Servicios personalizados
Español (pdf)
Articulo en XML
Referencias del artículo
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La literatura ha relacionado el crecimiento y el nivel de desarrollo de las economías con su actividad de innovación (Lee et al., 2021). Por ello mismo se ha vuelto un tema central el diseño de recursos metodológicos que vuelvan comparables a los países. Esa es la naturaleza, por ejemplo, del Manual Oslo y del Índice de Innovación Global (IIG).
Particularmente a partir del segundo la literatura versa sobre estudios comparativos a nivel macro, donde cada uno de sus pilares evalúa lo que en una perspectiva podrían considerarse diferentes componentes de los sistemas de innovación, y en esos términos se define su eficiencia, o su desempeño, o la forma constitutiva de capacidades nacionales para la innovación (Bakhtiar et al., 2022; Costa, 2023; Erzurumlu et al., 2022).
Con ello en mente, retomamos el IIG del año 2022 para explorar, a partir de sus sub-pilares (que se explicarán en la metodología), cuáles de ellos podría explicar en conjunto, de la mejor manera posible, la actividad innovadora de los países latinoamericanos, y ubicarlos con respecto a los sub-pilares (Raudales-Garcia et al., 2024). De la exploración se desprende una descripción que evidencia diferencias entre países, que nos permite poner en contraste algunos de los hallazgos que se desprenden de la literatura que usa el IIG para América Latina, y que nos conducen a señalar que la región no es homogénea y que, en consecuencia, las recomendaciones de política pública que se desprendieran tampoco pueden ser generalizables.
Desde esta perspectiva, el trabajo aporta la identificación de siete indicadores (cuatro de insumos y tres de resultados) que hacen comparables a los países de la región. A partir de esos indicadores se organizan cuatro subconjuntos de países, cuyo desempeño está marcado por diferentes insumos y resultados. A esta introducción continúan el marco teórico, la metodología, los resultados y discusión y por último ofrecemos algunas conclusiones.
Se hace referencia a la necesidad de comparabilidad entre países cuando la literatura se refiere a la innovación en los países. De manera que, por ejemplo, el Manual Oslo, emite recomendaciones para el levantamiento, reporte y uso de datos sobre innovación y que, consecuentemente, ha sido base para la investigación basada en encuestas diseñadas y/o que toman como referente al Manual (Arosa et al., 2022; Fernandes et al., 2023).
Tiene el mérito de ser pionero y mantenerse en revisión permanente (la primera versión, de 1992; la cuarta en 2018), conforme evolucionan el conocimiento y la evidencia empírica sobre el tema; al haber surgido en el seno de la OECD, de él se desprenden recomendaciones que pautan el proceder de oficinas gubernamentales nacionales y regionales en el diseño metodológico y la aplicación de encuestas y a partir de sus resultados se diseñan políticas de innovación (OECD/EUROSTAT, 2018).
Pero el trabajo por sistematizar estudios comparativos sobre innovación se ha diversificado. La Organización Mundial de la Propiedad Intelectual (WIPO por sus siglas en inglés) publica anualmente el IIG, el cual en su versión 2022 abarca el levantamiento sobre insumos y resultados de innovación de 110 países.
El IIG se ha vuelto un referente, dado que, además de los resultados de su reporte anual, ofrece una definición y una metodología más amplia que el Manual Oslo (WIPO, 2022): mientras éste centra su interés en hacer recomendaciones para la recogida de datos sobre actividades de innovación (OECD/EUROSTAT, 2018), el IIG identifica insumos y resultados de la actividad innovadora; en la medida que la innovación ha trastocado no sólo la dinámica económica, la metodología del IIG pretende ser más incluyente en términos de reconocer diferentes fuentes y actores de la innovación.
Asimismo, el trabajo de comparación entre países que surge del Manual Oslo depende de la forma en que cada oficina nacional o regional lo instrumenta y aplica, mientras que la elaboración del IIG corresponde a un mismo grupo institucional, lo que pauta un criterio homogéneo aplicable a los países.
