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
Dentro de la disciplina de la gestión de la innovación se han distinguido, de manera general, dos grandes corrientes para su estudio: la innovación como un resultado discreto expresado en una nueva idea o un nuevo producto y la innovación como el proceso de introducir soluciones nuevas al interior del sistema organizacional (Gopalakrishnan & Damanpour, 1997). En otras palabras, la gestión de la innovación considera no solo la generación de innovaciones de negocio, sino también su implementación en el sector o mercado objetivo; implicando, al mismo tiempo, su adopción y difusión (OECD/Eurostat, 2018).
Al respecto se han planteado distintas teorías, entre las que se destacan la Teoría de Difusión de Innovaciones esbozada en los años sesenta por Rogers (Rogers, 2003), el Modelo de Aceptación Tecnológica, la Teoría de la Acción Razonada, la Teoría del Comportamiento Planeado o la Teoría Unificada de Aceptación y Uso de la Tecnología (Venkatesh, Morris, Davis & Davis, 2003).
Un elemento común que tienen estas teorías es la necesidad de que la organización y sus miembros tengan la capacidad de reconocer, medir, adoptar, implementar y aprovechar el conocimiento externo convertido en soluciones tecnológicas que apoyen la creación de valor dentro de la organización. Dicha capacidad fue denominada por Cohen y Levinthal (1990)) como “capacidad de absorción”.
De forma complementaria, en los últimos años se ha incrementado el interés en el estudio del desarrollo de innovaciones a partir de fuentes alternas a las intensivas en I+D. Este tipo de innovación se entiende como la generación de procesos de innovación, usando como mecanismo principal la gestión del conocimiento interno y externo (Barge-Gil, Nieto & Santamaría, 2011; Hervas-Oliver, Albors-Garrigos & Baixauli, 2012; Lee & Walsh, 2016; Santamaría, Nieto & Barge-Gil, 2009) .
Además, y como resultado inicial del presente trabajo, se identificó una fuerte relación entre la innovación de No I+D y la capacidad de absorción, por lo que es necesario ahondar en esta relación y más específicamente, en encontrar mecanismos que permitan medir el comportamiento de las organizaciones colombianas en función de sus prácticas No I+D y el desarrollo de su capacidad de absorción. Este panorama da paso para que en el presente artículo se plantee un modelo estadístico que busque analizar de manera cuantitativa, indicadores seleccionados de la Encuesta de Desarrollo e Innovación Tecnológica (EDIT), la capacidad de absorción de organizaciones colombianas y cómo dicha capacidad se relaciona con el desempeño de innovación No I+D. Para alcanzar este objetivo, en primera medida, se muestran los aspectos teóricos de la capacidad de absorción y su operacionalización. Seguidamente, se muestra el marco metodológico bajo el cual se realizó el análisis cuantitativo, para luego describir los principales hallazgos del modelo en función de las variables incluidas en este. Para finalizar, se discuten y presentan las conclusiones principales de la investigación.
Marco teórico
El concepto de capacidad de absorción aparece por primera vez en la literatura académica en la propuesta de Cohen y Levinthal (1989, 1990). En esas primeras aproximaciones se pueden distinguir dos características centrales; por un lado, una relación recursiva entre el conocimiento externo e interno de la organización (Zapata & Hernández, 2018) y, por otro, su carácter progresivo. En palabras de los autores:
el desarrollo de la capacidad de absorción de una organización se construirá sobre la inversión hecha para su desarrollo, las capacidades de absorción de la organización, al igual que las de los individuos, tenderán a desarrollarse de manera acumulativa (Cohen & Levinthal, 1990, p. 131).
El establecimiento de las bases teóricas y los planteamientos que alrededor de estas se dieron en los años subsiguientes (véase, por ejemplo, Kim, Oh & Stern, 1991; Lane & Lubatkin, 1998; Stock, Greis & Fischer, 2001; Van den Bosch, Volberda & De Boer, 1999); sin embargo, no presentaban una propuesta concreta para la operacionalización de la capacidad de absorción (Joglekar, Bohl & Hamburg, 1997). Por tal razón, tomando como complemento la acepción de capacidades dinámicas (Teece, Pisano & Shuen, 1997), Zahra y George (2002)) desarrollaron un cuerpo teórico que presenta como base dos tipos de capacidades y cuatro dimensiones asociadas (véase tabla 1).
