Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Citado por Google 
Similares en
SciELO 
Similares en Google 
Permalink
Introducción
De acuerdo con Busso, Cristia, Hincapié, Messina y Ripani (2017), "las habilidades pueden ser consideradas como capacidades innatas o adquiridas que aumentan la productividad de un individuo" (p. 25); por ende, se entiende que las capacidades de absorción son habilidades adquiridas, transmitidas de un emisor a un receptor, que revelan la capacidad de aprendizaje (innata o adquirida) del receptor y, posteriormente, dado el grado de absorción de dicho aprendizaje (adquisición, asimilación y explotación), se refleja la habilidad del receptor para generar ideas a fin de solucionar problemas de manera innovadora y desarrollar diversas capacidades en ambos sujetos (emisor y receptor).
En consecuencia, se resalta que el determinante más importante en el aprendizaje de los individuos son sus capacidades, principalmente su capacidad de aprender (absorción), y quizá el factor más crucial en ello es la educación. Sin embargo, a lo largo de los últimos cuarenta años se han explorado las consecuencias de la asimetría de información, pero las consecuencias del conocimiento diferencial no han sido examinadas (Stiglitz & Greenwald, 2014). Esto se debe, en parte, a que el conocimiento y el know-how están localizados geográficamente, lo que contribuye a la aparición de diferencias en la capacidad de absorción de las distintas entidades (Hidalgo, 2017). Además, la dificultad de analizar a fondo dichas capacidades radica en que "[...] las capacidades no son claramente conmensurables, puesto que son irreductiblemente diversas" (Sen, 2015, p. 270). Así pues, para entender el rompecabezas de las desigualdades económicas y de consumo, antes debemos entender los mecanismos globales que limitan la difusión del conocimiento, obtenida gracias a la capacidad de absorción de los agentes (Hidalgo, 2017).
Entonces, si la educación es el medio para incrementar o consolidar la capacidad de absorción a nivel macro, analizar la capacidad de absorción doméstica de una economía en vías de desarrollo se torna crucial para entender y buscar estimular el aporte de los emisores/receptores del conocimiento para la generación de ideas innovadoras, que a la postre impacten en el desarrollo económico de las regiones.
Además, si se considera que la calidad de vida no está determinada por las utilidades sino por las capacidades, es decir, las características de las personas que les permiten funcionar en el mundo y acceder a una vida más plena (Sen, citado por Cecchini, 2005), resulta por demás pertinente y justificable encaminar esfuerzos de investigación dirigidos al análisis del comportamiento de la capacidad de absorción y su relación en la generación de innovación o conocimiento tecnológico.
Por ende, la presente investigación busca medir el grado de impacto que tienen los indicadores macroeconómicos de la capacidad de absorción y el stock de conocimientos sobre los resultados tecnológicos logrados (medidos en patentes solicitadas) en México, puesto que, según Audrescht y Feldman (1996), la consideración del territorio y de las ramas de conocimiento en el estudio de la innovación ha abierto una discusión a lo que sucede en entidades subnacionales. La estimación de la función de producción del conocimiento ha evolucionado de la exploración de unidades espaciales amplias (países) a otras más reducidas geográficamente (regiones y ciudades).
Por lo tanto, en este caso se propone, por primera vez, la examinación de la función de producción de ideas formulada por Romer (1990), sobre las 32 entidades de la república mexicana, considerando una serie temporal que va desde el 2000 hasta el 2016, y teniendo como pregunta central la siguiente: ¿en qué medida la generación de conocimiento tecnológico es impactada por las capacidades de absorción (medidas por el acervo de recursos humanos)? De este modo se asume, además, la hipótesis de que en México existe una amplia heterogeneidad estructural tecnológica que se puede confirmar empíricamente, si los efectos fijos espaciales resultan estadísticamente significativos.
La organización del trabajo se detalla de la siguiente manera: en una primera sección se muestra en breve la revisión de la literatura; posteriormente, se desglosa la metodología cuantitativa utilizada; luego, se presentan el análisis, los resultados y las interpretaciones, para finalmente emitir las conclusiones del estudio.
Revisión de la literatura
El concepto de capacidad dinámica de absorción tiene origen en la macroeconomía, haciendo referencia a la habilidad de una economía para utilizar e incorporar los recursos y la información externa (Alder, 1965). Posteriormente, Cohen y Levinthal (1990) conceptualizan la capacidad de absorción como "la habilidad de reconocer el valor de la nueva información, asimilarla y destinarla a fines comerciales" (p. 128), por lo que dicha capacidad subyace a la capacidad innovadora.
Un precepto más amplio es considerar la capacidad de absorción de manera relativa, como la habilidad de un ente -receptor o alumno- para valorar, asimilar y aplicar el conocimiento derivado de otro ente -emisor o profesor-(Lane & Lubatkin, 1998).
Por su parte, Kim (1998) indica que la capacidad de absorción refleja la capacidad para aprender y desarrollar habilidades para solucionar problemas. En ese sentido, Stiglitz y Greenwald (2014) revelan que "[...] las sociedades con individuos más educados tienen una mayor capacidad de aprender y es más probable que aprendan" (p. 121), y posteriormente que innoven.
