Capital intelectual

Existe cierto consenso en la literatura que fue el economista John Kenneth Galbraith en el año 1969 quien por primera vez aborda el término CI (^{Bontis, 1998}), así mismo es reconocido que Thomas Stewart años más tarde, en 1991 reactiva el interés por estudiarlo con su artículo Brainpower publicado en la revista Fortune (^{Serenko y Bontis, 2004}). A partir de entonces propuestas pioneras buscaron entenderlo y medirlo convirtiéndose en clásicas algunas de ellas, sobresaliendo ^{Edvinsson (1997)} con el modelo Navigator de la empresa sueca de seguros y servicios financieros Skandia ya que se convirtió en la primera empresa en establecer un departamento de CI nombrando a Leif Edvinsson como su director (^{Edvinson y Malone, 1999}; ^{Edvinsson, 1997}; ^{Nejjari y Aamoum, 2020}). Así mismo, por su trascendencia en la literatura se pueden mencionar los modelos Balanced Business Scorecard (^{Kaplan y Norton, 1997}), Technology Broker (^{Brooking, 1997}), Canadian Imperial Bank (^{Saint-Onge, 1996}), Intangible Assets Monitor (^{Sveiby, 1997}), Intelect (^{Bueno et al., 2011}; ^{Velasco y Espinoza, 2017}), Intellectus (^{Bueno et al., 2011}).

En lo referente a su conceptualización, para ^{Brooking (1997)} “hace referencia a la combinación de activos inmateriales que permite funcionar a la empresa” (p. 9), según ^{Edvinson y Malone (1999)} es “la posesión de conocimientos, experiencia aplicada, tecnología organizacional, relaciones con clientes y destrezas profesionales que dan una ventaja competitiva en el mercado” (p. 32), de acuerdo a ^{Roos y Roos (1997)} “es la suma de los activos ocultos de la empresa que no se capturaron completamente en el balance general” (p. 415) y ^{Bontis, Janošević, y Dženopoljac (2015)} lo entienden a partir de “factores no físicos que contribuyen a la creación de valor en la empresa” (p. 2).

El CI tiene la característica de ser multidimensional y aunque existen diversas clasificaciones (^{Chen, James Lin, y Chang, 2006}) parece predominar en la literatura la utilización del capital humano, capital estructural y capital relacional desde los inicios de su estudio hasta la actualidad (^{Nejjari y Aamoum, 2020}; ^{Roos, Bainbridge, y Jacobsen, 2001}; ^{Sveiby, 1997}). Según ^{Bontis (1999)} “el capital humano es el conocimiento tácito incrustado en las mentes de los empleados; el capital estructural las rutinas organizacionales del negocio, y el capital relacional el conocimiento incrustado en las relaciones establecidas con el entorno exterior” (p. 444) siendo el primero de ellos el componente principal (^{Iqbal, Latif, Marimon, Sahibzada, y Hussain, 2019}). Esta investigación adopta esta clasificación de componentes por ser utilizada de forma recurrente en estudios de CI e innovación en el nivel organizacional (por ejemplo: ^{Allameh, 2018}; ^{Cabrilo y Dahms, 2018}; ^{Cheng, Xiang, Sher, y Liu, 2018}; ^{Galeitzke, Steinhöfel, Orth, y Kohl, 2017}; ^{Kianto et al., 2017}).

Entre las virtudes que se le atribuyen al CI también conocido como activos intangibles, propiedad intelectual, valores intangibles, conocimiento, entre otros (^{Nejjari y Aamoum, 2020}) es que puede generar una diferencia favorable entre el valor de mercado y el valor en libros de la empresa (^{Hall, 1993}) y que representa la riqueza de ideas y la capacidad de innovar que determinará el futuro de la organización (^{Bontis, 1999}).

