SciELO - Scientific Electronic Library Online

 
vol.61 número2Determinantes de la concentración de la propiedad empresarial en MéxicoCrecimiento y rentabilidad empresarial en el sector industrial brasileño índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Contaduría y administración

versión impresa ISSN 0186-1042

Contad. Adm vol.61 no.2 México abr./jun. 2016

https://doi.org/10.1016/j.cya.2015.12.003 

Artículos

Elementos de la estrategia de marketing y su efecto sobre la participación de mercado en la industria chilena

Elements of marketing strategy and its effect on market share in chilean industry

Cristian Alejandro Mardones Pobletea  * 

Cristián Enrique Sebastián Gárate Sepúlvedaa 

a Universidad de Concepción, Concepción, Chile


Resumen:

En este estudio se analiza cómo los elementos de la estrategia de marketing afectan la participación de mercado. Para ello, son utilizados datos de la Encuesta Nacional Industrial Anual (ENIA) realizada anualmente en Chile entre el año 2000 y 2012. Al aplicar el método de pseudopanel con datos de establecimientos industriales chilenos, se concluye que la participación de mercado es afectada por la pertenencia a determinado sector económico más que por variables asociadas al marketing. Por lo anterior, se decide realizar nuevamente el análisis por sector industrial, encontrando impactos estadísticamente significativos de las variables de marketing en algunos sectores. En particular, el gasto en publicidad y promoción tiene un efecto positivo sobre la participación de mercado para un 45% de los sectores económicos analizados, y además, es la variable de marketing que genera un mayor impacto en la participación de mercado.

Palabras clave Participación de mercado; Pseudopanel; Marketing

Abstract:

This study examines how the elements of marketing strategy affect market share. To do this, data from the Annual National Industrial Survey (ENIA) conducted annually in Chile between 2000 and 2012 are used. By applying the method of pseudo-panel with Chilean industrial establishments' data, we conclude that market share is affected by the membership of a particular economic sector rather than variables associated with marketing decisions. Therefore, we decided to perform again the analysis by industrial sector, finding statistically significant impacts of marketing variables in some sectors. In particular, spending on advertising and promotion has a positive effect on market share to 45% of the analyzed economic sectors and also it is marketing variable that generates a greater impact on market share.

Keywords Market share; Pseudo-panel; Marketing

Códigos JEL: M30; C23

Introducción

En términos teóricos, la participación de mercado es afectada por los elementos de la estrategia de marketing y el marketing mix (Weiss, 1968). Por otra parte, la estrategia de marketing puede ser pensada como los diferentes planes o cursos de acción que puede elegir una empresa para reaccionar a las fuerzas ambientales que la afectan con tal de alcanzar los objetivos organizacionales dentro de un segmento de mercado. En general, el concepto de estrategia de marketing se asocia a los elementos del marketing mix que incluyen producto, precio, distribución y promoción (Stanton, Etzel y Walker, 2007).

Desde un punto de vista empírico, a partir de la década de los sesenta se ha intentado investigar con métodos econométricos qué factores afectan las ventas y cómo afectan las mismas a la participación de mercado de una empresa (ver Massy y Frank, 1965; Weiss, 1968; Rao, 1972; Bell, Keeney y Little, 1975; Horsky, 1977, entre otros).

Actualmente, a nivel internacional no existen muchos estudios recientes sobre el efecto que tienen las decisiones de marketing sobre la participación de mercado a nivel de la industria manufacturera. La excepción son los trabajos de Babić, Kuljanin y Kalić (2014), quienes desarrollan un modelo con métodos de regresión y fuzzy logic para predecir la participación de mercado de las líneas aéreas en los aeropuertos; para ello utilizan datos de precios promedio, frecuencia de vuelos, número de competidores, factor de carga, alianzas suscritas y existencia de líneas aéreas del tipo low cost . Tamm, Tauchmann, Wasem y Gress (2007), utilizando el método de paneles dinámicos, determinan la elasticidad precio sobre la participación de mercado en el sistema de seguro social de salud alemán; sus resultados muestran diferencias sustanciales entre las elasticidades de corto y largo plazo. Ailawadi, Lehmann y Neslin (2001) analizan la estrategia de marketing de Procter & Gamble planteando que, para una marca promedio, las ofertas y los cupones de descuento aumentan la penetración en el mercado, pero tienen baja influencia en la retención de clientes. Además, se encuentra que la publicidad aumenta la participación de mercado. Ataman, van Heerde y Mela (2010) estudian el efecto que tiene la distribución sobre la participación de mercado y establecen una relación positiva entre las variables para la categoría de bienes envasados, mientras que Wildbur y Farris (2014) concluyen que el grado de convexidad de la relación es mayor en las categorías con mayores utilidades y más altas participaciones de mercado.

