productivo tradicional, como el

capital tecnológico, una vez considerados como fuente de innovación el capital

relacional, lo que pone de manifiesto la relevancia de la relaciones en la sociedad actual.

Los estadísticos de bondad de ajuste mostrados en la Tabla 3 son muy elevados ya que

están próximos a uno; además el modelo proporciona unos parámetros estimados

significativos de manera individual y conjunta, con unos errores estándar pequeños y un

coeficiente positivo. Por ello, puede interpretarse el modelo con un buen aparato

explicativo de la generación de la innovación, aproximada por el número de patentes.

De esta manera, la innovación queda determinada por factores privados como los gastos

privados en I+D y la suma de pequeñas y medianas empresas con actividades de

innovación doméstica o interna; y por factores como el número de alumnos que cursan

bachillerato y el número de hogares con conexión a Internet. Dado que estos factores

productivos considerados resultan esenciales para el desarrollo de actividades

innovadoras, se recomienda al sector público la inversión en políticas que impulsen

tanto la educación evitando el fracaso escolar, como el acceso a Internet de los hogares;

y al sector privado que aumente sus gastos en I+D y en actividades de innovación

interna, para así por generar innovaciones que favorezcan el aparato productivo y, con

ello, los beneficios empresariales y el crecimiento económico estatal.

6. Resultados de eficiencia técnica en la generación de innovación en las regiones

españolas

La eficiencia técnica es una medida del logro del máximo output posible dadas unas

cantidades de inputs y unas relaciones productivas. Para su cálculo, puede utilizarse una

función de producción frontera (Farrell, 1957), estimando el máximo output posible

dadas unas combinaciones de inputs. Así, dadas las condiciones técnicas, existirán

unidades técnicamente eficientes situándose por encima de dicha frontera frente a

unidades técnicamente ineficientes situadas por debajo de la frontera, obteniendo menor

cantidad de output que el posible. El principal problema para la estimación de la

eficiencia técnica es la elección de la función frontera, pudiendo elegir entre fronteras

paramétricas determinísticas y estocásticas, y no paramétricas, empleando el método de

Análisis Envolvente de Datos (Data Envelopment Analysis) que proporciona una

frontera determinística, ya que toda la desviación respecto a la frontera se atribuye a la

ineficiencia y en ningún caso a errores aleatorios. Por ello, el Análisis Envolvente de

Datos resulta muy sensible a la presencia entre la muestra de valores anómalos, los

denominados outliers, que pueden influir excesivamente en los índices de eficiencia

finalmente hallados.

La eficiente técnica en la generación de innovación puede estimarse, en una primera

aproximación paramétrica, con una frontera determinística. En esta primera

aproximación siguiendo a Aigner y Chu (1968) se considera una función de producción

que se puede expresar como sigue:

0ucon;β)e,f(xy itu

ititit ≥= −

En donde yit es la producción de la unidad productiva, xit es un vector de inputs, β un

vector de parámetros y uit una perturbación aleatoria que se considera no negativa,

resultado de las decisiones ineficientes de la empresa para la estimación de la eficiencia

técnica se considerara todo el error como ineficiencia técnica, de este modo se estima la

eficiencia técnica en la generación de innovación tecnológica como:

( )itit

u-

it

uit

it

itit e

β),f(xβ)e,f(x

β),f(xy

ET ===−

La medida ETit es una medida que viene orientada hacia el output, y mide la proporción

que representa la producción actual con respecto a la que se obtendría si la empresa

utilizara sus recursos con eficiencia técnica. Aigner y Chu (1968) no contaban con datos

panel y estimaron los parámetros de la función de producción utilizando dos

procedimientos alternativos uno de programación lineal y otro de programación

cuadrática, En el caso de programación lineal plantearon el siguiente programa:

Min ∑i

iu

s. a: Niyx iijj

j ....1;ln)ln =≥+ ∑ ββ 0(

en el que se minimiza la suma del valor absoluto de los u i bajo la restricción aludida de

no negatividad de los mismos.

En el caso de la programación cuadrática, se plantea un programa similar, en el que se

minimiza la suma de cuadrados de los ui bajo la misma restricción. Esto es:

Min ∑i

iu 2

s. a: Niyx iijj

j ....1;ln)ln =≥+ ∑ ββ 0(

La frontera así obtenida es paramétrica, pues recoge una expresión formal concreta, en

este caso la Cobb-Douglas, en función de unos parámetros.