Es posible afirmar que la creación de capacidades de absorción doméstica es esencial para la explotación de la tecnología, tanto con respecto a la adopción como a la generación de nuevos productos y procesos (innovaciones). La forma de incrementar estas capacidades se realiza mediante la adquisición de conocimiento en sus diferentes formas (formal o informal, codificable o tácito), y se encuentra severamente condicionada por la acumulación previa de capacidades locales. De este modo, las propiedades de absorción tienen la particularidad de retroalimentarse, dado que cuanto mayor es el nivel de capacidades domésticas, mayores son las oportunidades de acceder a nuevos conocimientos e incorporarlos exitosamente a la estructura productiva. Una de las aproximaciones más tradicionales para medir la evolución de las capacidades de absorción de los agentes es el análisis de la demanda de conocimiento, es decir, la tasa de alfabetización; la tasa de enrolamiento primario, secundario y terciario; el número de graduados en ciencia e ingeniería, y el número de personas dedicadas a la investigación, ciencia y tecnología (Lugones, Gutti, & Le Clech, 2007).
Por otra parte, teorías recientes del crecimiento económico han puesto atención al cambio tecnológico endógeno para explicar los patrones de crecimiento de las economías mundiales (Ulku, 2004). Paralelamente, y de acuerdo con algunos autores (Stern, Porter, & Furman, 2000; Baumert & Heijs, 2002; Chinaprayoon, 2007; Hu & Mathews, 2008; Gans & Hayes, 2009), se evidencia que los modelos econométricos construidos están principalmente basados en el modelo de crecimiento endógeno propuesto por Romer (1990), en el que el flujo de nuevas ideas (Å) está en función del capital humano (HA) y el stock de conocimiento, en la economía (A). Esta relación está indicada por la siguiente función de producción basada en el conocimiento:
Derivado de lo anterior, Stern et al. (2000), Ulku (2004) y Chinaprayoon (2007) realizan una serie de estudios econométricos y encuentran que el modelo de Romer (1990) puede caracterizar la capacidad de absorción y de innovación de un país, dada la función de producción del desarrollo tecnológico (I+D), tal como se muestra en la ecuación (2), que puede ser representada en forma logarítmica:
La ecuación (2) implica que, con un crecimiento en 1% de A y H, se incrementa la función de producción de ideas (Å), por 1°% y θ%, respectivamente. En el modelo de Romer (1990), se asume que θ es igual a uno.
De esta manera, el presente trabajo busca desarrollar la función de producción de ideas de Romer (1990), tal y como Furman, Porter y Stern (2002) lo han estimado para países desarrollados, altamente industrializados. A sabiendas de que, como indican Stiglitz & Greenwald (2014), gran parte del conocimiento tecnológico se construye sobre la base de otras innovaciones tecnológicas. Sin embargo, algunas veces una idea puede incitar nuevas ideas, aún si las nuevas ideas no utilizan la antigua o no se basan directamente en ella. En este sentido, actúan como un catalizador (un químico que facilita una reacción pero que no se utiliza en el proceso). Bajo esta investigación se pretende hallar los detonadores del conocimiento tecnológico (producción de ideas -calibradas en patentes solicitadas-) y la medida en que la capacidad de absorción juega como catalizador de dichas ideas.
Metodología
La metodología implementada para el presente trabajo consiste en desarrollar un análisis econométrico, con el fin de medir el grado de impacto (porcentaje de elasticidad) que tienen los indicadores macroeconómicos de la capacidad de absorción y el stock de conocimiento sobre los resultados tecnológicos logrados (medidos en patentes solicitadas) en México (32 entidades). Para ello, se toma en cuenta una serie temporal que va del 2000 al 2016. El análisis se completa a través de siete etapas que se presentan a continuación, aunque se describirán puntualmente en las siguientes secciones:
Presentar la estadística descriptiva de las variables previamente normalizadas por el tamaño de la población de cada estado.
Establecer las especificaciones del modelo econométrico.
Elaborar la matriz de correlaciones de las variables independientes para evitar problemas de multicolinealidad.
Transformar las variables independientes resultantes y las variables dependientes predeterminadas en Logaritmo Natural (Ln) -con excepción de las que estén expresadas en forma porcentual-.
Definir las ecuaciones de regresión conforme la ecuación (2): Log (Å) = Log (A) + θ Log (H).
Correr el modelo econométrico y las pruebas de especificación con base en la técnica de estimación de panel de datos con efectos fijos.
Interpretar los resultados obtenidos.
Variables del estudio
Todas las variables se enlistan en la tabla 1 y estarán normalizadas por las series de población para poder tomar en cuenta el tamaño de la economía de cada estado. Adicionalmente, como se sugiere por la mayoría de los estudios previos (Stern et al., 2000; Ulku, 2004; Chinaprayoon, 2007; Hu & Mathews, 2008; Gans & Hayes, 2009), los modelos toman la forma funcional Log-Log para lograr minimizar los problemas de valores atípicos. Consecuentemente, todas las variables serán recalculadas en valores de Logaritmo Natural (Ln) para la ecuación (2), excepto por aquellas variables que están ya expresadas en valores porcentuales. Los detalles y definiciones de las variables se muestran en la tabla 1.
Tabla 1 Variables y definiciones.1
Fuente: elaboración propia con base en los indicadores propuestos por Stern et al. (2000), Lugones et al. (2007) y fuentes citadas.
