A. Innovación y productividad

El modelo de referencia utilizado en la literatura⁴ es el modelo de ^{Crepón et al. (1998)}, conocido como CDM. Este modelo considera⁵: 1) la decisión de la empresa de participar en las actividades de innovación, 2) la empresa decide la intensidad de la inversión en I+D, 3) la función de producción de conocimiento, como consecuencia de las intensidades de las inversiones en innovación y 4) la función de producción, que explica la productividad de la empresa por los resultados de la innovación junto con otros insumos.

El modelo CDM se inspira en resultados empíricos y teóricos previos. Desde los primeros trabajos de ^{Schultz (1953}) y ^{Griliches (1958)} para evaluar la relación entre la productividad y la I+D varios modelos teóricos han atribuido un papel protagónico a la I+D en el impulso de la productividad y, por ende, del crecimiento económico (^{Aghion y Howitt, 1992}; ^{Grossman y Helpman, 1991}; ^{Rivera-Batiz y Romer, 1991}; ^{Romer, 1990}). Desde una perspectiva empírica la evidencia pragmática ha constatado que cerca de la mitad de las disparidades en ingreso per cápita y tasa de crecimiento entre países pueden explicarse por las diferencias en la productividad (^{Hall et al., 2009}), pero lo que es aún más importante es que las actividades de I+D podrían explicar hasta un 75 % de las variaciones en la productividad (^{Griliches, 1995}).

^{Van Leeuwen (2002)} adapta el modelo CDM para Holanda y encuentra que la persistencia de la innovación en el tiempo es menor si se usa innovación en productos en lugar de la intensidad en I+D. Además, este estudio comprueba la hipótesis sobre los retornos decrecientes a escala de I+D a medida que existe un mayor nivel acumulado de capital de conocimiento (medido por el historial de innovaciones realizadas).

De la misma manera, ^{Lööf et al. (2001)} encuentran que, en Finlandia, el tamaño de las empresas tiene un efecto negativo en la intensidad del esfuerzo en I+D, un efecto positivo en Noruega y un efecto no significativo en Suecia. ^{Baldwin et al. (2003)} estimaron que la probabilidad de introducir un producto (o proceso) innovador aumenta 24 % (o 15 %) en empresas que realizan esfuerzos en I+D en las empresas manufactureras de Canadá.

Para el caso de América Latina, se encuentran resultados mixtos e impactos heterogéneos de la innovación sobre la productividad. Por un lado, ^{Raffo et al. (2008)} encuentran efecto positivo y significativo en la innovación de productos solo para Brasil y México, pero no para Argentina. De manera similar, ^{Chudnovsky et al. (2006)} muestran que las empresas argentinas con mayor tamaño son las más propensas a realizar actividades de innovación y lanzamiento de productos innovadores al mercado; sin embargo, tampoco encuentran un efecto significativo de la innovación sobre la productividad.

Por otro lado, ^{Arbeláez y Torrado (2009)}, ⁽²⁰¹¹⁾ encuentran que la adaptación (innovación que resulta de la introducción de nuevos bienes y servicios al mercado doméstico) incrementa las ventas pero no la PTF en las empresas colombianas. Sin embargo, la verdadera innovación (que resulta de nuevos bienes y servicios introducidos al mercado internacional) tiene un impacto positivo en las ventas y en la PTF.

De manera similar, ^{Crespi y Zuñiga (2010)}, ⁽²⁰¹²⁾ demuestran la semielasticidad de la innovación tecnológica sobre la productividad en Argentina (0.24), Chile (0.60), Colombia (1.92), Panamá (1.65), Uruguay (0.80) y Costa Rica (0.63, aunque no es significativo). Los autores mencionan que el impacto es heterogéneo principalmente por las políticas y los instrumentos regulatorios que tiene cada país en temas de innovación. Finalmente, la innovación no tecnológica (relacionada con nuevas prácticas de mercadeo y de organización) no tiene impactos significativos sobre la productividad.

^{Álvarez et al. (2011)} también evalúan la relación entre innovación, investigación y desarrollo, y productividad en Chile. Los autores encuentran que: 1) empresas más grandes invierten más en I+D, 2) la intensidad del gasto en I+D incrementa la probabilidad de innovar en procesos, 3) asimismo, ella no afecta a la probabilidad de innovar en productos, 4) la menor apropiabilidad disminuye la probabilidad de innovar en procesos y 5) la productividad aumenta con la innovación en procesos (la semielasticidad varía entre 1.12 y 1.54). Finalmente, no se encuentra evidencia estadísticamente significativa del efecto de la innovación en productos sobre la productividad.