Otros estudios que abordan problemáticas relacionadas a la participación de mercado son analizadas en Bowman y Gatignon (1996), quienes concluyen que la entrada tardía a un mercado no necesariamente conlleva una menor participación de mercado, aunque nivelar la situación no está exento de un costo sustancial para las empresas de entrada tardía. Ruble y Versaevel (2014) demuestran que cuando la participación de mercado combinada es alta, las empresas pueden aumentar su I +D a través de cooperación, y que sus acuerdos de I + D pueden ser más beneficiosos. Finalmente, Packalen y Sen (2013) estiman los efectos de una fusión sobre la participación de mercado en el corto y largo plazo.

En Chile, la Encuesta Nacional Industrial Anual (ENIA) ha sido utilizada para diversos estudios económicos en el sector industrial, aunque no para investigar específicamente las variables de marketing y su efecto en la participación de mercado. Sin embargo, uno de los resultados de Álvarez y Crespi (2000) muestra que no existe un impacto positivo en el número de productos exportados a través de la utilización de publicidad para exportaciones, suministrada por instrumentos públicos de fomento al sector exportador.

En este contexto, se decidió analizar los efectos que tienen distintos factores de marketing sobre la participación de mercado a nivel industrial en Chile utilizando datos de las encuestas ENIA desde el año 2000 al 20121, ya que los resultados del trabajo permitirían aportar un enfoque cuantitativo a la toma decisiones de marketing en mercados industriales.

Descripción de los datos utilizados

La ENIA es una encuesta que recolecta información de los establecimientos industriales chilenos que tengan 10 o más personas ocupadas durante un periodo igual o mayor a un semestre. El principal interés de la encuesta es "realizar una caracterización detallada de la actividad manufacturera del país, en términos de insumos utilizados, productos elaborados y factores productivos que participan en el proceso de transformación" (Instituto Nacional de Estadísticas, 2013).

Ya que el levantamiento de información es de carácter anual (durante el mes de abril y mayo), en la ENIA se incorporan nuevos establecimientos y se excluyen aquellos que paralizaron su actividad en forma temporal o definitiva año tras año. Todas las empresas están obligadas por Ley n.° 17.374 a responder las solicitudes del Instituto Nacional de Estadísticas. De negarse a contestar, las firmas arriesgan multas económicas.

Se debe mencionar que los establecimientos industriales encuestados mantienen el anonimato (gracias al secreto estadístico) y se identifican en base a un código de identificación asignado cada año. Nada asegura que la cantidad de establecimientos encuestados sea la misma año a año, ni que el código que se le asignó a una un determinado periodo sea el mismo al año siguiente, por lo que hacer seguimiento de los establecimientos industriales en el tiempo resulta imposible.

La encuesta se levanta a través de 6 formularios mediante los cuales se recopila información económica, contable, geográfica, características del producto elaborado, materias primas y materiales requeridos, entre otros. El Instituto Nacional de Estadísticas define los formularios y las temáticas abarcadas a través del informe metodológico que se publica junto con los resultados de la ENIA.

En la figura 1 se aprecia que una empresa que posee un solo establecimiento y participa en solo una actividad económica está completamente descrita con la información de los formularios 1, 3 y 4.

Fuente: Instituto Nacional de Estadísticas (2013).

Figura 1 Esquema de formularios caso uniestablecimiento-uniactividad. 

No obstante, la encuesta a través de los restantes formularios también caracteriza a las empresas que poseen más de un establecimiento industrial y participan en uno o varios sectores económicos verticalmente.

A partir de la ENIA se obtuvo la información de un total 62.118 establecimientos industriales2 durante 13 años (en promedio se contó con 4.778 firmas por año de estudio), para los cuales no se conoce la razón social ni algún dato que permita identificarlos, pero existe información del sector económico al cual pertenecen (Clasificación Internacional Industrial Uniforme [CIIU]). La tercera revisión del año 1990 (Rev. 3) del código CIIU se compone de 17 categorías que representan actividades económicas (desde la A a la Q), 60 divisiones (números), 159 grupos y 292 clases. Se estructura de forma tal que, en conjunto, el primer y segundo dígitos indican la división, 3 dígitos indican un grupo y finalmente 4 dígitos indican la clase.