Análisis de los resultados descriptivos y econométricos
El análisis de los resultados se lleva en dos direcciones: primero, resaltar la estadística descriptiva de los datos, que incluye el rango, la media y la desviación estándar de todas las variables, con el fin de contar con un panorama general de los indicadores en su conjunto (overall), dentro del tiempo (within) y a través del espacio (between); segundo, enfatizar las especificaciones econométricas utilizadas para medir el grado de impacto que tienen los indicadores macroeconómicos de la capacidad de absorción y el stock de conocimiento sobre los resultados tecnológicos logrados.
Estadística descriptiva
El análisis descriptivo es necesario para examinar las propiedades estadísticas de cada variable. Primeramente, se observa una muestra transversal con 544 observaciones totales (N), producto de 32 observaciones espaciales (estados-n) y 17 observaciones temporales (T).
Con lo que respecta al acervo de recursos humanos (tabla 2), reflejo de la capacidad de absorción, se estima que en promedio la tasa de alfabetización en México es del 92,5% y la tasa de enrolamiento primario promedio es de 98,5%. Sin embargo, los porcentajes medios decrecen al hablar de la tasa de enrolamiento secundario (77,6%) y terciario (47,2%), lo que implica que la tasa neta promedio de escolarización se reduce considerablemente en los niveles de secundaria y nivel medio superior; en otras palabras, existen áreas de oportunidad en cuanto al enrolamiento de jóvenes entre 12 y 17 años en el ámbito nacional.
Paralelamente, en el periodo estudiado se estima que por cada 10.000 mexicanos existen en promedio 8 personas tituladas en cri; de igual modo, por cada 10.000 habitantes existe en promedio 1 investigador miembro del SNI. En este sentido, el coeficiente de variación del número de investigadores disminuye a 0,44, junto con la desviación típica (0,51) al momento de realizar el cálculo a través del tiempo, por lo que se asume que la dispersión en el tiempo es considerablemente menor que la dispersión entre estados.
Con lo referente al stock de conocimiento (proxy), se tiene que en promedio el PIB per cápita es de $124.588,61 pesos por habitante. Lo alarmante es que el PIB per cápita máximo supera por 20 veces el PIB per cápita mínimo, lo que muestra la enorme desigualdad entre estados.
Modelo econométrico: especificaciones
Aparicio y Márquez (2005) apuntan que el modelo de panel de datos con efectos fijos no supone que las diferencias entre individuos sean aleatorias, sino constantes o fijas, y por ello se debe estimar cada intercepto haciendo uso de la técnica de las variables dicotómicas de intersección diferencial, donde 
es un vector de variables dicotó-micas (o variables dummy) para cada entidad, lo que de entrada provoca una reducción del sesgo en comparación con los modelos agrupados de mínimos cuadrados.
Para Gujarati y Porter (2009), el término efectos fijos se debe a que, aunque la ordenada al origen puede diferir entre los individuos (en este caso estados de la república mexicana), el intercepto de cada entidad no varía en el tiempo y supone que los coeficientes de las variables regre-soras no varían según los individuos ni a través del tiempo.
Para definir modelos econométricos con datos tipo panel, es necesario realizar una serie de pruebas de especificación. En primera instancia, es conveniente cuestionarse cuándo se debe aplicar un modelo de mínimos cuadrados ordinarios (MCO) agrupado y cuándo un modelo de datos anidados; en este último caso, se debe identificar si los efectos fijos son más convenientes que los aleatorios. Para ello, inicialmente se debe verificar que la varianza de (del modelo anidado) sea significativamente distinta de cero, para lo cual se corre el test de Breusch-Pagan, también denominado multiplicador de Lagrange, en el que, si se rechaza la hipótesis nula2, se asume que existe un componente inobservable de la varianza asociada a cada individuo (Aparicio & Márquez, 2005; Mayorga & Muñoz, 2008; Labra & Torrecillas, 2013; Torres-Reyna, 2007; Montero, 2011).
Como segundo paso, es necesario comparar las estimaciones del modelo de efectos fijos y el de efectos aleatorios. Para ello, se realiza la prueba de Hausman, en la que, si se rechaza la hipótesis nula, se asume que es preferible elegir el modelo de efectos fijos al modelo de efectos aleatorios. Finalmente, se requiere correr las pruebas de Wool-dridge y Wald, en las que, si se rechaza la hipótesis nula, evidenciamos problemas de autocorrelación y heterocedasticidad, que deberán solucionarse conjuntamente con el uso de los estimadores de Errores Estándar Corregidos para Panel (PCSE).
Modelo econométrico: resultados
De entrada, se presenta la matriz de correlación entre variables independientes (tabla 3) con la finalidad de evitar problemas de multicolinealidad en el modelo, dado que, de acuerdo con Labra & Torrecillas (2013), la selección de variables que se debe incluir en el modelo dependerá no solo de la información que la literatura especializada pueda entregar, sino que además se recomienda hacer un análisis de correlación, con el fin de excluir las variables que tengan un mismo comportamiento3.
Tabla 3 Matriz de correlación entre variables independientes (regresores).
Fuente: elaboración propia (Stata 14).