Innovación

La conceptualización de la innovación en la literatura es muy diversa y no existe consenso ni definición única (^{Buenechea-Elberdin, 2017}), parte desde autores clásicos como ^{Schumpeter (1934)} para quien significa: a) la introducción de un bien nuevo; b) la introducción de un nuevo método de producción; c) la apertura de un nuevo mercado; d) la conquista de una nueva fuente de suministro; y e) la creación de una nueva organización en cualquier industria, pasando por organismos internacionales como el manual de Oslo generado por la Organización para la Cooperación y el Desarrollo Económicos (^{OCDE, 2005}) quien la entiende como “la implementación de un producto nuevo o significativamente mejorado (bien o servicio), o proceso, un nuevo método de mercadeo o un nuevo método organizativo en las prácticas de negocios, organización en el lugar de trabajo o relaciones externas” (p. 46).

^{Drucker (1985)} por su parte, la ve como un medio que poseen los empresarios para echar a andar un negocio o servicio diferenciado. ^{Chesbrough (2003)} señala que la diferencia entre innovación e invención es que la primera se lleva a cabo en beneficio de la empresa. Para Gancia y Zilibotti (2005) citados por ^{Mohammad et al. (2013)} existe de forma vertical y horizontal, consistiendo la primera cuando se introduce un nuevo producto sin desplazar a los existentes y la segunda cuando entra un nuevo producto desplazando a los existentes. Una clasificación menos mencionada en la literatura es cuando se divide en proceso y resultado, la innovación de procesos se refiere al cómo, es decir, contempla donde tiene lugar el proceso, cuáles son sus impulsores internos y externos y cuáles son sus fuentes, por otro lado, la innovación como resultado enfocada en el qué, ligada al tipo, la magnitud y el referente, la innovación como proceso por su naturaleza es antecesora de la innovación como resultado (^{Mention, 2012}).

La innovación no es tampoco un concepto unidimensional (^{Allameh, 2018}), en este sentido, las clasificaciones prevalecientes frecuentemente en estudios de CI e innovación a nivel organizacional son las propuestas por ^{Schumpeter (1934)}, es decir radical e incremental y el manual de Oslo de la Organización para la Cooperación y el Desarrollo Económicos (^{OCDE, 2005}) con su clasificación de producto, proceso, mercadotecnia y organizativa. Por otro lado, la innovación puede referirse a algo completamente nuevo en un mercado o algo nuevo, pero únicamente para la empresa (^{Santos-Rodrigues, Fernandez-Jardón, y Figueroa, 2015}). Este trabajo, considerando autores que han abordado la relación CI-innovación a nivel organizacional los últimos años (por ejemplo: ^{Buenechea-Elberdin, Kianto, y Sáenz, 2018}; ^{Cabrilo y Dahms, 2018}; ^{Inchausti, 2017}; ^{Jardon, 2018}) la entiende como algo nuevo para la empresa llevado a la práctica y que le significa un beneficio, es decir, cosas tan sencillas como la implementación de un nueva práctica organizativa puede considerarse una innovación.

Relación CI e innovación y el nivel del individuo

Desde sus inicios autores clásicos del CI (por ejemplo: ^{Roos y Roos, 1997}) dejaron ver la relación existente con la innovación. Este vínculo se ha venido cultivando, evidenciado en revisiones de la literatura como la de ^{Buenechea-Elberdin (2017)} en la que recabó 40 trabajos del año 2006 al año 2015 y encontró que la mayoría han sido realizados en España, Italia y China, predominando como escenario el sector manufacturero y la innovación de producto como la favorita para su estudio, la autora pone de manifiesto la poca atención que se le ha dado al sector servicios, lo que hace más interesante al presente trabajo realizado en México.

La misma autora deja en evidencia la huella de ^{Subramaniam y Youndt (2005)} en el estudio del CI-innovación ya que el 77% de los trabajos revisados los citaban, situación que perdura hasta la actualidad donde otros autores contemporáneos empiezan a destacar por el número de sus citas, como ejemplo se puede mencionar a ^{Kianto et al. (2017)} quien en su trabajo involucra una tercera variable mostrando la madurez del tema.

Si bien la literatura ha abordado la relación CI-innovación esta última ha sido contemplada a nivel organizacional, dejando de lado el nivel del individuo. El estudio de la innovación al nivel del individuo en general es señalado por diversos autores como poco abordado a pesar de su importancia (^{Bettencourt et al., 2017}). Así pues, en esta laguna del conocimiento en el estudio de la relación CI-innovación este estudio pretende contribuir de forma pionera al no existir aproximaciones previas desde la perspectiva planteada.