En concreto, Zahra y George (2002)) redefinen la capacidad de absorción como “un conjunto de rutinas y procesos organizacionales por los cuales la firma adquiere, asimila, transforma y explota conocimiento” (p. 186). La importancia que reviste la reconceptualización y extensión (como los mismos autores denominan su propuesta) está asociada a dos aspectos. El primero, es el reconocimiento de cuatro dimensiones bajo las cuales opera la capacidad de absorción: adquisición, asimilación, transformación y explotación, con lo cual no solo se incorpora una dimensión adicional a la propuesta original: la transformación (Zapata & Hernández, 2018), sino que además se reconoce en estas dimensiones un rol específico y su complementariedad (Charão & Matos, 2017). El segundo aspecto para resaltar, son las dimensiones mencionadas que se agrupan, a su vez, en dos tipos: capacidad potencial y realizada; es decir, que se deja de manifiesto que no es suficiente para una organización estar expuesta a la información del entorno, sino que los resultados, en términos del desempeño, dependen de un proceso iterativo entre los dos tipos de capacidades (Cassol, Reis & Lima, 2016). De esta manera, se debería poner la atención en la eficiencia del proceso de forma que se pueda reducir la brecha entre la capacidad potencial y la realizada (Gao, Yeoh, Wong & Scheepers, 2017).
Por otro lado y como parte del alcance de la presente investigación, se indagó sobre algunos antecedentes de los determinantes de la capacidad de absorción en función de trabajos previamente realizados, bajo el esquema propuesto por Zahra y George (2002)) (véase tabla 2).
De la tabla 2 se deduce que no hay un único entendimiento sobre cómo medir el modelo propuesto de Zahra y George (2002)) y que, por el contrario, existe diversidad en cuanto al contexto y criterio propio de los investigadores. Para el caso concreto de este trabajo, se seleccionaron 41 variables asociadas a la Encuesta de Desarrollo e Innovación Tecnológica (EDIT).
Metodología
Este estudio se realiza bajo un enfoque cuantitativo y exploratorio y su propósito es la medición de la relación entre algunas actividades No I+D y la generación de capacidades de absorción. De manera complementaria se busca establecer las posibles diferencias de la capacidad de absorción en organizaciones de diferentes tamaños. Todo ello en el contexto colombiano.
En ese sentido y de acuerdo con los aspectos expuestos en el marco teórico, se retoma la propuesta de Zahra y George (2002)), que definen seis variables que forman parte del modelo de rutas de mínimos cuadrados parciales bajo el enfoque PLS-PM (path analysis-path modeling). PLS-PM es un método para estimar un sistema de relaciones de causalidad basado en componentes (Tenenhaus, 2008) y un algoritmo iterativo que permite definir un sistema de pesos para ser aplicado a cada bloque de variables manifiestas (observables) en orden a estimar las correspondientes variables latentes (no observables). El PLS-PM se considera más como una aproximación exploratoria que confirmatoria. El modelo planteado es de segundo orden o también denominado de “componentes jerárquicos” (MCH) (Chin, 1998), pues contiene dos capas de componentes. Este método se emplea cuando el constructo que se desea examinar es bastante complejo e involucra la participación de una gran cantidad de variables. Este enfoque conduce a una mayor parsimonia teórica y reduce la complejidad del modelo.
La base de datos utilizada fue la EDIT 2015-20161, que por su nivel de observaciones otorga una mayor robustez a la medición del modelo; en este punto es importante mencionar que de las 7.947 observaciones encuestas totales se seleccionaron 2.007 luego de eliminar los valores nulos o sin diligenciar. De esta manera se analizaron las 638 variables medidas por la EDIT y se seleccionaron aquellas que tuvieran relación con las seis variables que se quieren medir. Así, se escogieron 41 variables manifiestas que se categorizaron en variables latentes de primer orden o de segundo orden, teniendo así las dos dimensiones de medición. Dado que algunas variables presentaban valores con niveles de dispersión muy altos, se procedió a normalizar algunas de ellas utilizando el método de baremos o escalas categóricas (OCDE, 2008). Con esta transformación se convirtieron las variables de rangos continuos a rangos discretos y se agruparon algunas variables. El modelo se encuentra representado en la figura 1.
En esta figura se encuentran las tres variables latentes de segundo orden: capacidad potencial, transformación y explotación (nodos azules), dos variables latentes de primer orden: adquisición y asimilación (nodos verdes) y 41 variables observables o manifiestas (nodos amarillos) junto con la variable de salida, capacidad realizada.