Otra diferencia significativa entre el Manual y el Índice es que mientras el primero se remite a las unidades económicas del sector negocios como fuente de información (OECD/EUROSTAT, 2018), el segundo diversifica sus referencias entre fuentes públicas y privadas (como UNESCO, UNIDO, PwC, JCR, Thomson Reuters), recurre también a fuentes a través de las cuales se elaboran indicadores compuestos (provenientes del Banco Mundial, la Red de Administración Pública de Naciones Unidades, o las universidades de Yale y Columbia), así como de la Encuesta de Opinión de Ejecutivos del Foro Económico Mundial (WIPO, 2020).
Adicionalmente, el IIG abarca la revisión de indicadores de insumo y de resultados de innovación, lo que se traduce en dos aspectos: el primero, una intención por establecer una relación de causalidad; el segundo, señalado por el reporte de la WIPO (2022), la recopilación sistemática de indicadores de resultados, que busca subsanar una carencia en estadísticas oficiales (sobre nuevos productos, procesos u otras innovaciones).
Una revisión de alguna literatura que ha empleado el IIG para hacer estudios de innovación se muestra en la tabla 1, incluida en el anexo. Ahí se aporta alguna información que nos interesa resaltar para efectos de delimitación de nuestra investigación. Como señalábamos, se observan estudios de causalidad basada en inferencia estadística, como los análisis de regresión, así como estudios que explotan recursos no paramétricos, a partir de los cuales se toman decisiones basadas en la comparación cualitativa y la clasificación de casos.
Tabla 1 - Estudios basados en el Índice de Innovación Global.
| Número | Autores | Método | Enfoque |
|---|---|---|---|
| 1 | Nair et al. (2017) | Análisis de regresión mediante redes neuronales | Desempeño basado en insumos |
| 2 | Ercis, et al. (2016) | Estudio comparativo | Desempeño comparando países |
| 3 | Khedhaouria y Thurik (2017) | QCA | Desempeño basado en insumos |
| 4 | Crespo y Crespo (2016) | QCA | Diferencias entre países en función de ingresos |
| 5 | Franco y Henrique (2017) | Análisis de regresión | Diferencias entre países en función de insumos |
| 6 | Silva et al. (2017) | Ordenamiento por similitud | Metodología de ordenamiento basado en criterios múltiples |
| 7 | Torres-Samuel et al. (2020) | Análisis envolvente | Competitividad basada en insumos |
| 8 | Doğruel et al. (2019) | Análisis de clústeres | Competitividad basada en índices de |
| 9 | Hui-Kuang et al. (2021) | QCA y análisis de regresión | Crecimiento basado en insumos |
| 10 | Maruccia et al. (2020) | Diagrama de bucle de causalidad | Capacidad de innovación basada en sistemas complejos |
| 11 | Tziogkidis et al. (2020) | Análisis envolvente y análisis de regresión | Análisis de sensibilidad de la relación insumo-resultado |
| 12 | Sendreda-Pons et al. (2022) | QCA | Efecto de insumos sobre el emprendimiento |
| 13 | Sinan, Yaman y Yoon (2022) | Modelo difuso con método OKID | Diferenciación de índice basada en interacción de indicadores |
| 14 | Draghici y Tiberiu (2014) | Análisis de regresión (panel de datos) | Efecto del emprendimiento sobre la innovación |
| 15 | Huarng y Hui-Kuang (2022) | QCA | Desempeño basado en insumos |
| 16 | Fakhimi y Miremadi (2022) | Análisis de regresión (mínimos cuadrados parciales) | Desempeño basado en insumos y en nivel de ingreso |
| 17 | Hui-Kuang y Huarng (2023) | QCA | Metodología de ordenamiento basado en calibración de datos |
| 18 | Bar-El (2023) | Análisis de regresión | Competitividad basada en insumos |
| 19 | Bate et al. (2023) | Análisis de regresión (lineal; regresiones jerárquicas) y ANOVA | Desempeño basado en insumos |
| 20 | Nasir y Zhang en 2024 | Análisis de regresión (mínimos cuadrados en dos etapas y panel de datos) | Eficiencia y desempeño basada en insumos |
| 21 | Zapata-Cantú y González (2021) | No es específica | Desarrollo y sustentabilidad basada en innovación |
Fuente: Elaboración propia.