Después de analizar una serie de nombres y conceptos para definir la innovación al nivel del individuo (por ejemplo: ^{Agarwal y Prasad, 1998}; ^{Batra y Vohra, 2016}; ^{Goepel y Hölzle, 2012}; ^{Janssen, 2005}; ^{Jong y Hartog, 2008}; ^{Kleysen y Street, 2001}; ^{Yuan y Woodman, 2010}) este trabajo coincide con ^{Kleysen y Street (2001)} “la innovación individual es una construcción rica y elusiva que ha sido definida y operacionalizada de manera diferente por varios investigadores” (p. 284).

Así pues para esta investigación la palabra innovación fue precedida por la palabra intención que significa “Determinación de la voluntad en orden a un fin” (^{Real Academia Española, 2020, p. 1}) en virtud que autores como ^{Batra y Vohra (2016)} señalan que la disponibilidad es necesaria para la innovación al nivel del individuo, siendo finalmente nombrada la variable dependiente como intención de innovación al nivel del individuo y está relacionada con la disposición o voluntad a innovar en cada empleado. Ahora bien, como para hablar de innovación en una empresa se tiene que hablar de los talentos de los individuos (^{Nejjari y Aamoum, 2020}) y como este tipo de innovación ha sido señalada como la base de la innovación organizacional (^{Goepel y Hölzle, 2012}) este trabajo la entiende como el antecedente inmediato de cualquier innovación organizacional.

Determinar que mueve a un individuo para innovar significa un reto que ha sido inspiración para otras aproximaciones (por ejemplo: ^{Kunz y Linder, 2015}) y en la presente investigación se propone que el capital intelectual influye en la intención de innovación al nivel del individuo siguiendo a ^{Mura y Longo (2013}) quienes desde una perspectiva similar en una empresa italiana comprobaron el impacto del CI sobre el desempeño.

Defensa de hipótesis

Desde hace décadas algunos teóricos han sugerido que el contexto o entorno laboral puede influir en los empleados para adoptar una conducta innovadora (por ejemplo: ^{Amabile, 1988}; ^{Kanter, 1988}). En este sentido otros autores han comprobado de forma empírica que el contexto laboral es determinante en la innovación individual, por ejemplo: ^{Scott y Bruce (1994)} en su trabajo argumentan que el liderazgo, el estilo de resolución de problemas individuales y las relaciones de grupo afectan directamente e indirectamente el comportamiento innovador en el individuo. Es decir, lo que se vive en el interior de la empresa influye sobre la innovación que el individuo esté dispuesto a proponer o adoptar. Los autores utilizando como unidad de análisis a todos los ingenieros, científicos y técnicos empleados en un departamento de I+D de una corporación industrial de Estados Unidos de América y utilizando como técnica un modelo de ecuaciones estructurales logran comprobar una serie de hipótesis relacionadas que dan soporte a su propuesta.

^{Bettencourt et al. (2017)} por su parte, proponen un modelo en el que en esencia buscan comprobar: a) que el compromiso de innovación técnica media la influencia de las habilidades relacionadas al contexto en el desempeño de la innovación individual; b) que el compromiso de innovación técnica está influenciado por percepciones relacionadas al contexto; y, por último, c) que la influencia del compromiso de innovación técnica sobre el desempeño de innovación individual también está condicionada por el contexto. Para lograr su objetivo en su estudio empírico cuantitativo consideran una muestra de empleados de I + D de una empresa de bienes y servicios industriales de alta tecnología, con 339 datos y posterior a aplicar la técnica de modelos de mínimos cuadrados ordinarios logran comprobar que la relación entre las limitaciones de innovación y el compromiso a la innovación técnica (CTI) está moderada por las habilidades individuales relevantes al contexto y que la relación entre las recompensas a la innovación y el CTI está moderada por las habilidades individuales relevantes al contexto. El resto de sus hipótesis al no encontrar soporte suficiente fueron rechazadas.