^{Acemoglu et al. (2006)} sugieren que la pérdida de impacto de la innovación sobre la productividad en países en desarrollo es debida a que los incentivos para invertir en innovación son insuficientes considerando que se encuentran lejos de la frontera tecnológica. Además, en muchos casos las empresas que invierten en I+D lo destinan a transferencia tecnológica (es decir, adquisición de maquinaria y equipo o compras de tecnología no incorporada) y, por ende, realizan pocos cambios significativos en sus productos basados principalmente en la imitación (learning by copying) y con poco o ningún impacto en los mercados internacionales (^{Anlló y Suárez, 2009}; ^{Navarro et al., 2010}). Finalmente, la inversión en I+D es en muchos casos difícil de implementar (ya sea por costos financieros o por falta de mano de obra calificada), por lo que el efecto sobre la productividad puede darse después de un horizonte de tiempo mucho más largo de lo esperado.

A nivel nacional, la literatura sobre innovación es limitada y no hay evidencia que considere cuáles son los determinantes de la innovación y su efecto en la productividad. ^{Kuramoto (2007)} realiza una revisión bibliográfica para dar luces sobre el estado actual y la evolución de las políticas de ciencia y tecnología⁶ en el Perú. La autora señala que, dada la existencia de pocas empresas grandes y un gran número de pequeñas empresas, se hace difícil establecer y consolidar cadenas productivas que permitan consolidar sus capacidades de innovación. ^{Díaz y Kuramoto (2011)} evalúan las políticas⁷ de innovación en el país, y mencionan la necesidad de generar condiciones para que el desarrollo de actividades científico-tecnológicas se convierta en la fuente de crecimiento de mediano y largo plazo.

^{Morón y Serra (2010)} evalúan la importancia de la innovación en el sector exportador textil. Los autores demostraron que existen tres determinantes para introducir un nuevo producto en un nuevo mercado: 1) ser una empresa que invierte en tecnología, 2) la experiencia de la empresa y 3) ser una empresa grande. Finalmente, ^{Granda y Corilloclla (2013)} muestran los principales indicadores de la innovación tecnológica usando la Encuesta Nacional de Innovación en la Industria Manufacturera 2012, la cual resalta que el 25 % de las empresas dedicó recursos a la inversión en I+D y el 55.4 % de estas obtuvo algún resultado de innovación a nivel de producto y de proceso.

B. Innovación, exportaciones y productividad

Existe también evidencia empírica que muestra que las empresas exportadoras son más productivas que las que solo participan en mercados domésticos. En particular, el aprendizaje exportando (learning by exporting) explica que la relación positiva entre exportaciones y productividad se origina por las ganancias en I+D. Así, el acceso a nuevas tecnologías, a las cuales no tienen acceso los no exportadores, contribuiría a incrementar la productividad de las firmas luego de entrar a los mercados internacionales (^{Bravo-Ortega et al., 2014}).

Sin embargo, la literatura internacional también ha argumentado que el fenómeno anterior podría ser el resultado de una causalidad que va de la productividad a la orientación exportadora de las empresas. Esta hipótesis de autoselección (self-selection) indica que la relación de causalidad entre exportaciones y productividad es en el sentido inverso, es decir, cuando la empresa empieza a exportar, incurre en costos tales como investigación de mercado, mercadeo, permisos, licencias, entre otros. Por esta razón, las empresas más grandes o más eficientes son más propensas a enfrentar estos costos de manera satisfactoria (^{Álvarez y López, 2005}; ^{Álvarez y García, 2008}; ^{Bernard et al., 2003}; ^{Bravo-Ortega et al., 2014}; ^{Melitz, 2003}).

De la misma manera, estudios se han centrado en analizar el efecto de las innovaciones sobre las exportaciones (exporting by innovating). Uno de los primeros estudios fue el de ^{Ito y Pucik (1993)}, que encuentran una relación positiva entre el gasto en I+D y las exportaciones para las empresas japonesas. Además, ^{Lefebvre et al. (1998)}, con datos de pequeñas empresas en Canadá, encuentran que los esfuerzos en I+D, tales como investigación básica o productos mejorados, afectan de manera diferenciada a los exportadores y no exportadores. De manera similar, usando la metodología de mínimos cuadrados asintóticos (ASLS) y la de dos etapas (2SLS), ^{Álvarez et al. (2005)} y ^{Bravo-Ortega et al. (2014)} encuentran que las empresas chilenas que invierten en I+D se convierten en exportadores. ^{Van Beveren y Vandenbussche (2010)} usan estimaciones por variables instrumentales para corregir por problemas de endogeneidad, y encuentran que las empresas primero innovan y luego exportan. Sin embargo, ^{Damijan et al. (2008)} y ^{Aw et al. (2011)} controlan la endogeneidad usando un estimador matching y no encuentran evidencia de que las innovaciones incrementan la propensión a exportar.