Luego de analizar la disponibilidad de información en la ENIA y contrastarla con los factores teóricos de marketing que afectan la participación de mercado de acuerdo a los estudios mencionados en la revisión bibliográfica, se construyeron distintas variables caracterizadoras.

Para la estrategia de "promoción", que incluye publicidad, fuerza de ventas, promoción de ventas y relaciones públicas, las variables disponibles que se pudieron construir fueron: razón de remuneraciones pagadas a vendedores y trabajadores comisionistas con respecto al total de remuneraciones pagadas (remcomtot) ; razón de horas trabajadas por los vendedores y trabajadores comisionistas con respecto al total de horas trabajadas (hhcomtot) ; razón del número de vendedores y trabajadores comisionistas respecto al total de trabajadores (numcomtot) ; razón del gasto en publicidad sobre el costo total (pubtot) . Para la estrategia de "plaza" la variable que se pudo construir fue: razón del gasto en distribución sobre el costo total (distot) . Para la estrategia de "precio" la variable que se pudo construir fue: razón que relaciona las utilidades sobre el costo total como una aproximación al margen de comercialización (uticost) . Para la estrategia de "producto" no fue posible obtener variables a partir de la información disponible en la base de datos utilizada.

Además, se incluyeron variables para caracterizar los establecimientos industriales: forma de propiedad (forpro) ; tamaño de la empresa (tamaño) ; región en la cual el establecimiento industrial se localiza (región) ; sector económico al cual pertenece (CIIU) ; año al cual pertenecen los datos (año) ; razón de trabajadores de género masculino con respecto al total de trabajadores (numhomtot) ; razón de participación de capital extranjero (capext) ; razón de exportaciones a ventas totales (expor) ; razón de días de paralización respecto al total de días trabajados (diapartot) .

Finalmente, la variable de interés sobre la cual se pretende realizar una modelación econométrica para caracterizar su comportamiento es: participación de mercado del establecimiento industrial respecto al total de ventas del sector económico al cual pertenece (pmerc).

Así, se generó una base de datos con los valores de las variables de interés correspondiente a cada una de los establecimientos industriales encuestados durante cada año de la ENIA.

Con el fin de perder la menor cantidad de datos posible se trabajó con los códigos CIIU a 2 dígitos, ya que a partir del año 2008 en la ENIA se observó la aparición de códigos CIIU de uno, 2, 3 y 4 dígitos en la clasificación, lo que generaba un problema para realizar el cálculo de la participación de mercado. Así, para el cálculo de la variable pmerc se consideraron las ventas anuales de cada establecimiento industrial respecto a las ventas de todos los establecimientos industriales que compartían el mismo código CIIU truncado a 2 dígitos, obteniendo un total de 62.011 observaciones (99,83% del total) clasificadas en 22 categorías de sectores económicos (tabla 1). Cabe destacar que existen 3 sectores económicos (códigos CIIU 23, 30 y 37) para los cuales existen muy pocas observaciones anuales.