Prevalecen las investigaciones relacionadas con estudios de desempeño de países basados en nivel de ingresos, de insumos de innovación, así como análisis de sensibilidad que buscan identificar dimensiones de mejora para los países, y que dan pauta a definir lineamientos de política pública (Santana-González, 2022); incluso un par de trabajos aportan en una perspectiva metodológica relacionada con vías de jerarquización del índice y, por tanto, de reordenamiento de países en el ranking y uno más basado en redes neuronales como recurso para entrenar un modelo con aplicación para Emiratos Árabes Unidos. Conceptualmente predominan temas sobre crecimiento, sistemas (Debortoli & Brignole, 2024) y capacidades de innovación (Muñoz et al., 2024; Kammerer & Murgas, 2024), aunque también hay referencias hacia emprendimiento (Santana et al., 2019; Ramírez, 2024) y redes.
En términos de regiones en estudio se ubicaron específicamente cuatro trabajos que se refieren a América Latina; dos de ellos relacionan al índice con la competitividad. En uno de esos dos, Silva et al. (2017) ordenaron los valores del IIG por similitud con una solución ideal acorde al diamante de Porter, a fin de identificar brechas y, en esa medida, sugerir el requerimiento de políticas diseñadas para integrar factores que aceleren los procesos de innovación. Por su cuenta, Torres-Samuel et al. (2020) utilizaron el IIG y estudiaron el desempeño de la educación y la investigación por el método de análisis envolvente de datos. La principal contribución del trabajo es que se identificó el porcentaje de gasto en educación e investigación como una de las principales variables que explican las exportaciones de alto valor agregado.
Un tercer trabajo (Zapata-Cantú & González, 2021), a partir del IIG y del Reporte sobre Desarrollo Sustentable, se interesa en estudiar el vínculo sustentabilidad y desarrollo en América Latina. De acuerdo con los autores, tal vínculo requiere el estudio de dos vertientes teóricas: la política orientada por misiones como vía de atención a problemas societales regionales, como la desigualdad, la pobreza y el desempleo juvenil, y el enfoque de capacidades dinámicas de la innovación, a niveles macro (instituciones, gobierno, sistema educativo) y micro (empresas) para promover una actividad innovadora promotora de la sustentabilidad.
El cuarto trabajo (Gaitán-Angulo et al., 2023) identifica los principales pilares que mejoran la innovación en la región y luego usa redes neurales para simular el desempeño regional para la década 2021-2030 para identificar mejores políticas de innovación con base en los recursos y la estructura socioeconómica regionales.
Como se observa, la investigación basada en el IIG tiene fines tanto descriptivos y normativos, como metodológicos. En nuestro caso lo usamos con fines exploratorios, a fin de identificar semejanzas y diferencias entre países de América Latina, usando como método el análisis de componentes principales (ACP). De esta manera no ahondamos en temas relacionados con causalidad, sino que buscamos caracterizar a la región, desde un punto de vista de la innovación, a partir del reporte de la WIPO para un año puntual, 2022.
El ACP es una técnica estadística usada en los estudios sobre innovación, y lo ilustramos mediante la figura 1, elaborado a partir de la búsqueda en Scopus de publicaciones que relacionan innovación y ACP. Acotada la búsqueda en tres áreas temáticas (negocios, ciencias sociales y economía) se obtuvo 560 publicaciones. La imagen muestra un mapa de coocurrencias del ACP (PCA por sus siglas en inglés) con palabras clave de las publicaciones; sobresalen innovación, sustentabilidad, gestión de información, competitividad, gestión de la tecnología, ingeniería industrial, análisis regional, emprendimiento, entre otros. Los diferentes colores indican diferentes clústeres de palabras, cada uno de los cuales observa una caracterización particular, pero particularizamos sobre los que observan la conexión más fuerte con ACP.