El impacto de la orientación exportadora sobre el gasto en I+D (innovating by exporting) también ha sido tratado por la literatura empírica⁸. ^{Salomon y Shaver (2005)} evalúa la presencia de innovating by exporting para las empresas españolas a través de una estimación GMM, y encuentran que las exportaciones están positivamente relacionadas con el incremento de las innovaciones. ^{Girma et al. (2008)} usan un probit bivariado y encuentran evidencia de que el estatus exportador impacta positivamente sobre el gasto en I+D de las empresas irlandesas. ^{Damijan et al. (2008)} usan técnicas de matching para controlar por endogeneidad, y encuentran que la experiencia de exportar en el pasado incrementa la innovación. ^{Aw et al. (2011)} a partir de un modelo estructural encuentran que la experiencia exportadora y la I+D son importantes fuentes del crecimiento de la productividad, pero no la experiencia exportadora pasada. Finalmente, ^{Bravo-Ortega et al. (2014)} encuentran un impacto negativo de las exportaciones sobre el gasto en I+D de las empresas chilenas. Los resultados de este estudio sugieren que las empresas que se encuentran en el mercado internacional reducen su propensión a gastar en I+D, encontrando un trade-off entre ambas variables.

^{Filipescu et al. (2013)} estudian cómo la innovación (medida como intensidad en I+D e innovaciones en productos y procesos) y las exportaciones, pueden influenciarse mutuamente. Los resultados de la causalidad entre ambas variables por medio de un panel de 696 empresas manufactureras españolas en el lapso 1994-2005 permiten evidenciar la relación recíproca entre innovación tecnológica y exportación. Los autores argumentan que esta doble causalidad se da a medida que mientras la empresa desarrolla actividades de exportación, adquiere conocimientos que ayudan a desarrollar nuevas innovaciones tecnológicas, lo que a su vez posibilita a la empresa aumentar su intensidad exportadora, por un lado, y diversificar los mercados globales donde participa. Esta mutua reciprocidad o causalidad es lo que se ha denominado mutual reinforcing, el cual se corrobora mediante la prueba de causalidad de ^{Granger (1969)}.

A. Decisión e intensidad del gasto en I+D

En la primera etapa se asume una variable latente que es explicada por un conjunto de variables independientes X_i0, y_i y X _i ^* para la empresa i según el modelo Tobit tipo I:

(1)

(2)

Donde α₀ es un término constante, β₀, α₁ y α₂ son coeficientes a ser estimados, u_io es el componente de error y c es el umbral donde la intensidad de gasto en I+D por trabajador en logaritmos ( ) es observado. En esta primera etapa, se controló por la decisión de las empresas de invertir en I+D (canal de transmisión “A”) a través de un modelo Tobit generalizado, tal como lo plantean ^{Hall et al. (2009)} y ^{Cintio et al. (2017)}.

El vector X_i0 se compone de variables independientes que representan: 1) el logaritmo de trabajadores calificados, 2) el porcentaje de financiamiento público y privado que tuvo la empresa para la realización de actividades de innovación, 3) variable dicotómica si la empresa tuvo algún contrato para proveer de bienes o servicios a empresas del sector minero, forestal, acuícola o pesquero, que permitió realizar actividades de innovación (encadenamiento e innovación), 4) el logaritmo del número de derechos de propiedad intelectual, 5) variables dicotómicas relacionadas con diferentes fuentes de información (internas, mercado, institucionales, otras), 6) logaritmo del capital por trabajador, 7) porcentaje del capital extranjero en su capital total, 8) la participación de las ventas de la empresa respecto al total del mercado, 9) variable dicotómica si la empresa se ubica en Lima, 10) años de experiencia de la empresa y 11) el tamaño de la empresas (variables dicotómicas para las micro, pequeñas y medianas/grandes empresas).