Tabla 1 Clasificación de empresas en base a CIIU a 2 dígitos 

Código CIIU Sector industrial 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 Total
15 Fab. de productos alimenticios y bebidas 1515 1521 1621 1607 1685 1680 1606 1520 1371 1325 1261 1243 952 18907
17 Fab. de productos textiles 269 274 276 272 268 250 232 218 178 158 162 145 114 2816
18 Fab. de prendas de vestir 293 280 300 282 283 264 245 219 189 167 142 127 95 2886
19 Fab. de productos de cuero, maletas y bolsos 162 165 158 146 145 122 115 105 78 70 59 61 50 1436
20 Fab. de madera y productos de madera 343 348 369 354 360 362 342 327 273 240 218 189 172 3897
21 Fab. de papel y productos del papel 144 134 146 159 169 166 158 150 146 140 129 115 109 1865
22 Actividades de edición, grabación e impresión 222 215 253 276 281 279 265 267 214 197 186 159 129 2943
23 Fab. de productos de horno coque y refinación 0 0 0 0 0 0 0 0 0 0 0 0 4 4
24 Fab. de sustancias y productos químicos 298 294 311 321 327 333 315 291 261 251 236 213 203 3654
25 Fab. de productos de plástico 300 291 315 339 359 350 344 334 334 321 297 295 236 4115
26 Fab. de otros productos no metálicos 272 282 277 266 268 274 286 287 239 231 238 246 227 3393
27 Fabricación de metales comunes 123 125 127 124 150 159 159 155 131 123 63 76 57 1572
28 Fab. de productos de metal 392 378 405 395 416 410 403 395 393 363 362 354 289 4955
29 Fab. de maquinaria y equipo 290 277 330 318 335 329 315 299 303 281 261 280 210 3828
30 Fab. de maquinaria de oficina e informática 0 0 0 3 3 3 3 3 3 4 5 3 0 30
31 Fab. de maquinaria y aparatos eléctricos 104 86 90 86 91 85 73 66 56 56 51 60 63 967
32 Fab. de equipos de comunicaciones 12 9 12 12 12 6 4 3 3 3 3 3 3 85
33 Fab. de instrumentos médicos, precisión y relojes 30 27 31 34 33 34 34 30 20 24 22 31 22 372
34 Fab. de vehículos automotores y remolques 76 77 75 84 84 92 88 82 50 45 40 43 30 866
35 Fab. de otros tipos de equipo de transporte 52 50 56 48 55 53 51 52 24 24 23 32 21 541
36 Fab. de muebles 264 255 264 251 276 265 235 234 195 181 173 163 122 2878
37 Reciclamiento de desperdicios y desechos 0 0 0 0 0 0 0 0 0 0 0 0 1 1
Total 5161 5088 5416 5377 5600 5516 5273 5037 4461 4204 3931 3838 3109 62011

Fuente: elaboración propia en base a Encuesta ENIA (2000-2012).

Los cálculos de la participación de mercado muestran que en promedio la participación no es estable, y para la mayoría de los sectores industriales ha ido creciendo a través de los años, lo cual refleja una mayor concentración del mercado (fig. 2). Por lo tanto, identificar qué factores han influido de forma positiva en la participación de mercado para un establecimiento industrial particular es de alto interés para la alta gerencia.

Fuente: elaboración propia en base a Encuesta ENIA (2000-2012).

Figura 2 Evolución promedio de la participación de mercado por sector industrial 

En la tabla 2 se presentan la definición y la estadística descriptiva de todas las variables utilizadas en la presente investigación. Además, se incluye el signo esperado basado en los aspectos teóricos del marketing. Por ejemplo, a priori la variable capext se espera que tenga un signo positivo, ya que las empresas con capitales extranjeros tienen mayor transferencia tecnológica del extranjero y pueden ser más productivas; la variable diapartot se espera que tenga un signo negativo, ya que un menor nivel de actividad obviamente genera menores ventas; la variable expor se espera que tenga un signo positivo, ya que al competir en mercados internacionales tiene un mayor acceso a grandes mercados; de la variable numhomtot a priori no existe ningún signo esperado, ya que existen argumentos contrapuestos (productividad, mejor atención del cliente, entre otros); la variable distot se espera que tenga un signo positivo, ya que un mayor gasto en distribución podría involucrar acceso a mercados geográficos más distantes; la variable hhcomtot se espera que tenga un signo positivo, ya que a mayor cantidad de horas en actividades de venta se esperan mejores resultados; la variable remcomtot se espera que tenga un signo positivo, ya que a mayor incentivo monetario a los vendedores se esperan ventas mayores; la variable numcomtot se espera que tenga un signo positivo, ya que a mayor fuerza de venta se esperan mejores resultados; la variable pubtot se espera que tenga un signo positivo, ya que a mayor esfuerzo publicitario se espera mayor recordación de marca y fidelización de los clientes; la variable uticost se espera que tenga un signo negativo, ya que a mayores márgenes de comercialización se tienen precios más altos que la competencia, lo cual generaría menores ventas si no está acompañado de una mejor propuesta de valor para el cliente; la variable forpro se espera que tenga un signo positivo para las empresas públicas o mixtas, ya que en Chile existen pocas empresas de propiedad estatal y ellas pertenecen a sectores con características monopólicas o sectores regulados; la variable año se espera que tenga un signo positivo de acuerdo a los resultados observados en la figura 2; la variable ciiu2 se espera que tenga algún efecto positivo o negativo dependiendo del grado de concentración del sector económico; la variable tamaño se espera que tenga un signo positivo para las empresas de mayor tamaño; la variable región se espera que tenga algún efecto positivo o negativo dependiendo de si la región tiene o no alta densidad poblacional.