En el caso de este trabajo se usa ACP con el fin de identificar semejanzas y diferencias entre países latinoamericanos, a partir de los insumos y resultados de la actividad de innovación reportados en el IIG. Desde esa perspectiva, no pretendemos clasificar o identificar tendencias, sino realizar un análisis exploratorio de las relaciones insumo-resultado de innovación más representativa en la región.
Materiales y métodos
Aplicamos un análisis de componentes principales para explorar e identificar la actividad innovadora de países latinoamericanos, con base en el IIG 2022. Este análisis lo realizamos a partir de los valores que arrojan los sub-pilares (SP) del IIG. Cabe señalar que éstos integran pilares y éstos, a su vez, los índices de insumos y resultados de innovación (tabla 2), por lo que buscamos realizar un análisis de la relación de indicadores con un mayor nivel de detalle en el entendido de que los pilares representan un promedio de los SP. Con nuestro nivel de desagregación buscamos desmenuzar los componentes del índice como una vía más enfocada de relacionar insumos-resultados de la innovación. De modo que, por ejemplo, las instituciones pueden ser un insumo importante para la innovación, pero ¿tienen la misma importancia el ambiente de negocios y el político? ¿Al referimos a infraestructura representan lo mismo para la actividad de innovación las TIC que otras formas de infraestructura? ¿En términos de capital humano tienen la misma relevancia la educación que la educación terciaria? Etcétera.
Tabla 2 - Índices, pilares y sub-pilares del GII.
| Indicadores | Pilares | Sub-pilares (SP) |
|---|---|---|
| Índice de insumos de innovación | 1. Instituciones |
11. Ambiente político 12. Ambiente regulatorio 13. Ambiente de negocios |
| 2. Capital humano e investigación |
21. Educación 22. Educación terciaria 23. Investigación y desarrollo |
|
| 3. Infraestructura |
31. TIC 32. Infraestructura general 33. Sustentabilidad |
|
| 4. Sofisticación de mercado |
41. Crédito 42. Inversión 43. Comercio, diversificación y escala de mercado |
|
| 5. Sofisticación de negocios |
51. Trabajadores del conocimiento 52. Vínculos con la innovación 53. Absorción de conocimiento |
|
| Índice de resultados de innovación | 6. Conocimiento y tecnología |
61. Creación de conocimiento 62. Impacto del conocimiento 63. Difusión del conocimiento |
| 7. Creatividad |
71. Activos intangibles 72. Bienes y servicios creativos 73. Creatividad |
Fuente: Elaborado a partir de WIPO, 2022.
El análisis de componentes principales contribuye a tal fin, en la medida que es una técnica estadística multivariada que busca reducir a unas cuantas dimensiones una estructura de datos más amplia, mediante la combinación lineal de variables originales, en este caso los SP. Las dimensiones resultantes se denominan componentes principales, en virtud de que, a través de ella, busca capturarse la mayor varianza posible que surge de la combinación de variables originales.
De modo que, siguiendo el procedimiento de la técnica, primeramente, correlacionamos los SP, 15 de insumos y 6 de resultados. La técnica de componentes principales requiere seleccionar indicadores cuyas correlaciones son significativas, por lo que seleccionamos los SP que mayormente se correlacionan a un nivel de significancia de al menos 0.1. La tabla 3 deja en blanco los espacios que no cumplen con el criterio previo y señala con un asterisco las correlaciones mínimamente significativas al 0.05.