Resultados
Esta sección presentará los resultados desde dos enfoques. En primera instancia, se analizarán los resultados globales del modelo; poniendo en evidencia el comportamiento de la totalidad de la muestra en función de las variables que conforman dicho modelo. En una segunda instancia, se analizarán los resultados obtenidos por las organizaciones luego de ser clasificadas por su tamaño. Esto con el fin de identificar si existen diferencias o similitudes en su comportamiento.
Análisis ajuste global del modelo
Para iniciar el análisis de los resultados es indispensable verificar si las variables latentes componen un bloque homogéneo y unidimensional. De acuerdo con Chin (1998), un bloque de variables es homogéneo cuando el Rho de Dillon-Goldstein (DoG) es mayor que 0.70 y ese bloque de variables es unidimensional si el primer valor propio es suficientemente mayor a todos los demás valores propios del bloque. De esta forma, conjugar la homogeneidad y la unidimensionalidad permite interpretar el bloque de variables manifiestas como un único constructo. En la tabla 3 se muestran los cálculos realizados para el caso del modelo diseñado.
En la tabla 3 se puede ver claramente que todos los valores de los Rho de DoG son superiores o muy cercanos a 0.70, por lo cual se puede considerar a cada uno de los bloques como homogéneos. Además, todos los primeros valores propios superan por dos o más unidades a los respectivos segundos valores, por lo que se puede asumir la homogeneidad de los bloques. Como resultado de estos dos comportamientos, se puede afirmar que el modelo se ajusta adecuadamente al fenómeno observado.
Además de los dos criterios anteriores, la aplicación de modelado de ruta PLS proporciona el índice Goodness of Fits (GoF) o ajuste global del modelo, el cual se presenta en la tabla 4.
Para los cálculos realizados se observa que los GoF “absoluto” del modelo y el simulado por Bootstrap son muy similares permitiendo verificar la consistencia en las estimaciones. Además, y según Henseler y Sarstedt (2013)), valores de GoF cercanos a 1.0 indican una fuerte dependencia entre las variables exógenas y la variable endógena latente. Para los resultados obtenidos en este estudio, el valor de GoF es de 0.90 que, aunque menor que 1, es relativamente cercano, por lo que se puede afirmar que el ajuste del modelo es muy bueno.
Resultados por dimensiones
De acuerdo con el marco teórico y la metodología expuestos, el presente apartado muestra los resultados del modelo cuantitativo para los componentes de la capacidad de absorción.
Dimensión adquisición
Para este constructo se definieron diez variables observables, las cuales de manera agrupada explicarían el 67% de la dimensión de adquisición. En la tabla 5 se destacan en letra cursiva las variables con los mayores pesos relativos.
Tabla 5 Outer Weights de las variables observables respecto a la variable latente adquisición.
Fuente: elaboración propia.
Las tres variables identificadas como relevantes son, por orden de representatividad, II1R9C2 (rango de inversión en formación y capacitación), IV3R1C2 (número promedio de empleados con certificaciones de competencias laborales inherentes a la/s actividad/es principal/es que desarrolla la empresa) y II1R7C2 (rango de inversión en asistencia técnica y consultoría).
Las dos primeras variables son coherentes con la premisa de que la adquisición se construye sobre el conocimiento previamente adquirido (Zahra & George, 2002). En particular, para el caso de la innovación No I+D, este conocimiento se apoya en la actualización propia de la actividad a desarrollar (Santamaría et al., 2009), toda vez que las organizaciones que adoptan ese tipo de innovación tienden a tener un mayor apoyo en las rutinas de sus empleados en comparación con las organizaciones que tienen como fuente de innovación principal las actividades I+D (Lee & Walsh, 2016).
Por su parte, el peso de la variable asociada a la asistencia técnica y consultoría, se puede atribuir al aporte que este tipo de inversiones puede hacer para la obtención de conocimiento de nuevas tecnologías de manera más entendible para la organización, que si esta hiciera la investigación de forma independiente (Lau & Lo, 2015). Esta premisa es consecuente, en el contexto de la innovación No I+D, si se tiene en cuenta que ante la poca disponibilidad de recursos económicos y ante la aversión al riesgo, las organizaciones tenderán a no realizar actividades de I+D (Moilanen, Østbye & Woll, 2014), sino que buscarán otro tipo de fuentes de innovación.
Dimensión asimilación
Para esta variable latente de segundo orden se establecieron once variables observables, que de manera conjunta explican el 78% de la dimensión de asimilación. En la tabla 6 se identifican con letra cursiva las variables observables con los pesos más representativos.
Tabla 6 Outer Weights de las variables observables respecto a la variable latente asimilación
Fuente: elaboración propia.