Además, y_i representa la productividad laboral, lo cual permite evaluar si α₁ es positivo y estadísticamente significativo (canal de transmisión de “B”). Finalmente, X _i ^* representa las exportaciones por trabajador, lo cual permite evaluar la hipótesis de innovating by exporting evidenciado en la literatura internacional (^{Aw et al., 2011}; ^{Bravo-Ortega et al., 2014}; ^{Damijan et al., 2008}; ^{Girma et al., 2008}; ^{Salomon y Shaver, 2005}). En este caso si α₂ es positivo y estadísticamente significativo entonces se demuestra la existencia del canal de transmisión “C”.

B. Función de producción de conocimientos

La segunda etapa consiste en analizar la relación entre la intensidad de gasto en I+D por trabajador y el resultado de la innovación. Así, se estima una función de producción de conocimientos, donde la variable latente es explicada por un conjunto de variables independientes W_io y . Por lo tanto, el logaritmo del número de cantidad de innovaciones en productos (bienes y servicios) o procesos¹⁷ tanto nuevos como mejorados (I_i) es observado para la empresa i según el modelo Tobit tipo I¹⁸:

(3)

(4)

Donde δ₀ es un término constante, γ₀ y α₃ son coeficientes a ser estimados, u_i1 es el componente de error y d es el umbral donde I_i es observado. Es importante mencionar que W_i0 es un vector de variables independientes que representan: 1) el logaritmo de trabajadores calificados, 2) el porcentaje de financiamiento público y privado que tuvo la empresa para la realización de actividades de innovación, 3) variable dicotómica si la empresa tuvo algún contrato para proveer de bienes o servicios a empresas del sector minero, forestal, acuícola o pesquero, que permitió realizar actividades de innovación (encadenamiento e innovación), 4) variables dicotómicas relacionadas con diferentes fuentes de información (internas, mercado, institucionales, otras), 5) logaritmo del capital por trabajador, 6) porcentaje del capital extranjero en su capital total, 7) la participación de las ventas de la empresa respecto al total del mercado, 8) variable dicotómica si la empresa se ubica en Lima, 9) años de experiencia de la empresa y 10) el tamaño de la empresa (variables dicotómicas para las micro, pequeñas y medianas/grandes empresas).

Además, representa el valor predicho del logaritmo de gasto en I+D por trabajador obtenido de estimar (1) y (2) conjuntamente. En este caso si la empresa ha introducido una innovación en productos y procesos, esta se espera que fuera principalmente por el monto de inversión en investigación y desarrollo. Así, si α₃ es positivo y estadísticamente significativo, entonces se demuestra la existencia del canal de transmisión “D”.

C. Decisión e intensidad de la exportación

En la tercera etapa se analiza la relación entre los resultados de la innovación y la intensidad exportadora de las empresas. En particular, se estima un modelo Tobit tipo I en el cual la variable latente es explicada por un conjunto de variables independientes Z_i0 y . Por lo tanto, el logaritmo de las exportaciones por trabajador (Exp_i) es observado para la empresa i según el modelo Tobit tipo I¹⁹:

(5)

(6)

Donde τ₀ es un término constante, η₀, α₄, α ₅ y α ₆ son coeficientes a ser estimados, u_i2 es el componente de error y e es el umbral donde Exp_i es observado. Es importante mencionar que Z_i0 es un vector de variables independientes que representan: 1) logaritmo del capital por trabajador, 2) variable dicotómica si la empresa accedió a programa de apoyo público para exportaciones, 3) logaritmo de las exportaciones de 2012, 4) logaritmo de derechos de propiedad intelectual, 5) la participación de las ventas de la empresa respecto al total del mercado, 6) porcentaje de capital extranjero en su capital total, 7) años de experiencia de la empresa, 8) variable dicotómica si la empresa se ubica en Lima y 9) el tamaño de la empresa (variables dicotómicas para las micro, pequeñas y medianas/grandes empresas).

El logaritmo del capital físico (K_i) y el logaritmo del número de trabajadores calificados (SL_i) representan un proxy de la productividad laboral²⁰, por lo que si α₅ y α₆ son estadísticamente significativas, se verifica el canal de transmisión “E”, que indica el cumplimiento de la hipótesis de autoselección (self-selection).