Tabla 3 - Correlación entre insumos y resultados de innovación.
| IN11 | IN12 | IN13 | IN21 | IN22 | IN23 | IN31 | IN32 | IN33 | IN41 | IN42 | IN43 | IN51 | IN52 | IN53 | OUT61 | OUT62 | OUT63 | OUT71 | OUT72 | OUT73 | |
| IN11 | 1 | ||||||||||||||||||||
| IN12 | 0.6809* | 1 | |||||||||||||||||||
| IN13 | 0.8635* | 0.6542* | 1 | ||||||||||||||||||
| IN21 | 0.4565 | ||||||||||||||||||||
| IN22 | 0.4495 | 0.6129* | 0.6255* | ||||||||||||||||||
| IN23 | 0.4635 | ||||||||||||||||||||
| IN31 | 0.6739* | 0.4728 | 0.6890* | 0.4269 | 0.5841* | 0.6637* | 1 | ||||||||||||||
| IN32 | 0.5507* | 1 | |||||||||||||||||||
| IN33 | 0.6050* | 0.6238* | 0.6767* | 0.4792 | 0.5242* | 0.5763* | 1 | ||||||||||||||
| IN41 | 0.5413* | 0.7055* | 1 | ||||||||||||||||||
| IN42 | 0.6146* | 0.4979 | 0.5376 | 0.6366* | 1 | ||||||||||||||||
| IN43 | 0.4348 | 0.4941 | 0.4431 | 0.8626* | 0.4698 | 1 | |||||||||||||||
| IN51 | 0.4528 | 0.4978* | 1 | ||||||||||||||||||
| IN52 | 0.5015* | 0.6116* | 0.5197* | 0.4849 | 0.5839* | 0.6728* | 0.4323 | 0.5070* | 0.6142* | 0.4595 | 1 | ||||||||||
| IN53 | 0.4387 | 0.7680* | 0.6146* | 0.5451* | 0.5273* | 0.5003* | 1 | ||||||||||||||
| OUT61 | 0.4404 | 0.5432* | 0.5472* | 0.8750* | 0.7938* | 0.6616* | 0.7146* | 0.5356* | 0.6130* | 0.6354* | 1 | ||||||||||
| OUT62 | 0.5643* | 0.4992* | 0.6185* | 0.6394* | 0.4513 | 0.6423* | 0.7909* | 0.5981* | 0.6058* | 0.7289* | 0.6125* | 0.7791* | 1 | ||||||||
| OUT63 | 0.5069* | 1 | |||||||||||||||||||
| OUT71 | 0.5520* | 0.7438* | 0.6228* | 0.6733* | 0.467 | 0.5034* | 0.7417* | 0.5644* | 1 | ||||||||||||
| OUT72 | 0.4316 | 0.4781 | 0.6730* | 1 | |||||||||||||||||
| OUT73 | 0.6790* | 0.6530* | 0.5584* | 0.4386 | 0.6221* | 0.4641 | 0.6969* | 0.5727* | 0.6309* | 0.4283 | 0.6063* | 0.5316* | 0.4395 | 0.4628 | 1 |
Fuente: Elaboración con base en GII. * Significancia al 0.05.
Una vez verificadas las correlaciones se calculan los valores propios, así como los correspondientes vectores propios para la matriz de variables con las que se trabaja, a fin de obtener las funciones normalizadas que harán la mejor representación de los componentes. Cada función normalizada es la combinación lineal de las variables que mejor representa los SP en un plano de dos dimensiones.
Por último, se verifica que la medida de adecuación de la muestra (índice KMO) para cada componente (cada uno de los SP) es al menos aceptable (índice mínimo de 0.7). La relevancia de este índice radica en que, si bien entre variables se espera que exista una alta correlación (para la obtención de pocas dimensiones), también se espera que la correlación parcial entre variables sea pequeña, para implicar que la mayor porción de la correlación se explica por el conjunto de las otras variables y no solo por una de ellas.
Resultados y discusión
Como decíamos, la tabla 4 muestra las correlaciones con un nivel de significancia de al menos 0.1. De esa tabla recuperamos los insumos que repercuten sobre al menos 4 de 6 (67%) de los resultados de la innovación; en esa condición se encuentra 4 de 15 insumos. Asimismo, seleccionamos los resultados que mayor cantidad de correlaciones significativas tienen con los insumos (al menos 10 de 15, 67% de los insumos); así reducimos de 6 a 3 los SP de resultados de innovación que son relevantes para nuestro ejercicio.