Derivadas de la estadística descriptiva y del análisis de correlación efectuado, se detectaron las variables que, estando juntas en un mismo modelo, lo sobreexplican; portal motivo, se decidió eliminar inicialmente la variable X5, denominada Titulados en, dado que se cuenta con solo 224 observaciones de un panel de 544 observaciones totales (tabla 2). Posteriormente, se decidió eliminar la variable X1, (tasa de alfabetización), en vista de que muestra una relación lineal apreciable con la variable X3 (enrolamiento secundario). Después, se procede a eliminar la variable X4 (enrolamiento terciario), ya que refleja una correlación fuerte con X6 (investigadores SNI) y X5 (ya eliminada).
Una vez realizado este procedimiento, se establecen entonces los regresores que, estando juntos en el mismo modelo, no lo sobreexplican y, por ende, se descartan problemas de multicolinealidad (tabla 4).
Nótese en la tabla 4 que el modelo se asume también como log-log para poder medir la elasticidad de Y (en este caso patentes solicidadas) con respecto a X (en este caso A y HA), es decir, el cambio porcentual en Yante un pequeño cambio porcentual en X. De acuerdo con Gujarati y Porter (2009), dichos modelos también son denominados como modelos doble-log o log lineales, que provienen del modelo de regresión exponencial 
, que puede expresarse igualmente como 
, donde Ln expresa logaritmo natural (de base e = 2,718).
Modelo de panel de datos con efectos fijos
El modelo de panel de datos con efectos fijos espaciales queda denotado de la siguiente manera:
Tabla 5 Convenciones de la Ecuación 3.
Nota. Ln denota logaritmo natural.
Fuente: elaboración propia.
En el anexo 1, se muestra como el estudio abarcó las 32 entidades, generando entonces 31 variables dicotómicas por entidad. En este caso, la entidad 1 (Aguascalientes) se considera como la categoría base; como resultado de ello, la variable 
1 es el valor del intercepto del estado de Aguascalientes, y los demás coeficientes denotados por "DIC_edo_i", representan el grado en que los valores de los interceptos de las demás entidades difieren del valor del intercepto del primer estado (Aguascalientes). De este modo, por ejemplo, el coeficiente de "DIC_edo_3" indica por cuánto difiere el intercepto del estado de Baja California Sur con respecto del estado de Aguascalientes. En ese sentido, la suma de (1 + DIC_edo_3) da el valor real del intercepto del estado 3, que en este caso es el estado de Baja California Sur.
Los resultados en extenso del modelo 3 se presentan también en el anexo, donde se muestra que todos4 los coeficientes de los interceptos diferenciales son muy significativos estadísticamente en lo individual, lo que a su vez indica que las entidades mexicanas son claramente heterogéneas y, por lo tanto, optar por un modelo anidado con efectos fijos (modelo 3) es preferible en comparación con un modelo agrupado. De esta manera, se corrobora la hipótesis de que en México existe una amplia heterogeneidad estructural tecnológica, dado que empíricamente los efectos fijos espaciales sí resultaron estadísticamente significativos.
Adicionalmente, tal como se muestra en la tabla 6, todos los regresores resultaron estadísticamente significativos, lo que permite hacer inferencias puntuales acerca de los impactos que tiene el stock de conocimiento y el acervo de recursos humanos (proxy de la capacidad de absorción) sobre la generación de conocimiento tecnológico en México.
Tabla 6 Resultados del modelo econométrico.
Nota. Los errores estándar están denotados entre paréntesis (error estándar). PCSE = modelo de errores estándar corregidos para panel. Ln = logaritmo natural. Fiv promedio = factor de inflación de la varianza (cuando el valor de Fiv es mayor a 5, se puede sospechar de problemas de multicolinealidad). Significancia del ***p ≤ 0,10, ** p ≤ 0,05, *p ≤ 0,01. Fuente: elaboración propia (Stata 14).
Se observa también que el coeficiente de determinación es de 85,57%, lo que indica que el modelo se ajusta adecuadamente a los datos. Asimismo, se expresa un Fiv promedio de 1,30, lo que corrobora que los regresores de la ecuación no están correlacionados y, por tanto, se descartan problemas de multicolinealidad. La prueba de Breusch y Pagan señala la existencia de un componente inobservable de la varianza asociada a cada individuo, lo que hace pertinente el optar por un modelo anidado, mientras que el resultado de la prueba de Hausman indica que es preferible elegir el modelo anidado de efectos fijos en comparación con el modelo anidado de efectos aleatorios; de este modo, se corrobora que los efectos fijos entre entidades son estadísticamente significativos y, finalmente, las pruebas estadísticas de Wooldridge y Wald muestran la existencia de problemas de autocorrelación y heterocedacidad, que son corregidos por medio del modelo de errores estándar corregidos para panel.
Consecuentemente, la gráfica 1 muestra visualmente los factores de la función de producción de ideas (conocimiento tecnológico expresado en patentes solicitadas) que resultaron estadísticamente significativos y su respectiva elasticidad. En otras palabras, esta gráfica muestra las "piezas" que un tomador de decisiones puede mover, teniendo en consideración los impactos posibles sobre la producción de conocimiento tecnológico, en el que todos los efectos resultaron inelásticos, dado que se encuentran por debajo de la barra negra y manifiestan variaciones proporcionalmente menores al insumo.