Tabla 2 Estadística descriptiva de variables utilizadas 

Variable Descripción Signo esperado N° Obs. Promedio D. Est. Min Max
pmercint Participación de mercado del establecimiento industrial respecto al total de ventas de su sector económico - 62011 0.0035 0.0184 0 1
capext El porcentaje de conformación del capital extranjero sobre el capital total del establecimiento industrial Positivo 62118 0.0484 0.2030 0 1
diapartot El cociente entre los días paralizados y los días trabajados en la firma. Negativo 62046 0.0350 0.4063 0 90.2500
expor Representa la razón de exportaciones a ventas totales Positivo 62009 0.0683 0.2055 0 1
numhomtot La participación de los trabajadores de sexo masculino en los establecimientos industriales ¿? 62011 0.7689 0.2212 0 1
distot Representa el gasto en distribución (gasto en servicios de almacenamiento y frigoríficos, las comisiones a distribuidores, y el gasto en fletes) dividido por el costo total Positivo 58602 0.1377 0.2013 0 1
hhcomtot El porcentaje de horas trabajadas por los vendedores comisionistas sobre el total de horas trabajadas por todos los trabajadores del establecimiento industrial Positivo 62019 0.0652 0.1315 0 1
remcomtot La fracción del gasto en remuneraciones que se paga a los vendedores respecto al gasto total en remuneraciones Positivo 62058 0.0770 0.1281 0 1
numcomtot Representa la razón de número de vendedores y trabajadores comisionistas respecto al total de trabajadores Positivo 62011 0.0686 0.1258 0 1
pubtot Representa la razón de gasto en publicidad (desembolsos en publicidad e investigación de mercado) con respecto al costo total Positivo 58602 0.0458 0.1124 0 1
uticost Refleja el margen de comercialización definido como utilidad sobre el costo total Negativo 61706 0.1264 0.6955 0 9.9977
forpro Describe la forma de propiedad de la empresa (privada nacional, privada extranjera, mixta o estatal) Positivo 62118 1.1317 0.4960 0 4
año Año de la información Positivo 62118 2005.50 3.5734 2000 2012
ciiu2 Sector económico al que pertenece el establecimiento industrial ¿? 62118 21.9488 6.3483 15 37
tamaño Estratifica las industrias según cantidad total de empleados utilizados en un año (0 a 4, 5 a 9, 10 a 19, 20 a 49, 50 a 99, 100 a 199, 200 a 499, 500 a 999, y mayor a 1000 trabajadores) Positivo 62118 3.1470 1.5308 0 8
región Identifica la ubicación del establecimiento industrial en cada región de Chile ¿? 62118 10.1232 3.6722 1 15

Fuente: elaboración propia en base a Encuesta ENIA (2000-2012).

Metodología

Para analizar los datos obtenidos se utilizó la metodología de pseudopanel con variables instrumentales, dada la incapacidad de realizar un seguimiento de cada una de los establecimientos industriales a través del tiempo (de ser así, se hubiese utilizado una metodología para datos de panel). Posteriormente, se utilizaron regresiones de mínimos cuadros con varianza robusta para realizar análisis específicos para cada sector económico.

Pseudopanel

En muchos países no se cuenta con información en forma de datos de panel, debido a distintos factores de tipo económico o logístico. La falta de información en forma de panel genuino, donde se haga seguimiento en el tiempo sobre firmas específicas, es reemplazada por encuestas de secciones repetidas de corte transversal, donde se elige aleatoriamente a los encuestados en periodos de tiempo consecutivos. Sin embargo, se genera un problema con las repeticiones de datos de corte transversal, ya que es imposible hacer un rastreo de los encuestados a través del tiempo, como se requiere en los estudios de panel tradicionales (Baltagi, 2005).

Por lo anterior, se ha propuesto un modelo que permite hacer seguimiento de cohortes y estimación de relaciones económicas basados en la media de las cohortes, por sobre las mediciones individuales. Una cohorte se define como "un grupo de membresía fija, individuos que pueden ser identificados a medida que van apareciendo en las encuestas".