La frontera también es además de paramétrica determinística, ya que no se especifica de

forma diferenciada el ruido aleatorio y cualquier perturbación que lleve a las empresas

fuera de la eficiencia.

Afriat (1972) consideró que las observaciones de los errores ui son independientes e

idénticamente distribuídos, siguiendo una distribución de una sola cola (siempre

positiva) y que los regresores (xi) son exógenos y por tanto independientes de ui, error

aleatorio de shock exógenos y el error determinista de ineficiencia técnica están

incluídos en uit , para tener un modelo susceptible de ser estimado empleando la técnica

econométrica de máxima verosimilitud.

Aquí se realiza una estimación por el método de efectos fijos, ya que así lo propone el

test de Hausman (1980), se obtiene el residuo uit y además los valores se truncan en el

valor 1 como máximo, ya que ninguna región puede generar innovación por encima de

la frontera eficiente definida. Tomando valores medios para cada región y ordenando

los diferentes valores obtenidos de eficiencia técnica en la generación de innovación

tecnológica, se obtiene que Cataluña, Aragón, Valencia, Navarra y Madrid son las

comunidades con más eficiencia técnica, como puede observarse en la tabla 4:

Tabla 4. Ranking de menor a mayor Eficiencia Técnica de la Innovación

Región Ef.Técnica

Canarias 0,25094753Andalucía 0,27619711Castilla-La-Mancha 0,27937293Murcia 0,28118682Castilla-León 0,29139773Extremadura 0,31645985Principado-De-Asturias 0,33246682Galicia 0,3370818Cantabria 0,36150967Ceuta_Melilla 0,3662902Pais-Vasco 0,40246849La-Rioja 0,42169496Islas-Baleares 0,42404956Madrid 0,46390703Navarra 0,53591983Comunidad-Valenciana 0,54183289Aragón 0,57589994Cataluña 0,57758369

Fuente: Elaboración propia

Una segunda aproximación que se va a seguir en esta investigación, por su simplicidad

de cálculo, es una metodología paramétrica también con una frontera determinística,

estimada por mínimos cuadrados corregidos basada en la aproximación desarrollada por

Greene (1980). Una vez estimado el modelo de la ecuación (1) del apartado cinco de la

presente investigación, se obtienen los residuos de la regresión.

La metodología elegida consiste en corregir la estimación inconsistente del término

constante, 0β , añadiéndole el mayor valor positivo de los residuos, para así utilizar este

nuevo intercepto junto con los coeficientes estimados para calcular unos nuevos valores

ajustados de la producción de innovaciones, que serán la función frontera determinística

a considerar y con la que se obtendrán los diferentes valores de la eficiencia técnica.

Partiendo de los siguientes valores ajustados obtenidos anteriormente estimando la

ecuación (1):

itCRVitCRFitCTitLnCHitLnI 0.2115Ln0.4340Ln0.0974Ln7318.0-0.7866 ++++=∧

Debe corregirse el valor del término constante añadiéndole el mayor residuo positivo

obtenido. Dicho valor es 0,7387764 y corresponde a la región de Cataluña para el año

2002.

-0.04782367387764.0-0.7866 00 =⇒+=∧∧

ββ

Así, transformamos la ecuación de valores ajustados:

itCRVitCRFitCTitLnCHitLnI 0.2115Ln0.4340Ln0.0974Ln7318.0-0.0478236* ++++=∧

Y puede calcularse la eficiencia técnica como:

10*

≤=≤ ∧

itI

itIET

Las medias de los valores estimados por este procedimiento se muestran en la Tabla 5,

una vez ordenados de menos a mayor eficiencia en la generación de innovación

tecnológica, se muestran en la Tabla 5.

Tabla 5. Ranking de menor a mayor Eficiencia Técnica de la Innovación Greene (1980)

Región ETCeuta_Melilla 0,5754402Canarias 0,589573Extremadura 0,601067Murcia 0,6163142Castilla-La-Mancha 0,6268301Cantabria 0,6328252Principado-De-Asturias 0,6449722La-Rioja 0,6741379Castilla-León 0,6905005Islas-Baleares 0,7121257Galicia 0,7442231Andalucía 0,8137157Pais-Vasco 0,8348238Navarra 0,8496975Aragón 0,9052807Madrid 0,934331Comunidad-Valenciana 0,9362689Cataluña 0,9706543

Fuente: Elaboración propia

Se obtiene de nuevo con esta aproximación que Cataluña, Valencia, Aragón, Madrid y

Navarra son las regiones españolas más eficientes técnicamente en la generación de

innovaciones tecnológicas, medidas éstas como número de patentes.