^{Goepel y Hölzle (2012)} en su estudio teórico argumentan que en los contextos organizacionales existen barreras (que en determinado momento pueden convertirse en impulsores) para la innovación al nivel de individuo limitando a las personas para desarrollar o implementar sus ideas. Los autores después de un análisis minucioso incluyen como determinantes el apoyo organizacional percibido para la innovación y la estructura organizacional (mismos que se pueden encontrar en el capital intelectual).

Así pues, si el contexto laboral tiende a influir en la innovación al nivel del individuo, al estar el individuo dentro de la empresa inmerso en un ambiente de conocimiento, habilidades, creatividad y experiencia generado por la colectividad (capital humano), de la misma forma verse rodeado de manuales, reglamentos, procedimientos y en general todo tipo de conocimiento codificado que compone la memoria organizacional (capital estructural) y por último recibiendo información continuamente del exterior a través de canales de información sobre cómo se están haciendo las cosas en otros lados (capital relacional) sin lugar a dudas detonará su intención de innovar mediante la generación o adopción de ideas que no podría concebir sin el conocimiento brindado por su entorno laboral en la empresa.

En base a lo anterior y sumado a múltiples aproximaciones a nivel organizacional que han evidenciado de forma repetitiva en diversos contextos la influencia del capital intelectual sobre la innovación (por ejemplo: ^{Al-Jinini, Dahiyat, y Bontis, 2019}; ^{Allameh, 2018}; ^{Alshamsi, Isaac, y Bhaumik, 2019}) se proponen las siguientes 3 hipótesis:

H1. El capital humano influye de forma positiva y significativa en la intención de innovación al nivel del individuo.

H2. El capital estructural influye de forma positiva y significativa en la intención de innovación al nivel del individuo.

H3. El capital relacional influye de forma positiva y significativa en la intención de innovación al nivel del individuo.

Fuente: Elaboración propia.

Fig. 1 Modelo conceptual propuesto de investigación. 

Recolección de datos, muestra y unidad de análisis

El presente estudio tiene las características de ser de tipo cuantitativo, de corte transversal y con alcance explicativo. Para probar las hipótesis de investigación se eligió una empresa dedicada a servicios de tamaño grande, con operaciones en la zona conurbada de Tampico, Madero y Altamira en el estado de Tamaulipas que ha permanecido en el mercado por más de 70 años, su permanencia en el mercado sugiere que ha estado generando innovación para sobrevivir. La empresa entre sus actividades presta servicios financieros (préstamos, créditos, financiamiento) así como actividades relacionadas con el comercio como compra venta de ropa y calzado. Como unidad de análisis se definió a los mandos intermedios, optando por un censo se obtuvieron 97 cuestionarios validos en el mes de diciembre de 2019. Entiéndase por mandos intermedios a las personas que cuentan con alguna de las siguientes características: profesionista, tener personal bajo su cargo o ser responsable de alguna área en particular. En general los mandos intermedios son los más propensos a generar innovación ya que deben solventar retos constantes en su cotidianidad para asegurar los objetivos organizacionales. La encuesta se llevó a cabo de forma presencial, previamente se solicitó permiso al departamento de recursos humanos que, a cambio de confidencialidad, anonimato y evitar entorpecer las operaciones permitió que se realizara el estudio.

Instrumento de recolección de datos

Para la operacionalización de las variables latentes se seleccionaron de la literatura 6 reactivos para cada una, con esto se construyó el cuestionario que se utilizó para capturar las autopercepciones de los individuos sobre las variables capital humano, capital estructural y capital relacional, así como sobre la variable intención de innovación (ver Tabla 1). De acuerdo a ^{Cabrilo y Dahms (2018)} seleccionar reactivos ya establecidos en la literatura facilita la comparación de los resultados, por su parte, la diversidad de reactivos contribuye a que el modelo represente mejor cuantitativamente el contexto analizado (^{Mura y Longo, 2013}) y las percepciones son recurridas de forma frecuente para los estudios de CI (^{Asiaei, Jusoh, y Bontis, 2018}) generalmente vistas como un indicador confiable (^{Singh, Darwish, y Potočnik, 2016}) aunque no están exentas de deficiencias (^{Cabrilo y Dahms, 2018}). En total, 24 reactivos fueron medidos en intensidad con una escala Likert de 7 puntos donde 1 significa totalmente en desacuerdo hasta 7 que significa totalmente de acuerdo.

