tÍtulo de la comunicaciÓn: determinantes de la innovación ... · educación y ciencia para el...
TRANSCRIPT
TÍTULO DE LA COMUNICACIÓN: Determinantes de la innovación tecnológica en
las regiones españolas
AUTOR 1: Badiola Sánchez, AlfonsoEmail: [email protected]
AUTOR 2: Coto Millán, Pedro PabloEmail: [email protected]
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.