Interpretando los coeficientes como elasticidades, el incremento del 1%% en el PIB per cápita (stock de conocimiento) está relacionado con el incremento de casi el mismo porcentaje de patentes solicitadas (0,79%). Por otra parte, si el enrolamiento primario se incrementa en 1%%, se esperaría que las patentes solicitadas incrementaran en 0,03%; de igual manera, el incremento del 1%% del enrolamiento secundario está relacionado con el incremento del 0,05% de las patentes solicitadas. Finalmente, aumentos del 1%% de los miembros del SNI están relacionados con incrementos de las patentes solicitadas en 0,29%.
Implicaciones de los resultados
Impactos de la capacidad de absorción: acervo de recursos humanos especializados
En países desarrollados, la expectativa indica un comportamiento elástico entre la generación de patentes y el personal dedicado a la investigación y la tecnología; es decir que, ante aumentos del 1% del personal científico e investigador, se esperarían incrementos de las patentes en un 1,160% (Stern et al., 2000). Por otra parte, en países latinoamericanos, los hallazgos empíricos señalan lo siguiente:
El número de investigadores es un factor estadísticamente significativo a la hora de evaluar la capacidad tecnológica en dicha región. La estimación puntual recalca que ante aumentos del 1% de la variable en cuestión, se esperarían aumentos de las patentes otorgadas en .43%. Sin embargo, dicha variable muestra inelasticidad, en otras palabras, se necesita duplicar el esfuerzo porcentual del factor "número de investigadores" para conseguir aumentos proporcionalmente similares en la generación y solicitud de patentes internacionales (Pérez, Gómez, & Lara, 2018, p. 110).
Consistentemente con los resultados latinoamericanos, la evidencia empírica en México señala un comportamiento también inelástico, en el que aumentos del 1% de los miembros del SNI están relacionados con incrementos de las patentes solicitadas en apenas un 0,29%. Se destaca, entonces, la existencia de una relación positiva directa en la que el incrementar la plantilla del personal investigador claramente conlleva a un aumento en la generación de conocimiento tecnológico, aunque en una proporción menor en comparación con países desarrollados.
Por su parte, Estupinyá (2016) indica que, si se compara en qué son científicamente buenos los países de América Latina (incluyendo México) y cómo eso está correlacionado con sus matrices productivas, se identifica una clara desconexión. Lo anterior es una falla propia de la cultura de la ciencia latinoamericana, que desde la década de los años sesenta ha estado mucho más marcada por la investigación academisista (impulsada por la curiosidad) que por la investigación orientada a objetivos. La premisa es que la ciencia genera más riqueza cuanto más relacionada esté con las principales actividades económicas e industriales de un país. De hecho, los ejemplos históricos de éxito económico basado en el conocimiento se han producido cuando la ciencia (incluyendo su personal científico investigador y especializado) se ha aliado con los sectores productivos específicos que eran punta de lanza en países concretos.
Entonces, la ciencia mexicana y su personal investigador no pueden desatender los sectores estratégicos del país si se quieren alcanzar mayores niveles de generación de conocimiento tecnológico (aumentar ese 0,29% de impacto), así como innovación y desarrollo en relación con su personal investigador (miembros del SNI), tecnólogo y profesional. En México, sectores de naturaleza prioritariamente ingenieril, como vehículos de trasporte, electrónicos y maquinaria, representan en conjunto el 72% de las exportaciones totales; sin embargo, el personal investigador en el área de ingenierías (SNI) alcanza el 15% del total de miembros del sistema, mientras que el 25% del total de titulados para el 2016 está relacionado con el área de ingeniería, manufactura y construcción, tal como se observa en la figura 1.
Fuente: elaboración propia con base en ANUIES (2016), FCCYT (2016b) y OEC (2016).
Figura 1a Composición del acervo recursos humanos y estructura de exportaciones 2016.
Fuente: elaboración propia con base en ANUIES (2016), FCCYT (2016b) y OEC (2016).
Figura 1b Composición del acervo recursos humanos y estructura de exportaciones 2016.
Fuente: elaboración propia con base en FCCYT (2016b) por Carto (disponible en https://carlita27.carto.com/builder/642c18fb-6080-4e7f-9f6a-fb7ed2151bd2/embed)
Figura 2 Mapa de la distribución geográfica de los miembros del SNI.
La combinación de productos que exportan las industrias de una región constituye una huella dactilar de las capacidades productivas de esta. Los datos de industrias y productos proporcionan información no solo sobre el conocimiento acumulado, sino también sobre la diversidad de su capital físico y humano (Hidalgo, 2017). Por lo tanto, el hecho de que en México los sectores de mayor nivel de exportaciones se encuentren en las áreas derivadas de ingenierías asume la existencia de una mayor demanda proyectada (de personas especializadas en aerodinámica, mecánica, materiales, termodinámica, etc.), que tendrá que ser atendida por el acervo de recursos humanos existente y futuro.
En el 2015, el mapa de la distribución geográfica de los miembros del SNI (emisores) indica que el promedio de miembros fue de dos investigadores por cada 10.000 habitantes por entidad; sin embargo, la media de investigadores no explica la realidad general del país (figura 2), debido a que se observa que principalmente los estados sureños cuentan con un acumulado de investigadores menor al promedio nacional. Esto resulta alarmante, ya que los estados con mayor necesidad de "emisores de conocimiento" tiene una cuantía menor, lo que provoca un círculo vicioso en el que menores capacidades de absorción (emisores disponibles) tienden a generar menores capacidades de absorción (receptores).