Podemos utilizar fronteras estocásticas, en vez de determinísticas, así Aigner, Lovell y

Schmidt (1977) y Meussen y van den Broeck (1977) consideran que el proceso de

producción está sujeto a dos tipos de perturbaciones aleatorias distintas: un ruido blanco

y un componente asimétrico. El primero recoge los efectos aleatorios que pueden

registrarse en la producción y no están bajo el control de la unidad de decisión. El

segundo es el que recoge la ineficiencia técnica de las observaciones a través de la

distancia al valor óptimo de la frontera y se supone que en principio debería de estar

controlado y determinado por la unidad de decisión.

El modelo que se plantea es una función de producción de innovación del tipo:

ititvitCRVitCRFitCTitLnCHitLnI η−+++++= 0.2115Ln0.4340Ln0.0974Ln7318.0-0.7866

Con

En donde itη ≥ 0

El componente del error vit representa la perturbación simétrica, y se supone que se

distribuye idéntica e independientemente como una ( )2,0 vN σ . El componente del error

itη se asume que se distribuye bajo una ( )2,0 ησN independientemente de vit y satisface

que itη ≥ 0. La perturbación itη recoge el hecho de que el output de cada unidad

productiva debe situarse en o por debajo de su frontera (f(xjit;β) + vit). Por tanto

cualquier desviación es el resultado de factores que están bajo control, tal como la

gestión empresarial y el esfuerzo de sus empleados, entre otros. No obstante, la frontera

puede variar aleatoriamente entre las unidades de producción, por esta razón es

estocástica, con una perturbación vit > 0, que es el resultado de sucesos externos al

proceso de toma de decisiones favorables o desfavorables como el clima, la suerte, así

como errores en la observación y medida de los datos.

A partir del término de error no negativo itη se determina la ineficiencia para cada

unidad productiva y periodo de tiempo, a través de la relación:

ETit= exp (- itη )

Un valor de la unidad representa una situación en la que la unidad productiva es

eficiente y se sitúa sobre la frontera de eficiencia técnica. Por otro lado, valores

inferiores a la unidad representarán ineficiencia técnica. ¿Cómo estimar itη ?.

A continuación presentaremos algunas especificaciones que se han propuesto para

modelizar la evolución temporal que experimenta el término itη . La elección entre una y

otra será tarea del investigador, dependiendo de las características de los datos o de la

información con la que cuente.

Cornwell, Schmidt y Sieckles (1990) proponen reescribir la función de producción

como:

itvitCRVitCRFitCTitLnCHitLnI it +++++−= 0.2115Ln0.4340Ln0.0974Ln7318.0-0.7866 η

Llamando βit = - 0,7866 itη− ; βit = δ1i+δ2i t+δ3i t2

Se puede obtener una evolución temporal de la eficiencia técnica diferente para cada

unidad productiva.

Lee y Schmidt (1993) consideran βit = ittηθ

Siendo θt un conjunto de parámetros a estimar, aunque se realiza una normalización,

tomando θ1 = 0, esto convierte la especificación del término de ineficiencia en una serie

temporal de variables dummy.

Kumbhaker (1990) planteó una especificación alternativa según la cual, el término de

ineficiencia técnica tiene el siguiente patrón de comportamiento:

it

itηγη )(=

Siendo )(tγ una función del tiempo, que su autor concretó en la siguiente expresión:

1)2exp(1( −++= ctbtt

γ

Donde b y c son dos parámetros a estimar. Esta función está acotada entre cero y uno, y

dependiendo del valor que adopten los parámetros, puede representar una evolución

temporal de la eficiencia monótona creciente o decreciente, o bien cóncava.