Así, los llamados pseudopaneles no sufren del problema de deserción que abunda en los paneles ordinarios, y que puede estar disponible por periodos de tiempo más largos (Deaton, 1985).

Desde una perspectiva general, se tienen datos de corte transversal repetidos, de los cuales se deben construir las cohortes para luego aplicar las técnicas de mínimos cuadrados adecuadas con el fin de obtener los estimadores del modelo. En la ecuación (1) se presenta un set de T secciones de corte transversal independientes.

(1)

El subíndice i corresponde a un nuevo y, muy probablemente, un conjunto diferente de individuos en cada período. Es por lo anterior que el subíndice it denota que los individuos son dependientes del tiempo, y se asume que el número de encuestados es constante (e iguales a N ) para cada periodo de estudio y elegidos aleatoriamente.

Si se define un conjunto de C cohortes, cada uno con una cantidad de miembros fija, que permanece constante durante todo el periodo de observación, cada individuo observado en la encuesta pertenece exactamente a una cohorte. Calculando el promedio de las observaciones en cada cohorte, se obtiene la ecuación (2), válida para c = 1, ..., C y t = 1, ..., T .

(2)

ȳct es el promedio de todos los y it que pertenecen a la cohorte c en el periodo t . Como la relación económica para el individuo incluye un efecto individual fijo, la relación correspondiente para la cohorte también incluye un efecto de cohorte fijo. Sin embargo, ūct varía con t , debido a que se promedia a través de las observaciones de cada cohorte c en el periodo t . Además, estos ūct están presuntamente correlacionados con x it , por lo cual la especificación de efecto aleatorio genera estimaciones inconsistentes. Por otro lado, tratar ūct como un efecto fijo crea un problema de identificación, a menos que ūctc permanezca constante en el tiempo. Este último supuesto es factible siempre y cuando las observaciones en cada cohorte sean muy grandes. Así, se puede formular la ecuación (3), válida para c = 1, ..., C y t = 1, ..., T .

(3)

La ecuación anterior representa un pseudopanel con T observaciones en C cohortes, para la cual, el estimador de efectos fijos βW^ , basado en la transformación dentro de las cohortes yct^ ct−ȳc, es un candidato natural para estimar β . Se debe notar que mientras los grupos contengan la misma cantidad de individuos en el tiempo, a un nivel poblacional, las medias de la cohorte poblacional serán datos de panel originales (Baltagi, 2005). Adicionalmente, ȳct solo puede estimar las medias de cohorte poblacional no observadas con error de medición; por lo tanto, se debe corregir el estimador del error de medición dentro de las cohortes utilizando las estimaciones de los errores en la matriz varianza-covarianza obtenida de los datos de encuesta individuales. El estimador de la medida del error corregido dentro de grupos para el modelo estático con efectos individuales es consistente para un número fijo de observaciones por cohorte (Deaton, 1985).

Baltagi (2005) plantea que hay un trade-off significativo en la construcción de un pseudopanel, ya que a mayor cantidad de cohortes, menor es el número de individuos por cohorte. En este caso, C es grande y el pseudopanel se basa en un gran número de observaciones. Sin embargo, que n c no sea grande implica que el estimador de la media poblacional, la media de la cohorte, no es preciso y se tiene una gran cantidad C de observaciones imprecisas. Por otro lado, un pseudopanel construido con un pequeño número de cohortes y más observaciones individuales por cohorte, vale decir C pequeño y n c grande, genera observaciones más precisas.

Pseudopaneles con variables instrumentales

Una metodología alternativa para pseudopaneles es desarrollada por Moffitt (1993), quien plantea que se puede tratar el agrupamiento (cohortes) con variables instrumentales.

Primero, descompone el efecto individual θ i en un efecto cohorte θ c y una desviación individual vi.

(4)

Donde d ci son los variables dummies a nivel de cohorte, que indican que la firma i es parte de la cohorte c . Luego, se sustituye la ecuación anterior en el modelo de efectos fijos, lo que arroja la ecuación (5).

(5)

No es improbable que la variable explicativa x it y la variación individual vi estén correlacionados, lo cual arroja estimadores inconsistentes si se utiliza mínimos cuadrados ordinarios (MCO). Si se demuestra que x it no está correlacionado con vi ni con ε it , un estimador de variables instrumentales produce un estimador consistente para β y para θ c . Además, se sugiere definir variables dummy D st para cada año, las cuales toman el valor 1 si s = t y cero en otro caso, las cuales, al interactuar con las variables dummy de las cohortes, pueden ser utilizadas como instrumentos (estimaciones) para x it . También se define un predictor para x it en la ecuación (6).