Acervo de recursos humanos en formación
En la gran mayoría de los casos, las personas no nacen con habilidades ni las adquieren por ósmosis, sino que las aprenden, y la educación formal sigue siendo el escenario donde primordialmente se forman dichas habilidades (Busso, Bassi, Urzúa, & Vargas, 2012); aunque el enrolamiento (primario, secundario y terciario) no sea sinónimo de habilidades, sirve como aproximación para estudiar las tendencias de estas y reconocer la capacidad doméstica de absorción de las regiones. Sin embargo, el proceso de enrolamiento y escolarización no está cerrando las brechas de habilidades, pues de acuerdo con Busso et al. (2017) hay evidencia que sugiere que una persona nacida en México llegará a la edad adulta con menos habilidades (incluidas las capacidades de absorción e innovación) que una persona nacida en una región más desarrollada; de la misma manera, también es probable que una persona nacida en un hogar pobre alcance la edad adulta con menos habilidades que una persona nacida en un hogar más rico.
Bajo este estudio, se encuentra evidencia empírica que revela que si el enrolamiento primario se incrementa en 1%, se esperaría que las patentes solicitadas incrementaran en 0,03%; de igual manera, el incremento del 1% del enrolamiento secundario está relacionado con el incremento del 0,05% de las patentes solicitadas.
A pesar de que dichos incrementos son inelásticos, cabe resaltar la relación directa y positiva existente entre el conocimiento tecnológico y el acervo de recursos humanos en proceso de formación.
Impactos del stock de conocimiento
Estudiar la distribución geográfica del conocimiento y know-how no es fácil, porque el conocimiento es difícil de "ver"; de manera que, para estudiar su distribución, debemos encontrar manifestaciones de conocimiento y know-how que nos proporcionen información indirecta sobre dónde están presentes (Hidalgo, 2017). Una opción consiste en fijarnos en la distribución geográfica del PIB (figura 3): la evidencia empírica de este trabajo muestra que el PIB per cápita, como proxy del stock de conocimiento -usado por Stern et al. (2000) y replicado bajo esta investigación-, no solo es estadísticamente significativo a la hora de evaluar la función de producción de ideas o conocimiento tecnológico, sino que además muestra la mayor de las variaciones; es decir, ante cambios del 1% en dicha variable, se esperan incrementos casi similares en las patentes solicitadas.
Fuente: elaboración propia. Indicador proxy: PIB per cápita, por Carto (disponible en https://carlita27.carto.com/builder/642c18fb-6080-4e7f-9f6a-fb7ed2151bd2/embed)
Figura 3 Mapa de la distribución geográfica del stock de conocimiento.
Adicionalmente, la teoría de crecimiento endógeno predice que el impacto del stock de conocimiento es determinante para la generación de capacidades de innovación, y los hallazgos obtenidos mediante este estudio refuerzan dicha premisa.
Todo esto tiene una interpretación más profunda que la estadística, si se asume que la variable stock de conocimiento tiene una connotación mucho más amplia, dado que alude a la "calidad" del entorno; consecuentemente, se puede considerar dicha variable no solo como un indicador de la acumulación de conocimiento de una nación, sino además como un semáforo de la situación contextual de la región.
Para Hernández (2016), las desigualdades de ingresos se deben en buena medida a las diferencias en cuanto a capacidades (pieza de nuestro estudio). Sin embargo, la parte más importante de la desigualdad del ingreso se debe a que la población participa en los mercados con desigualdades iniciales, históricas y abismales: desigualdades de coberturas básicas, de acceso a mercados, de capital humano -especializado-, de información, de acceso efectivo a derechos y, sobre todo, de poder. Paralelamente, Busso et al. (2017) remarcan que las habilidades se valoran de forma diferente según el contexto y responden a fuerzas ajenas al mercado, como las costumbres, las normas sociales, las instituciones y las regulaciones.
Por ende, los resultados del stock de conocimiento (relacionado implícitamente con la calidad del entorno) ponen de manifiesto que si la capacidad de absorción refleja la capacidad de aprendizaje de las personas, sin duda que esta última estará condicionada por los aspectos más elementales de su ambiente social, legal, económico, político, etc. Por lo tanto, se subraya que para aprender es necesario contar con una predisposición que se vea respaldada por adecuadas precondiciones que favorezcan el aprendizaje y la capacidad de absorción de los individuos, las empresas y las naciones; la predisposición a aprender, a reflexionar y a absorber nuevas ideas nos hace más inteligentes como sociedad y como individuos (Estupinyá, 2016).
Del mismo modo, habrá que tener en cuenta que la naturaleza social del aprendizaje introduce un sesgo geográfico en la acumulación de conocimiento y know-how. Las personas aprenden de las personas, y es más fácil hacerlo cuando se está cerca de otras personas que posean experiencia en las tareas que se quieren aprender (Hidalgo, 2017). Entonces, el acervo de recursos humanos -especializados- no solo importa en su cantidad y calidad, sino también en su distribución territorial para la adecuada re-troalimentación del stock de conocimiento.