Las cuatro variables destacadas en orden descendente son: V3R6C1 (cooperación con universidades), V3R5C1 (cooperación con consultores), V3R2C1 (cooperación con proveedores) y V3R12C1 (cooperación con gobierno). Este tipo de colaboración ha sido reconocida previamente como una fuente para la asimilación de conocimiento (véanse, por ejemplo, Aguilar-Olaves et al., 2014 y Hurtado-Ayala & González-Campo, 2015), en la medida que permite el aprendizaje organizacional y por esta vía el establecimiento de procesos de asimilación de conocimiento (Zahra & George, 2002). En concreto, a través de la cooperación, las organizaciones pueden llegar a identificar dinámicas existentes en otras industrias (Schenker-Wicki, 2012), hallar otras fuentes de conocimiento, reducir costos, compartir riesgos (Som, Kirner & Jager, 2015) y complementar los conocimientos previamente adquiridos (Zapata & Hernández, 2018).
Como se había mencionado en la introducción de este acápite, es necesario yuxtaponer la dimensión de adquisición con la de asimilación, para dar cuenta del constructo asociado a la capacidad potencial. En este sentido se destaca que la asimilación representa la mayor contribución, toda vez que solo se podría llegar al entendimiento de nuevo conocimiento si este ha sido incorporado previamente (Zahra & George, 2002) (véase figura 2).
Dimensión transformación
Para el constructo transformación se identificaron cinco variables manifiestas. La descripción de estas cinco variables y sus Outer Weights se relacionan en la tabla 7.
Tabla 7 Outer Weights de las variables observables respecto a la variable latente transformación
Fuente: elaboración propia.
En la tabla 7 se resaltan en cursiva las dos variables cuyo peso es más significativo. Al analizar estas dos variables es posible identificar un comportamiento claramente asociado a los procesos y actividades de No I+D, ya que ponen de manifiesto que áreas no relacionadas directamente con actividades de I+D pueden ser significativas para el desempeño innovador de una organización (Bogers & Lhuillery, 2011).
De esta forma, en primer término, se destaca el departamento de ventas como una de las principales fuentes de innovación y que desempeña un rol central en la transformación del conocimiento externo expresado en técnicas de mercadeo (Bogers & Lhuillery, 2011). Estas técnicas, a su vez, constituyen un importante activo intangible que ayuda a la evolución organizacional (Doukas, Pantzalis & Kim, 1999). En segundo término, se resalta que otros departamentos distintos a ventas y producción también tienen una importancia relativa alta al momento de desarrollar capacidades de absorción asociadas a la innovación de No I+D. Esto coincide con lo expresado en la literatura al reconocer que actividades creativas y de solución de problemas sin la utilización de capacidades de I+D son fuentes considerables de innovación (Huang, Arundel & Hollanders, 1980).
Dimensión explotación
Para la variable latente explotación se identificaron siete variables observables asociadas y en su conjunto explican en 65% el comportamiento de la variable latente. Al analizar el peso relativo de cada una se obtienen los valores mostrados en la tabla 8.
Tabla 8 Outer Weights de las variables observables respecto a la variable latente explotación
Fuente: elaboración propia.
En la tabla 8 se resaltan con letra cursiva las cuatro variables que tienen un peso importante en el modelo para la variable latente explotación. Resulta interesante que estas cuatro variables hacen referencia a la generación de procesos, métodos, bienes o servicios que son nuevos para la empresa, aun cuando esto no signifique, necesariamente, que también lo sean para el mercado. Lo anterior se refleja en la literatura bajo el concepto de aprendizaje organizacional que se logra cuando de forma continua se prueba y actualiza la experiencia de los miembros de la empresa y se transforma esa experiencia en mejores procesos de trabajo y en conocimiento que es accesible para toda la organización (Griffin & Somermeyer, 2007). Lo anterior, se da como producto del uso del conocimiento externo para suplir y complementar su propio conocimiento y sus recursos internos (Sempere-Ripol & Hervás-Oliver, 2002) y, posteriormente, permite realizar una mayor actividad innovadora (Bogers & Lhuillery, 2011; Flor, Oltra & García, 2011; González-Campo & Hurtado, 2014; Hervas-Oliver et al., 2012; Hervas-Oliver, Albors-Garrigos & Gil-Pechuan, 2011) .