(6)

Para evitar multicolinealidad se deben hacer ciertas restricciones, una de ellas es que la suma de la desviación de la cohorte no sea mayor a 0. Un predictor lineal para x it está dado por xit^=xit- , el cual es el valor promedio de x en la cohorte c en el tiempo t . El resultante es un estimador de variable instrumental dado por la ecuación (7), que es otro método de escribir el estimador de efecto fijo.

(7)

Mínimos cuadrados ordinarios con varianza robusta

Las regresiones robustas son un tipo de análisis que permite eludir las limitaciones tradicionales de los métodos de MCO, los cuales son afectados por heterocedasticidad y datos atípicos. En muchos casos la varianza de la variable explicativa no es constante, por lo que no se cumple el supuesto de homocedasticidad.

Para combatir el hecho de que los errores sean heterocedásticos, se utiliza el método de "estimador de White de la matriz de varianzas de βMCO^ " en la ecuación (8), donde los e t son los residuos de la estimación por MCO.

(8)

La ecuación anterior se define como "matriz de varianzas estimada de βMCO^ robusta a heterocedasticidad", ya que representa una estimación apropiada de la matriz de varianzas de βMCO^ en 2 escenarios, cuando los errores son heterocedásticos como cuando son homocedásticos. A su vez, a los errores estándar de la matriz se les conoce como errores estándar robustos a heterocedasticidad. La gran ventaja de este método es que se puede utilizar el resultado de estimación MCO y no se necesita especificar el tipo de heterocedasticidad.

Aplicación de los métodos estadísticos

Tal como se indicó previamente, para utilizar el método de pseudopanel con variables instrumentales primero se construyeron 2 tipos de variables dummy con las cuales se proyectaron las variables explicativas. El primer tipo de variables fue de la forma dummy_ciiuNN , donde NN representó un código CIIU de los que ya se truncaron a 2 dígitos. Dicha variable tomó valor 1 si la firma pertenece al código NN , y cero en caso contrario. El segundo tipo de variable tuvo la forma dummy_ciiuNN_YYYY , donde NN representó un código CIIU de los que ya se truncaron a 2 y YYYY representó un año en estudio. Por lo tanto, dummy_ciiu15_2000 representa a una empresa que pertenece a la división "elaboración de productos alimenticios y bebidas" y el dato del año 2000. La variable que se definió anteriormente toma 2 valores, 1 cuando la firma pertenece al código NN y el dato es del año YYYY . En resumen, se construyeron variables que incluyeron el identificador de la cohorte (CIIU) y variables que incluyeron la interacción entre la cohorte (CIIU) y el año.

Luego se realizó una regresión de MCO para proyectar las variables explicativas, a partir de las variables dummy previamente definidas. Luego se crearon las variables explicativas instrumentalizadas. Una vez que se completó la estimación de las variables explicativas, se procede a realizar la regresión mediante mínimos cuadrados, lo que completa el análisis de pseudopanel con variables instrumentales.

Como análisis complementario, también se realizaron regresiones múltiples, mediante mínimos cuadrados con varianza robusta (White, 1980), para cada uno de los códigos CIIU de la muestra. Para la participación de mercado pmerc se consideraron las variables explicativas region 1, region 2, region 3, region 4, region 5, region 6, region 7, region 8, region 9, region 10, region 11, region 12, region 13, region 14, tam 1, tam 2, tam 3, tam 4, tam 5, tam 6, tam 7, forpro 1, forpro 2, forpro 3, año2000, año2001,año2002,año2003,año2004,año2005,año2006,año2006,año2007,año2008,año2009,año2010,año2011,expor, remcomtot , numcomtot , numhomtot , capext , diapartot , pubtot , distot y uticost .

Resultados

A continuación se presentan los resultados del estudio para el método de pseudopanel con variables instrumentales, y luego, los resultados obtenidos de la regresión mediante MCO con varianza robusta para cada código CIIU.