Finalmente, representa el valor predicho del logaritmo del número de cantidad de innovaciones en productos (bienes y servicios) o procesos, tanto nuevos como mejorados, obtenido de estimar (3) y (4). Esto permite evaluar la hipótesis de la innovación como determinante de la intensidad en las exportaciones (exporting by innovating) evidenciada en la literatura internacional (^{Ito y Pucik, 1993}; ^{Lefebvre et al., 1998}; ^{Cassiman et al., 2010}; ^{Becker y Egger, 2013}; ^{Bravo-Ortega et al., 2014}; ^{Cirera et al., 2015}). Por lo tanto, si α₆ es positivo y estadísticamente significativo, entonces se demuestra la existencia del canal de transmisión “F”.

De estimar (5)-(6), el valor predicho del logaritmo de las exportaciones por trabajador ( ) representa la intensidad exportadora dadas las actividades y los resultados de la innovación (es decir, exportaciones innovativas). Finalmente, y tal como lo proponen ^{Cintio et al. (2017)}, el residuo obtenido de estimar (5)-(6) (u _i2 = ) corresponde a la intensidad exportadora que no es explicada por las actividades y los resultados de la innovación (es decir, exportación de productos antiguos o no innovativa). Ambas variables, y , son incluidas en la cuarta etapa de estimación de la productividad.

D. Productividad

La última etapa está relacionada con el impacto de la actividad exportadora y la innovación sobre la productividad laboral (y_i) de las empresas a partir de una regresión por cuantiles. Esta metodología es frecuentemente utilizada en la literatura ya que los efectos de la innovación pueden variar a través de la distribución condicional de la productividad²¹. Así, según ^{Koenker y Bassett Jr. (1978)}, ^{Buchinsky (1998)}, ^{Koenker y Hallock (2001)} y ^{Yasar et al. (2006)} se propone la siguiente especificación econométrica:

(7)

Donde θ indica los cuantiles, Ω_θ = {φ _θ,ω _θ,ρ _θ,μ _θ} son los parámetros a estimar y u_i3 es el error a ser estimado. Además, Q _θ (y _i |H) denota los cuantiles de y_i condicionales a un conjunto de variables explicativas H = {B _io , , , }. En este caso el vector de variables independientes B_i0 representa: 1) participación de las ventas de la empresa respecto al total del mercado, 2) porcentaje del capital extranjero en su capital total, 3) variable dicotómica si la empresa se ubica en Lima, 4) logaritmo del capital por trabajador y 5) el tamaño de la empresa (variables dicotómicas para las micro, pequeñas y medianas/grandes empresas).

El coeficiente ω_θ captura el efecto directo de la innovación a través de la generación de nuevo conocimiento. Si ω_θ es positivo y estadísticamente significativo se demuestra la existencia del canal de transmisión “G” (es decir, que un mayor gasto en I+D permitió desarrollar innovación en productos o procesos incrementando la productividad de las empresas manufactureras peruanas).

El coeficiente ρ_θ representa el efecto indirecto de la innovación sobre la productividad que se realiza a través de la inclusión en los mercados internacionales de nuevos productos o servicios (exportaciones innovativas). Asimismo, μ_θ es el impacto directo de las exportaciones de productos no innovativos sobre la productividad. Si ρ_θ y μ_θ son significativos, se cumple la hipótesis de learning by exporting evidenciada en la literatura internacional²² y se garantiza el canal de transmisión “H”.

Por lo tanto, los estimadores φ _θ, ω _θ, ρ _θ y μ _θ resuelven el siguiente problema:

(8)

Estimar (8) mediante una regresión por cuantiles tiene tres ventajas sobre estimaciones por MCO propuestos en estudios previos. En primer lugar, permite caracterizar toda la distribución de la variable dependiente dado un conjunto de variables regresoras. Así, se puede cuantificar el efecto de una variable de manera más precisa que MCO con base en la media condicional. En segundo lugar, las regresiones por cuantiles son robustas en presencia de heterocedasticidad y distribución de los errores no normales. Finalmente, las regresiones por cuantiles minimizan una función objetivo que es la suma ponderada de las desviaciones absolutas, porque los coeficientes estimados son menos sensibles a outliers (^{Cintio et al., 2017}).

Como medida de robustez, se estima (8) usando como variable dependiente la PTF en lugar de la productividad laboral. Esta ha sido estimada considerando el método de ^{Levinsohn y Petrin (2003)}, que permite estimar de manera congruente los parámetros de una función de producción en presencia de endogeneidad de los insumos productivos. A partir de estudios previos, tales como los de ^{Arbeláez y Torrado (2011)}, ^{Álvarez y García (2011)} y ^{Bravo-Ortega et al. (2014)}, la estimación considera el valor agregado de la empresa, el stock de capital, el número de trabajadores calificados y no calificados, y el consumo de electricidad.