Técnica utilizada

Los datos recabados en la encuesta (ver Tabla 2) fueron tratados con la técnica de ecuaciones estructurales (structural equation modelling, SEM por sus siglas en inglés) en su vertiente de mínimos cuadrados parciales (Partial Least Squares, PLS por sus siglas en inglés) propuesto por ^{Wold (1985)}. PLS se basa en la maximización de la varianza explicada, está orientada a la predicción de las variables dependientes (^{Cepeda y Roldán, 2004}) y es el ideal para definir relaciones causales entre variables latentes, es decir, que no son directamente observables, sino que solo pueden ser observadas a través de otras variables observables también llamados ítems, indicadores o reactivos que están agrupadas a ellas (^{Kline, 2011}). Los ítems en este trabajo son de carácter reflectivo, en base a ^{Chin (1998b)}, este tipo de reactivos tienen la característica que dependen de la variable latente, son intercambiables y deben estar altamente correlacionados en forma positiva (^{Roldán y Sánchez-Franco, 2012}).

Estudios de CI e innovación a nivel organizacional en la actualidad han elegido la modalidad de PLS, utilizando una diversidad de paquetes estadísticos, por ejemplo: PLS-Graph (^{Buenechea-Elberdin et al., 2018}), WarpPLS (^{Cabrilo y Dahms, 2018}) o Smartpls (^{Aramburu y Sáenz, 2011}; ^{Asiaei y Jusoh, 2017}; ^{Chen, Huang, y Davison, 2017}; ^{Costa, Fernández-Jardon Fernández, y Figueroa Dorrego, 2014}; ^{Mura y Longo, 2013}). Este último software parece ser el que más prevalece por ser capaz de manejar muestras pequeñas (^{Asiaei et al., 2018}) por lo que se elige para la parte inferencial del presente estudio.

Procedimiento

Para la estadística descriptiva reflejada en la Tabla 2 se utilizó el software Statistical Package for the Social Sciences (SPSS por sus siglas en inglés), en esa misma etapa se realizó también un análisis exploratorio de los datos y se determinó la posible existencia de valores ausentes o atípicos en la base de datos, si bien valores ausentes no se encontraron, se eliminaron 2 observaciones de la base de datos por encontrarse mucha disparidad con el grueso de las observaciones pudiendo generar distorsión en los resultados de la investigación (^{Kline, 2011}).

Posteriormente el análisis de los datos en PLS se realizó en 3 etapas, la primera relacionada a la valoración del modelo de medida, que consistió en analizar la fiabilidad individual de los indicadores a través de sus cargas, la fiabilidad del constructo a cargo del Alfa de Cronbach y la fiabilidad compuesta, la validez convergente vía la varianza extraída media (average variance extracted o AVE por sus siglas en inglés) y la validez discriminante con la ratio de correlaciones heterotrait-monotrait (HTMT por sus siglas en inglés). La segunda etapa fue la valoración del modelo estructural consistente en el análisis de la multicolinealidad del modelo estructural, la evaluación de los coeficientes path y la valoración de la R². La tercera etapa consistió en la valoración del modelo global a cargo del residual estandarizado de la raíz cuadrada media (Standarized Root Mean Square Residual o SRMR por sus siglas en inglés), esta etapa es utilizada por algunos autores como punto de partida para empezar a valorar un modelo, entendiendo que si no se ajusta no se podría continuar con su análisis (^{Henseler, Hubona, y Ray, 2016}); sin embargo, es algo que todavía no está consensado en la comunidad científica (^{Hair et al., 2017}).