Más sencillo es el modelo que proponen Batesse y Coelli (1992) que consiste en el

mismo planteamiento que el ofrecido por Kumbhaker (1990), únicamente con una

especificación distinta de la función )(tγ . En este caso es la siguiente:

))(exp()( Ttt −−= λγ

Donde λ es un parámetro para estimar y T es la dimensión temporal del panel. Cuando t

aumenta, el término de ineficiencia itη puede aumentar, disminuir, o permanecer

constante, dependiendo respectivamente de si λ<0, λ>0, o λ=0. Estos autores plantean

una evolución común a todos los productores de la eficiencia, pero a diferencia de

Kumbhaker (1990) dicha evolución se produce a una tasa constante con valor λ. Cuesta

(2000) amplia la consideración de una tasa de evolución de eficiencia especifica de cada

unidad productiva, esto es:

))(exp()( Tti

t −−= λγ

Aunque esto añade más parámetros a la estimación.

Tanto Batesse y Coelli (1992) como Cuesta (2000) y Kumbhaker (1990) emplean el

método de máxima verosimilitud en la estimación, asumiendo independencia entre la

eficiencia técnica y los regresores, y considerando que el componente del error vit

representa la perturbación simétrica, y se supone que se distribuye idéntica e

independientemente como una ( )2,0 vN σ y que el término de ineficiencia se distribuye

según una normal truncada ( )2, uN σµ+ en el caso de los primeros y una seminormal

( )2,0 uN σ+ para el último. En estos trabajos se utiliza la esperanza o la moda de la

distribución de uit condicionada por el valor del error (vit+uit), para obtener una

predicción del término de ineficiencia que permite calcular la eficiencia individual de

cada empresa. La elección entre una y otra especificación vendrá determinada sin duda

por las dimensiones del panel. Una característica común a todos estos modelos en los

que la ineficiencia varía con el tiempo es el hecho de que el tiempo influya

adicionalmente en la producción a través del cambio técnico. Si este no se especifica de

forma diferenciada podría confundirse con la ineficiencia. Por ello resulta habitual la

inclusión del tiempo entre los regresores de la frontera de producción, lo que permitirá

recoger la influencia de éste sobre la producción eficiente, es decir, mediría el cambio

técnico de forma separada del cambio temporal en la ineficiencia. Un análisis de este

tipo lo realizan Batesse y Coelli (1992).

Dado que este término del error recoge los efectos individuales específicos de cada

unidad productiva que capturan los efectos latentes no observables, específicos de cada

unidad productiva. En función de que estos efectos individuales estén correlacionados o

no con las variables explicativas observables, es posible aplicar dos tipos de modelos de

estimación con datos de panel: El modelo de efectos fijos o el modelo de efectos

aleatorios. Se realizará el test de Hausman (1978) que permitirá identificar la posible

correlación entre los efectos individuales y las variables exógenas. Si del resultado de

dicho test se deduce que tal correlación existe en ambas funciones entonces el modelo

adecuado a aplicar es el modelo de efectos fijos. Otra forma de recoger los efectos

individuales ( itη ) se puede introducir una variable dummy para cada unidad productiva

y estimar por Mínimos cuadrados ordinarios.

En la literatura sobre eficiencia estos efectos individuales son interpretados como

índices de eficiencia: técnica en la función de producción y económica en la función de

costes. Estos índices se calculan de la siguiente forma para la función de producción:

exp (αi - max (αi)), en donde αi es el coeficiente estimado para la dummy (i) del que se

sustrae el valor máximo del coeficiente estimado para esta dummy. En el caso de una

función de costes estos índices se calculan de la siguiente forma: exp (αi - min (αi)) en

el caso de la función de costes. Según este método, la unidad productiva más eficiente

tomará el valor unidad. Las diferencias entre los distintos índices tratan de explicar las

diferencias de eficiencia (técnica o económica en su caso) entre las distintas unidades

productivas. Si se ordenan los diferentes valores obtenidos con esta metodología, como

se muestra en la tabla 6 de menor a mayor eficiencia técnica en la generación de

innovación tecnológica, se obtiene que Cataluña, Madrid, Andalucía, Valencia y País

Vasco son las regiones más eficientes.