A. Estimación de la decisión de innovación y el gasto en I+D

En primer lugar, para verificar si las empresas se autoseleccionan en la decisión de realizar actividades en I+D, se estima un modelo Tobit de tipo I y un Heckman de dos etapas (Tobit tipo II). Esto permite capturar las diferencias observables en el gasto en I+D. En la Tabla 3 se observan dichas estimaciones, donde primero se estima la ecuación de selección (la decisión de participar en actividades de I+D) mediante un probit. Luego, se calcula el ratio Mill, que es incluido en la ecuación de gasto de I+D. Los resultados indican que el coeficiente de selección no es significativo (-0.197), lo cual indica a su vez que la autoselección no es importante para este estudio y, por ende, se opta por un modelo Tobit tipo I. Esta evidencia es encontrada en estudios tales como ^{Hall et al. (2009)} y ^{Cintio et al. (2017)}.

Los resultados mostrados en la segunda columna de la Tabla 3 (Tobit tipo I) muestra que la mayoría de los coeficientes estimados son estadísticamente significativos (incluso al 1 %) excepto los derechos de propiedad intelectual, la participación que tiene la empresa en la industria, la ubicación de la empresa y los años de experiencia en el mercado.

Tabla 3. Estimación Tobit de decisión y gasto en I+D 

Nota: Los errores estándar son robustos a heterocedasticidad. * p < 0.1. ** p < 0.05. *** p < 0.01.

Fuente: elaboración propia.

Los principales hallazgos muestran que ante un incremento de 1 % de la productividad laboral se incrementó en 0.61 % el gasto en I+D. Además, ante un incremento de 1 % de las exportaciones se incrementa en 0.18 % el gasto en I+D. Si bien, este coeficiente es significativo al 10 %, este resultado indica que el esfuerzo de exportar incentiva a la empresa a realizar gasto en I+D (no la decisión de invertir en I+D) para poder competir en el mercado internacional. Así, se acepta la hipótesis de innovating by exporting para las empresas manufactureras peruanas.

Es importante recalcar que la poca significancia estadística de este resultado se debe a que los países en desarrollo se especializan en sectores donde la innovación no sea particularmente importante para la competencia internacional (^{Álvarez et al., 2011}). Al respecto, se encuentra que el 72 %²³ de las exportaciones peruanas en la industria manufacturera están basadas en recursos naturales que no incorporan algún tipo de tecnología, 18 % son de baja tecnología, 9 % de tecnología media y solo el 1 % de las exportaciones son de alta tecnología (^{Produce, 2015}).

Otro aspecto importante es que trabajadores mejor calificados en la empresa incrementan el gasto que realiza en I+D. Este resultado es acorde con lo esperado ya que más trabajadores con grados de educación superior completa o postgrado, en formación de ciencias, ingeniería y tecnologías, pueden usar de manera más eficiente los instrumentos de innovación tales como hardware y software, entre otros que adquieren las empresas y permiten generar productos o servicios con mayor valor agregado.

De la misma manera, mayor acceso a financiamiento privado (es decir, a través de bancos comerciales y otras empresas) incrementa el gasto en I+D. Este coeficiente es estadísticamente significativo ya que casi el 65 % de las empresas manufactureras peruanas se financian a través de este medio. Por otro lado, solo el 4 % de las empresas recurrieron a financiamiento público -es decir, programas tales como Innóvate Perú, Fondo Nacional de Desarrollo Científico y Tecnológico (Fondecyt), Fondo de Investigación y Desarrollo para la Competitividad (Fidecom), Fondo para la Innovación, la Ciencia y la Tecnología (Fincyt), incentivo tributario a la I+D, entre otros-, lo cual explica la no significancia estadística en dicho coeficiente asociado. Este resultado se debe principalmente a dos razones: 1) el 49 % de empresas innovativas de la industria manufacturera no conocen los programas y servicios públicos de apoyo a la innovación y 2) del 51 % que sí los conocen, solo 25 % se postulan, y de estas, solo 81 % acceden.