La retícula de la tabla 4, que indica las correlaciones significativas (1) y no significativas (0), es una forma gráfica de mostrar los SP a partir de los cuales proceder a la realización de los componentes principales. Se indica que los insumos Investigación y desarrollo (IN23), TIC (IN31) y Vínculos con la innovación (IN52) se correlacionan con los resultados Creación de conocimiento (OUT61), Impacto del conocimiento (OUT62), Activos intangibles (OUT 71) y Creatividad online (OUT 73) y que el insumo Absorción del conocimiento (IN53) repercute sobre los mismos resultados, así como sobre Difusión del conocimiento (OUT63). El resto de los insumos tienen una correlación significativa con menos indicadores de resultados.
Por su parte, observamos que los resultados Creación de conocimiento (OUT61), Impacto del conocimiento (OUT62) y Creatividad online (OUT73) son los que cumplen el criterio definido de observar una correlación significativa con al menos dos terceras partes de los insumos de innovación.
Tabla 4 - Retícula de correlaciones entre variables de insumo y resultado de innovación
| OUT61 | OUT62 | OUT63 | OUT71 | OUT72 | OUT73 | Suma | |
| IN11 | 0 | 1 | 0 | 0 | 0 | 1 | 2 |
| IN12 | 1 | 1 | 0 | 0 | 0 | 1 | 3 |
| IN13 | 0 | 1 | 0 | 0 | 1 | 1 | 3 |
| IN21 | 1 | 1 | 0 | 0 | 0 | 0 | 2 |
| IN22 | 1 | 1 | 0 | 1 | 0 | 0 | 3 |
| IN23 | 1 | 1 | 0 | 1 | 0 | 1 | 4 |
| IN31 | 1 | 1 | 0 | 1 | 0 | 1 | 4 |
| IN32 | 0 | 0 | 0 | 0 | 1 | 1 | 2 |
| IN33 | 0 | 0 | 0 | 0 | 1 | 1 | 2 |
| IN41 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| IN42 | 1 | 1 | 0 | 0 | 0 | 1 | 3 |
| IN43 | 1 | 1 | 0 | 1 | 0 | 0 | 3 |
| IN51 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
| IN52 | 1 | 1 | 0 | 1 | 0 | 1 | 4 |
| IN53 | 1 | 1 | 1 | 1 | 0 | 1 | 5 |
| Suma | 10 | 11 | 3 | 6 | 5 | 10 |
Fuente: Elaborado a partir de la tabla 3.
Con esta combinación lineal de 7 SP (4 insumos y 3 resultados) se reduce nuestra estructura de datos y encontramos una organización cuyos dos primeros componentes recuperan 79% de la varianza (tabla 4).
Antes de llegar a ello, mostramos la figura 2, que exhibe los valores de los indicadores de insumo seleccionados. Obsérvese que Investigación y desarrollo es un indicador con un valor por debajo del promedio del resto, además de mostrar un outlier, pero que no invalida el conjunto del ejercicio, pues en general el indicador muestra una baja evaluación a la actividad de investigación y desarrollo. En cambio, se observa que el insumo TIC tiene la mejor evaluación para el conjunto de los países. De la misma se colige que el insumo vínculos con la innovación observa una baja dispersión y, por tanto, una baja desviación estándar.
La figura 3 muestra los valores de los indicadores de resultados; en este caso sobresale que el indicador Impacto del conocimiento observa una mayor dispersión que los otros resultados, sin embargo, no captura ningún dato outlier, aunque el resultado impacto del conocimiento observa una amplia distribución de datos.
Luego la tabla 5 muestra que los dos primeros componentes del ejercicio explican el 79.06% de la varianza, donde el componente 1 presenta 69% de la información y 10% el componente 2; asimismo, las dos primeras columnas (Comp1 y Comp2) de la tabla 6 proveen los coeficientes normalizados para la combinación lineal de variables que mejor representan al conjunto en el plano bidimensional, y la tabla 7 muestra la adecuación de la muestra.