Tabla 6. Ranking de menor a mayor Eficiencia Técnica de la Innovación Kumbhaker

(1990)

CoeficienteDesv. Típica Estadístico t Valor p Ef. Técnica

Ceuta_Melilla 0,00909906 0,0615466 0,1478 0,8829 0,02673769La-Rioja 0,325146 0,0846622 3,841 0,0003 0,03667595Cantabria 0,532719 0,139826 3,81 0,0003 0,04513664Islas-Baleares 0,761632 0,172062 4,426 3,56E-05 0,05674725Extremadura 0,828221 0,229449 3,61 0,0006 0,06065465Principado-De-Asturias 0,892348 0,212747 4,194 8,10E-05 0,06467167Navarra 0,952769 0,14263 6,68 5,32E-09 0,06869966Murcia 1,03971 0,251924 4,127 0,0001 0,07493981Canarias 1,22281 0,315134 3,88 0,0002 0,0899978Castilla-La-Mancha 1,24903 0,306098 4,081 0,0001 0,09238876Aragón 1,54267 0,225794 6,832 2,84E-09 0,12392113Castilla-León 1,67727 0,373988 4,485 2,88E-05 0,14177556Galicia 1,80837 0,379863 4,761 1,05E-05 0,16163574Pais-Vasco 1,96574 0,336311 5,845 1,58E-07 0,18918309Comunidad-Valenciana 2,77998 0,45082 6,166 4,34E-08 0,42707314Andalucia 3,09268 0,63261 4,889 6,50E-06 0,58385653Madrid 3,37483 0,562044 6,005 8,35E-08 0,77418068Cataluña 3,63078 0,56247 6,455 1,34E-08 1Fuente: Elaboración propia

7. Conclusiones

En esta investigación se propone la existencia de un nuevo mecanismo impulsor de la

innovación asentado no sólo en la acumulación de capital humano y tecnológico, sino

también generado por el conocimiento basado en las relaciones colaborativas generadas

a partir de las infraestructuras de banda ancha y la utilización de las redes sociales entre

Universidad, Empresas Privadas y Administración Pública. Consecuentemente, pueden

extraerse recomendaciones de política económica; dado que los países europeos como

España requieren un crecimiento basado en la innovación y no un sistema basado en el

aprovechamiento de tecnologías existentes (López, 2008), por lo que resulta esencial

conocer los motores de la innovación, factor esencial en la economía contemporánea

(Porter, 1990).

A) La Innovación (aproximada por el número de patentes) se explica bien por los cuatro

factores determinantes de la misma antes definidos: Capital Humano, Capital

Tecnológico Privado, Capital Relacional Físico y Capital Relacional Virtual. Así, el

modelo de datos de panel estimado es capaz de explicar el 94,01% de la varianza de la

variable dependiente.

B) Todos los coeficientes estimados son significativos y además tienen signo positivo.

El Capital Humano es el factor que más peso tiene en la producción de innovación. Por

su parte, el Capital Tecnológico Privado, o la plataforma tecnológica generada por las

empresas tiene, en este caso, como en la literatura tradicional, relevancia en la

generación de innovación. De igual forma, se ha contrastado que el Capital Relacional,

tanto en su aspecto Físico como Virtual, contribuye de manera elevada a la explicación

del número de patentes. Parece que las relaciones colaborativas con utilización de redes

sociales entre Universidad, Empresas privadas y Administración pública, estos es, el

Capital Relacional Efectivo, están asociadas significativamente con la generación del

número de patentes.

C) El análisis realizado muestra que los factores relacionales tienen un papel positivo y

relevante en la producción de la Innovación. Estos factores intangibles, relaciones

colaborativas de las redes sociales, en principio fuera del mercado, sin embargo,

proporcionan el engrase entre la innovación como idea y su implementación práctica.

Ciertas condiciones regionales parecen jugar un papel significativo en la creación de un

ambiente o hábitat que pueda enlazar el Capital Humano con el Capital Tecnológico y

generar Innovación.

D) El auge y el aumento de la presencia de las Tecnologías de la Información y

Comunicaciones en el contexto empresarial actual, permite la implantación práctica

descrita en el apartado anterior, aumentando las redes colaborativas y generando, de esta

forma, innovación.

E) Se ha realizado una primera aproximación de ineficiencia técnica aproximada por

todo el residuo negativo respecto de la de la frontera eficiente que permite asegurar la

mayor eficiencia técnica en la generación de innovación tecnológica para el periodo

estudiado en Cataluña, Valencia, Madrid y Navarra. La segunda aproximación de

eficiencia técnica realizada siguiendo a Greene (1980), nos informa también de que

Cataluña, Valencia, Madrid y Navarra son las más eficientes técnicamente. Ambas

aproximaciones son basadas en fronteras determinísticas, una extensión de esta

investigación es aproximar las estimaciones de eficiencia técnica con fronteras

estocásticas que permitan descomponer el error en un componente aleatorio y otro

determinístico que mida la eficiencia técnica propiamente dicha. También coinciden las

menos eficientes técnicamente en Canarias, Murcia, Andalucía y Castilla-La Mancha,

por ambas aproximaciones.