Finalmente, se encuentra evidencia estadísticamente significativa de la importancia de integración de las empresas manufactureras con las actividades mineras, forestales y acuícolas o pesqueras del país (encadenamiento) para realizar un mayor gasto en I+D. Así, de las empresas innovativas que tuvieron contrato para proveer bienes o servicios a empresas de otros sectores económicos, el mayor porcentaje de contratos fue con la empresa minera de gran tamaño (explotadora de minerales como cobre, plata, entre otros), que representa casi el 60 %, seguida de la pequeña o mediana empresa minera (explotadora de minerales como cobre, plata, entre otros), con un 53 %. En relación con los contratos con la pequeña o mediana empresa forestal y la empresa forestal de gran tamaño esta fue de solo el 4.6 % y el 2.2 %, respectivamente. En un porcentaje cercano al 2 % están representados los contratos con empresas acuícolas o pesqueras del país.

B. Relación entre el gasto en I+D y resultados de la innovación

Como se observó en las estimaciones anteriores, en este caso también se evalúa autoselección del resultado de la innovación según un procedimiento de dos etapas de Heckman (Tobit tipo II). Tal como se observa en la Tabla 4, la última columna muestra un ratio Mills no significativo (0.062) a los niveles convencionales, por lo que no corregiremos por sesgo de selección y se opta por las estimaciones del modelo Tobit tipo I.

Tabla 4. Estimación resultado de la innovación 

Nota: Los errores estándar son robustos a heterocedasticidad. * p < 0.1. ** p < 0.05. *** p < 0.01.

Fuente: elaboración propia.

Los resultados de las estimaciones del modelo Tobit I son reportados en la segunda columna de la Tabla 4, donde se destaca que las elasticiadades del gasto en I+D e innovación (en productos y procesos) equivalen a 0.38. Este resultado no es sorprendente, dado que la mayoría de literatura ya ha resaltado la importancia del gasto en innovación para la introducción de nuevos productos. De la misma manera, las elasticidades entre los trabajadores calificados e innovación equivalen a 0.36.

Respecto a las fuentes de información para el desarrollo de actividades de innovación, resultan ser más importantes para el caso peruano las internas (dentro de la empresa o grupo de empresas) y de mercado (proveedores de equipo, materiales, componentes o software, clientes, competidores u otras empresas en su sectores) que las institucionales (universidades, institutos de investigación u otros centros de enseñanza superior) y otras (conferencias, ferias, Internet, otros). Este resultado es de esperar ya que las no innovativas son las que usan otras fuentes de información.

Por otra parte, se puede apreciar que la participación en el mercado es significativa y tiene un impacto positivo en ambos tipos de innovación. Esto significa que si el porcentaje de participación de la empresa en el mercado aumenta en diez puntos porcentuales el resultado de la innovación se incrementa en 3.2 %.

C. Relación entre innovación y exportaciones

De la misma manera que los casos anteriores, se evalúa la autoselección en las exportaciones con un procedimiento de dos etapas de Heckman (Tobit tipo II). Tal como se observa en la Tabla 5, dado que el ratio Mills no es significativo (0.323) a los niveles convencionales, no es necesario corregir por sesgo de selección en nuestras estimaciones de intensidad de exportación y se opta por usar las estimaciones del modelo Tobit tipo I.

Tabla 5. Estimación de la intensidad en las exportaciones 

Nota: Los errores estándar son robustos a heterocedasticidad. * p < 0.1. ** p < 0.05. *** p < 0.01.

Fuente: elaboración propia.

La estimación Tobit tipo I muestra que la intensidad en I+D tiene un efecto positivo y significativo en la intensidad en exportación (elasticidad de 0.36). Este resultado no es sorprendente, dado que la mayoría de literatura ya ha resaltado la importancia de la innovación como conductora del comercio internacional. Exitosamente los exportadores son a menudo innovadores debido a que la innovación ayuda a las empresas a encarar mejor la intensa competencia en los mercados internacionales (^{Bravo-Ortega et al., 2014}; ^{Cintio et al., 2017}). Por lo tanto, se demuestra el cumplimiento de la hipótesis de innovación como determinante de la intensidad en las exportaciones (exporting by innovating) para el caso peruano.

También se encuentra evidencia estadísticamente significativa de que se cumple la hipótesis de autoselección (self-selection) en el caso peruano. Al respecto, las elasticidades del stock de capital y trabajadores calificados (proxys de la productividad laboral) respecto a las exportaciones son 0.19 y 0.40, respectivamente. Al respecto, tal como se indica en ^{Álvarez y García (2008)}, ^{Bravo-Ortega et al. (2014)}, cuando la empresa empieza a exportar, incurre en costos tales como investigación de mercado, mercadeo, permisos, licencias, entre otros, los cuales solo puede enfrentar si es altamente productiva o eficiente.