Lo anterior tiene lugar, a efectos de mitigar lo que Albornoz (2001) denomina como el "efecto Mateo": Dios le da más al que más tiene, en el entendido de que si el conocimiento se ha convertido en una fuerza de producción, entonces puede reproducir la estructura social. Es decir, se convierte en un instrumento que puede hacer más ricos a los ricos y más pobres a los pobres.
Es por ello que la clave de cualquier política pública es evaluar si esta facilita o dificulta la capacidad de aprender de una sociedad (Hidalgo, 2017) y, en ese sentido, tomar en cuenta la desigual distribución de la intensidad del conocimiento debe ser un tema obligado a la hora de diseñar programas y políticas. Por lo tanto, es imperante la generación de políticas diferenciadas a nivel nacional, estatal y local, considerando la heterogeneidad entre regiones para, de esta manera, evitar centralizar intencionalmente el conocimiento, las capacidades y el desarrollo.
Conclusiones y reflexiones
El objetivo del presente trabajo fue examinar la función de producción de ideas generada por Romer (1990) para medir el grado de impacto que tienen los indicadores macroeconómicos de la capacidad de absorción y el stock de conocimiento sobre los resultados tecnológicos logrados (medidos en patentes solicitadas). A partir de la estimación econométrica, se encuentra que la calidad del entorno de las actividades económicas (proxy PIB) es el principal determinante de la generación de conocimiento tecnológico y que el acervo de recursos humanos tiene una relación directa pero inelástica con la generación de patentes. En este estudio se realizó por vez primera un análisis del fenómeno a nivel subnacional (estados), lo que permitió confirmar la hipótesis sobre la existencia de una amplia heterogeneidad estructural entre estados, reafirmando lo que Boisier (1995) sostiene al respecto:
Un avance más sistemático hacia el desarrollo probablemente suponga poner en práctica más y mejores métodos de acción en un nivel intermedio, es decir a nivel mesoeconómico, en el cual, la interacción entre actores institucionales y personales resulta clave. Este nivel tiene en todas partes una expresión territorial: es la región (sub-nacional), o la provincia, o el estado federativo. Es un espacio territorial menor que el país, pero más amplio que la mera localidad (p. 2).
De igual manera, fue posible responder así la interrogante central del estudio: ante el incremento del 1%% en el PIB per cápita (stock de conocimiento) aumentará en casi el mismo porcentaje el número de patentes solicitadas por residentes mexicanos; paralelamente, si el enrolamiento primario se incrementa en 1%%, se esperaría que las patentes solicitadas incrementaran en 0,03%, mientras que el enrolamiento secundario está relacionado en el incremento del 0,05% y la plantilla de miembros del SNI está relacionada con incrementos en 0,29% de las patentes solicitadas, tal como se observa en la tabla 6.
De lo anterior, y en lo referente al impacto del stock de conocimiento, es posible afirmar que las condiciones históricas heredadas cuentan a la hora de evaluar la generación de conocimiento tecnológico, lo que implica que la evolución de los mercados de trabajo y, por ende, las trayectorias tecnológicas y socioeconómicas tienen un peso relevante en la formación y acumulación de conocimiento en México, dado que el uso del PIB per cápita como proxy del stock de conocimiento refleja también la calidad del entorno en el que se desenvuelven las actividades económicas. En consecuencia, es bien sabido el planteamiento de Lugones et al. (2007):
Los productos con mayor contenido tecnológico (o contenido de conocimiento) se caracterizan por una mayor elasticidad ingreso de la demanda y por lo tanto, se espera que el crecimiento de la actividad económica y del ingreso derive en un aumento de la demanda de bienes de mayor complejidad o tecnológicamente avanzados (p. 33).
En lo que respecta al capital humano, reflejo de las capacidades de absorción doméstica disponibles, se sostiene que dichas capacidades tienen tres dimensiones puntuales: adquisición, asimilación y explotación del nuevo conocimiento. En ese sentido, este trabajo aterriza una aproximación a la capacidad de absorción potencial, que únicamente explora la adquisición de conocimiento vista desde una perspectiva del acervo de recursos humanos. Asimismo, la evidencia empírica sugiere la existencia de una relación directa y positiva entre el capital humano y la generación de conocimiento tecnológico, destacando principalmente la ligazón entre los investigadores y la generación de patentes.
Esto a su vez es lógico y predecible, aunque el aporte más significativo de esta investigación es el cálculo y estimación de la inelasticidad de esta relación: ante variaciones del 1%% de los miembros del SNI, se esperarían incrementos de las patentes solicitadas en 0,29%. Si bien es cierto que "las capacidades de absorción son un bien intangible y sus beneficios son indirectos, lo cual dificulta el proceso de su medición" (Lugones et al., 2007, p. 11), este estudio provee evidencia empírica de los impactos que dicha capacidad tiene sobre la generación de conocimiento tecnológico a nivel macro. Por lo tanto, resulta imperante el incremento y consolidación del personal dedicado a la investigación, que en México se encuentra agremiado dentro del SNI, y complementariamente se vislumbra necesario no solo el incremento en cantidad sino también en calidad de sus miembros, dado que si consideramos que las capacidades de absorción son habilidades adquiridas, transmitidas de un emisor a un receptor, la mayoría de los investigadores juegan el doble rol de "emisores y receptores".