Por su parte si, en vez de utilizar fronteras determinísticas, se recurre a una segunda

aproximación basada en fronteras estocásticas, como las utilizadas por Kumbhaker

(1990), Batesse y Coelli (1992) y Cuesta (2000), se obtiene que las regiones españolas

más eficientes técnicamente son Cataluña, Madrid, Andalucía, Valencia y País Vasco;

ocupando los peores puestos en el ranking las regiones de Ceuta y Melilla, La Rioja,

Cantabria, Islas Baleares y Extremadura. Esta metodología arroja unos resultados

mucho más dispares que en el caso de las aproximaciones basadas en fronteras

determinísticas, ya que hasta un total de diez regiones tienen niveles de eficiencia

inferiores a 0.10, a la par que únicamente dos superan el valor 0.75, lo que contrasta

empíricamente la alta concentración geográfica de las actividades innovadoras existente

en España (Buesa et al. (2004)). Por otra parte, pueden explicarse los determinantes del

comportamiento de la eficiencia técnica, utilizando variables como el tamaño de la

población, la producción literaria y científica, el empleo cualificado y otras medidas del

capital humano y el capital relacional físico.

F) Todos estos resultados nos llevan a afirmar que la innovación en las regiones

españolas es el resultado de un proceso acumulativo que envuelve una combinación de

los factores del tipo identificado por las externalidades de Capital Humano identificadas

por Lucas y Romer, y el papel del Capital Tecnológico señalado por Romer y Solow.

Sin embargo, hay algo más, un factor intangible como es el Capital Relacional, no

reflejado hasta ahora en la literatura económica, que proporciona un fuerte impulso a la

implementación de innovaciones.

En definitiva, cabe concluir en que la innovación de las regiones españolas tiene lugar

mediante un proceso basado en las etapas siguientes: En la primera etapa, se genera el

Capital Humano formándose en instituciones públicas y/o privadas. En la segunda

etapa, las concentraciones de Capital Humano y Capital Tecnológico generan

investigación y desarrollo tecnológico, e incluso innovación tecnológica. Finalmente,

los factores determinantes de las relaciones, como las redes sociales entre individuos,

empresas, instituciones públicas y privadas, que están en muchos casos fuera del

mercado (el Capital Relacional Efectivo), tales como, las relaciones colaborativas entre

Universidad, Empresas Privadas y Administración Pública, afectan positivamente a la

producción de Capital Humano y a su relación con el Capital Tecnológico, de modo que

se da aquí un nuevo impulso a la generación de innovación tecnológica.

Bibliografía

Albornoz, M. (2009): Indicadores de Innovación: las dificultades de un concepto en

evolución. Revista CTS, nº 13, vol. 5, pp. 9-25.

Álvarez Pinilla, A., Arias Sampedro, C., Orea Sánchez, L. (2003): Introducción al

análisis empírico de la producción. Universidad de Oviedo, Universidad de León.

Baumert, T. (2006): “Los determinantes de la innovación. Un estudio aplicado sobre las

regiones de la Unión Europea”. Tesis doctoral. Universidad Complutense de Madrid.

Battese, G.E. y Coelli, T.J. (1995): A model for technical inefficiency effects in a

stochastic frontier production function for panel data. Empirical Economics, 20: 325-

332.

Buesa, M., Heijs, J., Martínez Pellitero, M. y Baumert, T. (2004): Configuración

estructural y capacidad de producción de conocimientos en los sistemas regionales de

innovación: Un estudio del caso español. Instituto de Análisis Industrial y Financiero.

Universidad Complutense de Madrid.

Cottrell, A. y Lucchetti, R. (2010): Gretl, software econométrico.

Drazin, R. y Schoonhoven, C. B. (1996): Community, Population, and Organization

Effects on Innovation: A Multilevel Perspective. Academy of Management Journal, vol.

39, pp. 1056-1083.

Edvinsson, L. y Malone, M. S. (1997): El capital intelectual: como identificar y

calcular el valor de los recursos intangibles de su empresa. Ed. Gestión 2000.