Valoración del modelo de medida

Al analizar las cargas de los ítems, estas por naturaleza varían en un rango de 0 y 1, de ahí autores como ^{Hair et al., (2017)} sugieren que se conserven solo aquellas con valor mayor a .707 aunque también existen en la literatura otros autores que sugieren rangos menores (^{Barclay, Higgins, y Thompson, 1995};^{Chin, 1998}), en este caso se observan y conservan algunos levemente menores al .707 siguiendo a ^{Hair et al. (2017)} quien también señala que solo se deben eliminar si ayudan a la confiablidad compuesta. En total 8 ítems fueron eliminados en esta fase (p4ch, p5ch, p1cr, p3cr, p5cr, p1linnov, p4Iinov y P6Iinov) restando para el presente trabajo un total de 16 como se puede ver en la Tabla 3.

Posteriormente se valida la confiabilidad del instrumento a través de los constructos que la componen, es decir, la fiabilidad de la consistencia interna, esta se encarga de evaluar como los reactivos están midiendo la variable latente (^{Hair et al., 2017}). Para esto se utilizaron los criterios del Alfa de Cronbach y la fiabilidad compuesta. De acuerdo a ^{González y Pazmiño (2015)} el Alfa de Cronbach es una sencilla y confiable forma para validar un instrumento ya que únicamente cuantifica la correlación existente entre los indicadores que integran el constructo de una escala, aunque autores como ^{Fornell y Larcker (1981)} defienden que la fiabilidad compuesta es superior como medida que el Alfa de Cronbach por diversos motivos como que es una medida más general y que no se ve influenciada por el número de reactivos que pueda tener una escala.

Según ^{Hair et al. (2017)} valores mayores que deben adoptar tanto el coeficiente Alfa de Cronbach como la fiabilidad compuesta para una fiabilidad modesta es de 0.7 en adelante, ahora bien si se miden fenómenos más estudiados debería estarse manejando como mínimo de 0.8 a 0.9. En el caso del presente estudio ambos indicadores de los cuatro constructos (variables latentes) son superiores al 0.7 por lo que se cumplen ambos criterios de confiabilidad (ver Tabla 3).

Posteriormente se abordó la validez convergente, misma que se encarga de comprobar que el grupo de indicadores representen un solo constructo latente (^{Henseler, Ringle, y Sinkovics, 2009}). La forma de medirse es a través de la AVE la cual se encarga de medir la cantidad de varianza que una variable puede obtener de sus ítems en relación a la varianza con el error de medida (^{Fornell y Larcker, 1981}). Siguiendo con la Tabla 3, la variable capital estructural observa el AVE mayor mientras que en sentido inverso, el capital relacional obtiene el menor valor, pero dentro de los parámetros establecidos. De acuerdo a ^{Hair, Ringle, y Sarstedt (2011)} un AVE > .50 indicaría la necesaria validez convergente, ^{Chin (1998)} coincide que cada constructo cuando menos debería ser explicado en un 50% de su varianza por sus indicadores ya que si fuese menos se entendería como que la varianza del error es mayor que la varianza explicada.

Lo siguiente es validar la validez discriminante, para esto el software da las opciones del criterio de ^{Fornell y Larcker (1981)}, la evaluación de la matriz de cargas y cargas cruzadas (^{Barclay et al., 1995}) y la ratio HTMT, sobre esta última, sus autores demostraron que los criterios previos tienen fallas al detectar falta de validez discriminante entre dos variables en situaciones comunes, los valores a observar deber ser <1 (^{Henseler, Ringle, y Sarstedt, 2015}) y los cuatro constructos cumplen con los valores sugeridos.

En la Tabla 3 se presentan los resultados obtenidos en el ajuste del modelo de medida, así como los parámetros que deben observar para proseguir a la segunda etapa que es el ajuste del modelo estructural. En PLS la significación estadística no puede ser observada directamente por lo que es necesario apoyarse en técnicas de re-muestreo como el bootstrapping.