Por esta razón, el papel de los investigadores será crucial para la revelación de la capacidad propia y ajena de aprendizaje que fructifique no solo en mayores resultados (patentes, en este caso), sino también en un mayor acervo de recursos humanos especializados (en formación), mayor generación de conocimiento, mayor desarrollo tecnológico, mayor innovación y mayor desarrollo.
Stiglitz y Greenwald (2014) afirman que el conocimiento es como una "enfermedad buena", que puede extenderse debido al contacto; sin embargo, es más probable que algunos tipos de contacto (en este caso investigadores-alumnos, investigadores-emprendedores, investigadores-organizaciones no gubernamentales) lleven más a la transmisión de conocimiento y a su absorción que otros. Algunas de las personas que podrían entrar en contacto con el conocimiento son más susceptibles a este; es decir, existe una mayor probabilidad de que aprendan y que utilicen el conocimiento y quizá incluso lo puedan desarrollar en mayor medida. Consecuentemente, es ampliamente reconocido que la generación de ideas responda primordialmente a una disposición o predisposición a ellas, tal y como lo afirma Hernández y Díaz (2007): "Más gente bajo el árbol no generará más Newtons por sí solos, sino los Newtons serán más probables si las personas tienen inclinación al conocimiento y creatividad" (p. 188). Por ende, la calidad del entorno es una precondición indispensable si se busca favorecer el aprendizaje y la capacidad de absorción de los individuos, las empresas y las naciones.
Adicionalmente, hay que tomar en cuenta que, según Warhurst (2008), "no todos los trabajadores del conocimiento son trabajadores profesionales y no todos los trabajadores profesionales son trabajadores del conocimiento" (p. 75). Claramente, en la actualidad y ante la educación no formal y virtual, los trabajadores del conocimiento pueden ser niños, adultos mayores, no profesionales, autodidactas, etc., manteniendo dichos sujetos un rol importantísimo en la generación de ideas y soluciones.
En ese sentido, Gatica (2017) indica que, en la medida en que exista mayor convergencia genérica (cooperación entre las diferentes disciplinas científicas trabajando en un tema o un objetivo común) y una mayor convergencia tecnológica que tenga por objetivo el uso de los hallazgos de diferentes disciplinas en las aplicaciones específicas y productos tecnológicos, se producirán entonces mayores y mejores resultados de innovación tecnológica. Por lo tanto, se hace necesario que, para el mejoramiento de dichos resultados, se integren las ciencias sociales, ya que con la ayuda de dichas ciencias se puede coadyuvar en la conversión de las diferencias que se dan en las distintas disciplinas científicas en relación con sus culturas epistémicas, bases teóricas, metodologías y orientación de sus objetos, de la misma forma que a nivel organizacional y en el desarrollo de cuestiones éticas y legales. Cabría pues preguntarse si el actual sistema de investigación y su reglamentación hacen un correcto estímulo de la convergencia científica y el trabajo interdisciplinario necesario para la generación de ideas innovadoras.
Además, es necesario anotar que los modelos económicos excesivamente optimistas han tendido a suponer que la demanda y los incentivos bastan para estimular la producción de cualquier producto -para este caso patentes como conocimiento tecnológico-. Sin embargo, los incentivos sirven para motivar a intermediarios y comerciantes, pero los creadores -inventores-, que son quienes proporcionan lo que se inventa/comercializa, necesitan algo más que un incentivo para crear algo; necesitan saber cómo hacerlo (Hidalgo, 2017). En retrospección, los inventores necesitan inicialmente aprender a ser inventores y perfilarse por el gusto -principalmente- en disciplinas STEM5, y el hogar del aprendizaje de dichas áreas en etapas tempranas es sin duda la escuela. Gastar en educación, ciencia y tecnología es siempre invertir para el futuro. En México, la cuestión no solo es gastar más, sino fundamentalmente gastar mejor.
Por supuesto, se puede y se necesita mucho más trabajo empírico; no obstante, la virtud del presente documento radica en compilar, por vez primera, una batería de indicadores a modo de panel de datos para analizar la función de producción de ideas en relación con las capacidades macro de absorción y el stock de patentes. En consecuencia, el aporte esencial del trabajo radica en proveer evidencia empírica a escala subnacional en relación con la capacidad de absorción, que es proclive a incidir en mejores políticas de ciencia, tecnología e innovación para la región.
Las implicaciones de los hallazgos ponen de manifiesto la necesidad de contar con políticas diferenciadas, capaces de frenar la concentración natural o inercial del conocimiento, las capacidades y el desarrollo. Futuras líneas de investigación podrían contemplar que "la función de producción de ideas" de Romer (1990) puede estudiarse también desde el punto de vista de "los cristales de imaginación" de Hidalgo (2017), entendidos como concreciones estáticas de ideas, por lo que resultaría posible empatar dicho precepto con los resultados logrados en materia de patentes otorgadas, publicaciones científicas y exportaciones de contenido tecnológico. De este modo, las publicaciones pueden ser consideradas como cristales de imaginación científica, mientras que las patentes y las exportaciones de productos de contenido tecnológico, como cristales de imaginación tecnocientífica. Esto ofrecería una mejor comprensión de las complejas relaciones entre la capacidad de absorción y la capacidad tecnológica e innovativa.