Farrell, M.J. (1957): The measurement of productiva efficiency. Journal of the Royal

Statistical Society. Serie A, volumen 120, pags 253-281.

Fuentes Morales, B. A. (2009): La gestión de conocimiento en las relaciones

académico-empresariales. Un nuevo enfoque para analizar el impacto del

conocimiento académico. Tesis doctoral . Universidad Politécnica de Valencia

Fundación Cotec para la Innovación Tecnológica (2003): Situación en 2003 del Sistema

Español de Innovación.

Godin, B. (2008): Innovation: the History of a Category, paper nº 1. Project on the

Intellectual History of Innovation. Montreal, INRS.

Greene, W.H. (1980): Maximum likelihood estimation of econometric frontier

functions. Journal of Econometrics nº 13, págs 27-56.

Iráizoz, B. y Rapún, M. (1996): Eficiencia técnica de la industria agroalimentaria de

Navarra. Economía Agraria, 115-135, Departamento de Economía, Universidad Pública

de Navarra.

Itami, H. (1994): Los Activos Invisibles. Editorial Deusto. Bilbao.

Jacobs, J. (1961): The Death and Life of Great American Cities, New York: Random

House.

Jacobs, J. (1969): The Economies of Cities, New York: Random House.

Kaplan, R. S. y Norton, D. R. (2000): Having trouble with your strategy? Then map it.

Harvard Business Review. 167-176.

López Sebastián, A. (2008): Cooperation in innovate activities, organizational

innovation and productivity: Three essays on economic of innovation. Tesis doctoral.

Universidad Complutense de Madrid.

Lucas, R. E. (1988): “On the mechanics of economic development”, Journal of

Monetary Economics, 22, 1 (Julio): 3-42.

Matthews, W. H. (1990): Conceptual framework for integrating technology into

business strategy. Proceedings of the First International Forum on Technology

Management, Inderscience Enterprises Limited.

McKinsey & Company (2008): Assessing innovation metrics. McKinsey Global Survey.

Navas, J. E. y Guerras, L. A. (1998): La dirección estratégica de la empresa. Ed.

Civitas. Madrid.

Porter, M.E. (1990): The competitive adventage of nations. Free Press, New York.

Real Academia Española (2001), Diccionario de la lengua española. 22ª Edición.

Romer, P. M. (1986): “Increasing returns and long-run growth”, Journal of Political

Economy, 94, 5 (octubre): 1002-1037.

Romer, P. M. (1987): “Crazy explanations of the productivity slowdown”, NBER

Macroeconomics Annual. 2: 163-202.

Romer, P. M. (1990): “Endogenous technological change”, Journal of Political

Economy, 98, 5 (octubre), segunda parte: S71-S102.

Sainz González, J., Doncel Pedrera, L. M. y Blanca Arroyo, M. (2005): Estimación de

la aportación al crecimiento de las TIC en España y su comparación con la OCDE en la

década de los noventa. Revista de Economía Mundial, 13. pags 115-135.

Schumpeter, J. (1934): The Teory of Economic Development. Harvard University Press,

Cambridge, Massachussets.

Solow, R. M. (1956): “A contribution to the theory of economic growth”, Quarterly

Journal of Economics, 70, 1 (febrero): 65-94.

Solow, R. M. (1957): “Technical change and the aggregate production function”,

Review of Economics and Statistics, 39 (agosto): 312-320.

Solow, R. M. (1970): Growth theory: an exposition, Oxford: Clarendon Press.

Sosa Gómez, F. A. (2002): Tratamiento contable de activos intangibles. Revista

Holismos: Pensamiento y voz del decanato de administración y contaduría de la UCLA.

Noviembre 2002, Año 1, No. 1. p. 7.

Tidd, J. (2001): Innovation management in context: environment, organization and

performance. International Journal of Management Review, vol. 3, n. 3, pp. 169-183.

Vargas Montoya, P. (2000): Características de los Activos Intangibles. Universidad de

la Rioja.

Wooldridge, J.M. (2006): Introducción a la econometría. Un enfoque moderno.

Paraninfo, CENGAGE Learning.

Wolfe, R. A. (1994): Organizational innovation: review, critique and suggested

research. Journal of Management Studies, vol. 31, n. 3, pp. 405-431.