La técnica bootstrapping consiste en un muestreo repetido aleatorio con reposición de la muestra original para formar un número de muestras bootstrap (^{Hair et al., 2011}), esta técnica no exige normalidad y el resultado es obtener coeficientes que consienten el cálculo de la significancia de las estimaciones, ^{Hair et al. (2017)} sugiere para llevar a cabo esta técnica un número mayor de muestras, por ejemplo 5,000 observaciones que son las aplicadas en esta investigación a través del software Smartpls. A partir de aplicar esta técnica se obtienen los errores estándar, los estadísticos t y los intervalos de confianza de los parámetros.

Valoración del modelo estructural

La valoración de los estadísticos de colinealidad en los extremos muestra al capital estructural en su relación con la intención de innovación con un valor de 1.425 y en el extremo contrario al capital relacional en su relación con la intención de innovación con un valor de 1.020, lo que comprueba que no existen indicios de multicolinealidad. De acuerdo a ^{Hair, Black, Babin, y Anderson (2014)} los valores ideales para evitar problemas de multicolinealidad en los FIV (Variance Inflation Factor o Factor de Inflación de la Varianza en español) es cuando toman valores hasta de 5.

La validación de la R² se refiere al poder predictivo del modelo o dicho de otra forma que tanto explica el modelo a la variable endógena, la variable intención de innovación muestra un resultado de 0.704 (70.4%) , y la R² ajustada de 0.694 (69.40%) significativa, en este sentido ^{Hair et al. (2017)} señala que lo ideal es utilizar la R² ajustada. Sobre los valores que deben observar si se toma en cuenta por ejemplo que ^{Falk y Miller (1992)} hablan de valores = o > 0.1 para considerarse adecuados, por su parte, ^{Chin, (1998)} habla de tres rangos en los que 0.19 debe ser considerado como débil, 0.33 como moderado y 0.67 como sustancial, ^{Hair et al. (2017)} señala que los valores se pueden considerar al 25% como débil, al 50% como moderada y al 75% como de un efecto sustancial, entre otros, a manera de conclusión se puede decir que mientras más cercano a 1 mayor poder predictivo tendrán las variables exógenas, por lo que se puede considerar que el resultado obtenido es muy aceptable

En la Tabla 4 los coeficientes path (pesos de regresión estandarizados) que son las relaciones planteadas, se observan con 2 resultados positivos y significativos lo que va muy de la mano con el planteamiento teórico, en los extremos, la influencia del capital relacional sobre la intención de innovación es la que presenta el coeficiente más alto (significativo) y por el contrario la influencia del capital humano sobre la intención de innovación presenta un coeficiente negativo, contrario a lo propuesto en la investigación. En cuanto a los valores para considerar aceptable un coeficiente path autores como ^{Chin, (1998)} sugieren que debería ser = o > 0.2 o situarse incluso > 0.3. Los intervalos de confianza por su parte validan que los coeficientes path entren en los rangos que arrojó el muestreo a decir de ^{Sanchez-Infante (2017)} es el mejor método para probar la significación.

Siguiendo la misma Tabla 4 los índices t y p se utilizan para probar las hipótesis, con el nivel de significancia de 0.05 el t valor debe ser mayor a 1.96 y en contraparte el p valor debe ser valor menor a 0.05 para poder aceptarlas (^{Allameh, 2018}). Así pues, en esta etapa se puede concluir que las H2 y H3 tienen el sustento necesario para ser aceptadas, por su parte la H1 se rechaza por no encontrarse soporte.

Valoración del modelo global

La calidad del ajuste o bondad del modelo se genera de forma directa en el sistema Smartpls a través de la SRMR (Standarized Root Mean Square Residual) que significa el residual estandarizado de la raíz cuadrada media que “se define como la diferencia entre la correlación observada y la matriz de correlación implícita del modelo. Por lo tanto, permite evaluar la magnitud promedio de las discrepancias entre las correlaciones observadas y esperadas como una medida absoluta del criterio de ajuste (modelo)” (^{SmartPls, 2020, p. 1}), así pues, de una manera práctica y sencilla puede utilizarse para evitar la especificación errónea del modelo. En la presente investigación adopta un valor de 0.074, es decir, cumple con el valor ideal de autores como ^{Hu y Bentler (1998)} quienes sugieren que el modelo tiene un buen ajuste cuando este indicador toma valores menores a 0.08.