D. Relación entre innovación, exportaciones y productividad

A continuación se muestra el impacto entre la innovación y las exportaciones sobre la productividad laboral y la PTF considerando las estimaciones anteriores. Dado que los efectos de la innovación pueden variar a través de la distribución condicional de la productividad, vale la pena calcular estas estimaciones por quintiles, un método que es generalmente más eficiente que el de 2SLS (^{Bravo-Ortega et al., 2014}; ^{Cintio et al., 2017}).

Los resultados de la Tabla 6 muestran que los efectos directos e indirectos de la innovación (es decir, log Innovaciones predichas ( ) y log Exportaciones innovativas predichas ( ), respectivamente) incrementan la productividad en todos los quintiles. Respecto al efecto directo, se corrobora el papel protagónico de la innovación en el impulso de la productividad evidenciado en la literatura internacional ya que es el que mayor impacto presenta (elasticidad entre 0.22-0.37).

Asimismo, se destaca el cumplimiento de learning by exporting para el caso peruano debido a que existe una relación positiva entre exportaciones y productividad que se origina por las ganancias en I+D (efecto a través de ). Si bien el efecto es pequeño (fluctúa entre 0.01²⁴-0.07), se espera que cuando las empresas manufactureras peruanas incrementen el volumen de exportaciones de alta tecnología mayor será el efecto sobre la productividad (^{Bravo-Ortega et al., 2014}). Finalmente, es de esperar que mayores exportaciones con productos no innovativos reduzcan la productividad de las empresas. Por lo tanto, los resultados sugieren que la innovación tecnológica en promedio es asociada con un aumento del 23 %-44 % según quintil de la productividad laboral.

Un aspecto a resaltar es que no necesariamente las mayores innovaciones realizadas por las empresas se encuentran en aquellas que tienen una productividad mayor. Por ejemplo, tal como se puede observar en la Tabla 6, aquellas empresas que se encuentran en el quintil 0.25 innovan menos que las ubicadas en el quintil 0.10. Esta última evidencia si bien es similar a lo obtenido por ^{Cintio et al. (2017)}, se explica por la medición de productividad (ventas entre el número de trabajadores) que al estar relacionado con algunas regresoras (endogeneidad) puede sesgar la magnitud de algunos coeficientes.

Tabla 6. Estimación de la productividad laboral 

Nota: Los errores estándar son robustos a heterocedasticidad. * p < 0.1. ** p < 0.05. *** p < 0.01.

Fuente: elaboración propia.

Por esta razón, en la Tabla 7 se muestra la misma metodología anterior, pero usando la PTF como variable dependiente. Los resultados obtenidos no solo son estadísticamente significativos como en la Tabla 6, sino que además son acordes con lo esperado por la literatura realizada para América Latina. Así, la evidencia empírica encontrada en este estudio sugiere que la elasticidad entre los efectos directos (nuevos productos o servicios significativamente mejorados) e indirectos (nuevas exportaciones con mayor valor agregado) de la innovación con respecto a la PTF fluctúan aproximadamente entre 0.16 y 0.45, según quintil de productividad. De usarse el método de estimación MCO, se encuentra una elasticidad de 0.29.

Tabla 7. Estimación de la intensidad en las exportaciones 

Nota: Los errores estándar son robustos a heterocedasticidad. * p < 0.1. ** p < 0.05. *** p < 0.01.

Fuente: elaboración propia.

Este resultado se encuentra en el rango de los valores reportados en el estudio de ^{Crespi y Zuñiga (2010)}, ⁽²⁰¹²⁾ usando como variable dependiente la productividad laboral: Argentina (0.24), Chile (0.60), Colombia (1.92), Panamá (1.65) y Uruguay (0.80). Por otro lado, ^{Arbeláez y Torrado (2011)} y ^{Bravo-Ortega et al. (2014)} encuentran una elasticidad de la innovación y la PTF entre 0.10-0.13 y 0.30-0.36 para el caso colombiano y chileno, respectivamente.

Por otro lado, la cantidad de exportaciones de productos antiguos o no innovativos ( ) no incrementa la PTF y más bien, la reduce. Este resultado es muy importante porque muestra la deficiencia que tienen las empresas peruanas por solo exportar productos sin algún agregado tecnológico, que si bien en el corto plazo pueden generar ganancias, en el largo plazo pueden desaparecer del mercado externo al no contener ningún valor agregado respecto a otro producto extranjero que sí contiene algún componente tecnológico.