Por otra parte, al analizar la relación entre la variable latente de segundo grado transformación y explotación, se encuentra un coeficiente de correlación de 0.3544 (como se aprecia en la figura 3). Esto confirmaría lo expresado en la literatura, que considera que las cuatro dimensiones actúan de manera conjunta para la construcción de capacidad de absorción, y que, particularmente, la capacidad de absorción realizada se desarrolla en función de la transformación y explotación de conocimiento (González-Campo & Hurtado, 2014; Zahra & George, 2002).
Resultados contrastados por tamaño de la empresa
Antes de iniciar con el análisis de este apartado, es importante caracterizar las 2.007 observaciones tomadas de la EDIT. En específico, estas observaciones se encuentran distribuidas así: 766 (38%) corresponden a empresas pequeñas, 683 (34%) son empresas medianas, 478 (24%) son empresas grandes y 80 (4%) son microempresas. Esta distribución se muestra en la figura 4.
Con este panorama en mente se incorpora el tamaño de la empresa como variable moderadora en el modelo estadístico, lo cual permite una comparación entre los grupos establecidos y proporciona así un análisis inferencial entre pares de estos grupos. Al respecto, es importante mencionar que a pesar de que en la muestra original de la EDIT la representatividad de las microempresas es el 15%, al eliminar registros que no tenían información para las variables de interés, ese porcentaje en la muestra del modelo se reduce a 4%, razón por la cual no hay resultados concluyentes para este grupo de empresas. Entre tanto, los grupos correspondientes a pequeñas, medianas y grandes empresas presentan diferencias significativas (medidas por su p-valor) en el tránsito de la dimensión de explotación a la capacidad realizada. Lo cual, en términos pragmáticos, significa que, aunque las organizaciones logren introducir bienes, productos, procesos o técnicas de comercialización nuevos o mejorados, esto no necesariamente logra traducirse en mejoras organizacionales y que el tamaño de la organización sí tendría alguna incidencia en dichas mejoras.
Tabla 9 Comparativo proceso de capacidad de absorción por tamaño de empresa
Fuente: elaboración propia.
En cuanto a la dinámica de la capacidad potencial y la realizada, el modelo comparado evidencia que no existen diferencias significativas como consecuencia del tamaño de la organización. Esto contrasta con lo mencionado por Gao et al. (2017)), quienes consideran que el tamaño puede aumentar o reducir el GAP entre estos dos tipos de capacidades. Esto podría tener explicación en el carácter iterativo del proceso de innovación, lo que sugiere que las empresas dependen en gran medida de los sistemas meso y macro de innovación (Schenker-Wicki, 2012).
Discusión y conclusiones
En este acápite se busca tener una visión global de la capacidad realizada con todos sus componentes. Para ello se analizará la relación entre las variables latentes de segundo orden: capacidad potencial, transformación y explotación. Como resumen central de esta relación, en la figura 5 se muestran los path coefficient encontrados una vez consolidados los resultados del modelo.
En el entendido que la capacidad de absorción es un proceso acumulativo, tiene sentido que justamente sea la última etapa o dimensión, la de explotación, la que represente una mayor contribución a la explicación de la variable capacidad realizada (path coefficient de 0.4576). Por su parte, la dimensión de transformación con un path coefficient de 0.1516 es la segunda variable latente más importante para explicar la capacidad de absorción realizada, hallazgo que coincide con lo señalado por Proulx al analizar los elementos claves para la apropiación social de la tecnología. Dicho autor afirma que para que se presente la apropiación, es necesario que el sistema social adquiera el dominio técnico y cognitivo del conocimiento o artefacto tecnológico, elementos que concuerdan con la definición de la dimensión de transformación. Posteriormente, y luego de integrar de manera significativa el conocimiento a sus actividades diarias, los miembros del sistema social ganan la capacidad de crear mediante acciones que generan novedad dentro de la práctica social (Crovi, 2013); lo que no es otra cosa que la generación de innovaciones a partir de prácticas y actividades distintas al núcleo de actividades de I+D. Dicho de otra forma, cuando la organización, refina, amplía y aprovecha las competencias existentes o la creación de nuevas a partir del conocimiento asimilado, adquirido y posteriormente transformado a sus propias rutinas organizacionales, es posible determinar que ha alcanzado o desarrollado una capacidad de absorción, producto de la evolución de la capacidad potencial hacia una capacidad realizada.
Sobre este último trayecto, vale la pena destacar que no se encontraron diferencias significativas entre grupos de empresas de distintos tamaños, razón por la cual se podría pensar que en el contexto colombiano las organizaciones dependen en gran medida del sistema de innovación del país (Schenker-Wicki, 2012), por lo cual valdría la pena estudiar este sistema a nivel macro.