Tabla 5 - Componentes principales.
| Componente | Eigenvalue | Diferencia | Proporción | Acumulado |
|---|---|---|---|---|
| Comp1 | 4.83303 | 4.13151 | 0.6904 | 0.6904 |
| Comp2 | 0.701512 | 0.233026 | 0.1002 | 0.7906 |
| Comp3 | 0.468486 | 0.0410924 | 0.0669 | 0.8576 |
| Comp4 | 0.427394 | 0.102881 | 0.0611 | 0.9186 |
| Comp5 | 0.324512 | 0.144995 | 0.0464 | 0.965 |
| Comp6 | 0.179518 | 0.113966 | 0.0256 | 0.9906 |
| Comp7 | 0.065552 | . | 0.0094 | 1 |
Fuente: Elaboración con datos del IIG, 2022
Tabla 6 - Autovalores
| Variable | Comp1 | Comp2 | Comp3 | Comp4 | Comp5 | Comp6 | Comp7 |
|---|---|---|---|---|---|---|---|
| I+D | 0.3802 | -0.434 | -0.3046 | 0.3018 | 0.4595 | 0.0662 | 0.5174 |
| TIC | 0.4014 | 0.1162 | -0.2771 | -0.0748 | -0.5278 | 0.6784 | 0.0649 |
| Vínculos | 0.3697 | 0.3791 | 0.0419 | -0.4824 | 0.6288 | 0.1915 | -0.2305 |
| Absorción conocimiento | 0.3366 | -0.4366 | 0.8153 | -0.058 | -0.0891 | 0.1366 | -0.038 |
| Creación conocimiento | 0.4184 | -0.2149 | -0.2634 | 0.3065 | -0.0561 | -0.2576 | -0.7388 |
| Impacto conocimiento | 0.4013 | 0.0062 | -0.1155 | -0.5022 | -0.3197 | -0.6183 | 0.2982 |
| Creatividad |
0.329 | 0.6462 | 0.2849 | 0.5667 | -0.0412 | -0.1773 | 0.1968 |
Fuente: Elaboración con datos del IIG, 2022
Tabla 7 - Estadística de adecuación de muestra
| Variable | KMO |
|---|---|
| I+D | 0.7230 |
| TIC | 0.9271 |
| Vínculos | 0.7754 |
| Absorción conocimiento | 0.9470 |
| Creación conocimiento | 0.7387 |
| Impacto conocimiento | 0.7991 |
| Creatividad |
0.7472 |
| Total | 0.7975 |
Fuente: Elaboración con datos de IIG, 2022
La gráfica biplot (Figura 4) muestra los componentes y la distribución de países conforme los SP. Primeramente se observa que las mayores desviaciones estándar corresponden a los insumos Investigación y desarrollo (IN23) y TIC (IN31); es interesante considerar que al formar entre ambos vectores el ángulo de mayor apertura, ambos insumos observan una baja correlación; en ese sentido, ambos SP junto con el resultado impacto del conocimiento (OUT62), parecen ser los tres SP que mayormente pueden explicar parecidos-diferencias entre países.
Luego encontramos muy baja desviación estándar del insumo vínculos con la innovación (IN 52) y el resultado creatividad on line (OUT73), que a la par muestran una alta correlación entre ellas, de modo que en términos generales el conjunto de los países observa las puntuaciones menos dispersas en términos de estos SP.
Adicionalmente se observa una alta correlación entre los insumos investigación y desarrollo (IN23) y absorción de conocimiento (IN53), y de estos con el resultado creación de conocimiento (OUT61). Los países que representan una relación de tal naturaleza son México, Brasil y Argentina, particularmente para este país la correlación entre absorción de conocimiento y creación de conocimiento es mayor; para México y Brasil es más importante el indicador de investigación y desarrollo.
Luego observamos una alta correlación entre las TIC (IN31) y de los vínculos con la innovación (IN52) con los resultados impacto del conocimiento (OUT62) y creatividad online (OUT73), que particularmente caracteriza a Costa Rica y Colombia y, con menos fuerza, a Chile y Uruguay. Para estos dos países las TIC (IN31) observan una mayor importancia, particularmente en el caso de Chile.
Como ya puntualizábamos, entre investigación y desarrollo (IN23) y TIC (IN31) la correlación es baja, por lo que en esa perspectiva México y Brasil poco parecido observan con respecto al resto de los países, particularmente Uruguay y Chile.
El caso de Perú es interesante pues aparece prácticamente en el vértice de las dimensiones 1 y 2, lo que parece indicar la importancia del conjunto de los SP, aunque son poco significativos.
Ahora bien, si ordenamos de manera descendente a los países sobre la dimensión 1 tenemos que, en términos de los SP, en primer lugar, se ubica Brasil, seguido de Chile y México, etcétera. A partir de Perú, se observa que, para Panamá, Paraguay y, en menor medida para Ecuador y República Dominicana, la investigación y desarrollo (IN23) muestra una correlación negativa y las TIC (IN31) muestran una menor importancia que para Costa Rica, y, en especial que para Uruguay y Chile.
De igual manera, para Honduras, Nicaragua, Guatemala y El Salvador las TIC (IN31) muestra una correlación negativa e investigación y desarrollo (IN23) es un insumo prácticamente irrelevante.
Primeramente, es significativo que de 21 SP, siete permitan hacer una caracterización estadísticamente confiable para el conjunto de los países de América Latina (figura 4). Eso, en sí mismo, da una noción de que si bien el IIG es consistente para el estudio de la innovación, y de que las observaciones de investigaciones previas para la región son válidas en conjunto en relación con el tipo de recomendaciones que se recogen para mejorar la posición de los países (Torres-Samuel et al., 2020 con respecto a la educación y la investigación), al interior de la región existen diferencias, lo que conlleva, necesariamente, a formular matices con respecto al tipo de recomendaciones que puedan emitirse.
En otra vertiente de análisis, de acuerdo con evidencia revisada para este trabajo, cuando se caracterizan países en función del nivel de ingresos, la incidencia de los insumos y los resultados de innovación varían y suelen ser más consistentes para países de altos ingresos (Khedhaouria y Thurik, 2017). Para el caso de los países latinoamericanos, si nos remitimos al criterio del nivel de ingresos, observamos que los países con los niveles medio bajo (El Salvador y Honduras) y bajo (Nicaragua) observan una caracterización en términos de los SP muy similares a Guatemala (nivel de ingreso medio alto). Chile y Uruguay, los países de alto ingreso en la región, son los que más se parecen, en función del insumo TIC y el impacto del conocimiento (UOT62). El resto de los países, todos con nivel de ingreso medio alto, observan una mayor diversidad. En esos términos, el uso de SP dificulta homogenizar el comportamiento de países en términos del IIG y a la par emite evidencia parcial de que incluso en países de ingreso medio alto pueden existir diferencias importantes.
Es por ello, de acuerdo con los datos, interesante identificar que las condiciones de la innovación en América Latina pueden plantearse en términos de un gráfico de 4 cuadrantes, cada uno de los cuales ofrece un subconjunto de países, con características específicas. Por una parte, se observa una caracterización de países, que representan las economías más grandes de la región, para los que la actividad de investigación y desarrollo es un insumo importante, pero, paradójicamente, no las TIC e, inversamente, para el subconjunto de países para los que éstas son importantes, no lo es investigación y desarrollo. El mismo análisis nos señala, adicionalmente, que el insumo investigación y desarrollo es más cercano al resultado creación de conocimiento, que el insumo TIC, aunque éstas tienen mayor impacto sobre los resultados impacto del conocimiento y creatividad on-line.
Conclusiones
Los resultados dan una noción de la diversidad que representa la región latinoamericana en términos de innovación. Si bien no es un objetivo que nos planteamos en este trabajo, los resultados pueden dar pauta para caracterizar los sistemas de innovación en la región, tema que también está presente en la literatura que emplea el IIG, dado que las diferencias en la puntuación en sí mismas dan noción de variables institucionalizadas al nivel nacional, con un peso diferenciado en términos de su relevancia en relación con otros países.