Regresión de pseudopanel mediante variables instrumentales

En la tabla 3 se observan 3 especificaciones alternativas para analizar la robustez de las estimaciones de pseudopanel con variables instrumentales. La primera especificación incluye variables con características del establecimiento industrial, variables asociadas a las decisiones de marketing, variables asociadas a la forma de propiedad, variables temporales, variables por código CIIU, variables asociadas al tamaño y variables asociadas a la localización regional. En la segunda especificación se excluyen las variables asociadas a la localización regional. En la tercera especificación se excluyen las variables asociadas a la localización regional, y además, las variables asociadas al tamaño del establecimiento industrial.

Tabla 3 Resultados de la estimación de pseudopanel mediante variables instrumentales para la participación de mercado 

Variable Coeficiente D. Est. Coeficiente D. Est. Coeficiente D. Est.
constante 0.2788 0.0954** 0.1518 0.0699* 0.1009 0.0250**
capext −0.2027 0.0882* −0.1581 0.0857 −0.1267 0.0859
diapartot 0.0259 0.0165 −0.0504 0.0099** −0.0488 0.0098**
expor 0.0641 0.0387 0.0077 0.0280 0.0233 0.0212
numhomtot 0.0094 0.0120 −0.0147 0.0076 −0.0174 0.0071*
distot 0.0307 0.0107** 0.0140 0.0099 0.0157 0.0095
hhcomtot 0.0246 0.0354 0.0284 0.0318 0.0312 0.0307
remcomtot 0.0050 0.0328 0.0352 0.0285 0.0284 0.0289
numcomtot 0.0364 0.0233 −0.0487 0.0217* −0.0431 0.0145**
pubtot −0.0438 0.0249 −0.0965 0.0312** −0.1034 0.0308**
uticost −0.0006 0.0052 0.0087 0.0046 0.0093 0.0039*
forpro1 −0.1927 0.0459** −0.0499 0.0184** −0.0581 0.0196**
forpro2 −0.0422 0.0830 0.0576 0.0848 0.0061 0.0813
forpro3 −0.0626 0.0673 0.0905 0.0581 0.0731 0.0590
año 2000 −0.0142 0.0089 −0.0218 0.0076** −0.0226 0.0072**
año 2001 −0.0174 0.0093 −0.0201 0.0079* −0.0222 0.0072**
año 2002 −0.0195 0.0094* −0.0200 0.0077** −0.0225 0.0069**
año 2003 −0.0210 0.0096* −0.0212 0.0076** −0.0235 0.0068**
año 2004 −0.0204 0.0093* −0.0224 0.0072** −0.0242 0.0066**
año 2005 −0.0219 0.0092* −0.0221 0.0072** −0.0248 0.0067**
año 2006 −0.0222 0.0090* −0.0221 0.0072** −0.0249 0.0068**
año 2007 −0.0232 0.0090** −0.0265 0.0063** −0.0296 0.0064**
año 2008 −0.0274 0.0096** −0.0283 0.0064** −0.0300 0.0066**
año 2009 −0.0282 0.0102** −0.0235 0.0072** −0.0255 0.0072**
año 2010 −0.0324 0.0109** −0.0260 0.0071** −0.0278 0.0074**
año 2011 −0.0247 0.0124* −0.0248 0.0096** −0.0252 0.0100*
ciiu15 −0.0113 0.0057* −0.0170 0.0027** −0.0179 0.0028**
ciiu17 −0.0174 0.0048** −0.0120 0.0028** −0.0129 0.0030**
ciiu18 −0.0229 0.0044** −0.0234 0.0042** −0.0254 0.0045**
ciiu19 −0.0312 0.0096** −0.0143 0.0077 −0.0139 0.0049**
ciiu20 −0.0212 0.0062** −0.0262 0.0063** −0.0268 0.0056**
ciiu21 −0.0497 0.0115** −0.0301 0.0108** −0.0318 0.0070**
ciiu22 −0.0199 0.0082* −0.0221 0.0043** −0.0221 0.0046**
ciiu24 −0.0200 0.0113 −0.0087 0.0098 −0.0065 0.0074
ciiu25 −0.0261 0.0064** −0.0194 0.0055** −0.0195 0.0046**
ciiu26 −0.0018 0.0127 −0.0273 0.0088** −0.0225 0.0059**
ciiu27 −0.0606 0.0194** −0.0566 0.0183** −0.0631 0.0151**
ciiu28 −0.0177 0.0076* −0.0179 0.0042** −0.0174 0.0036**
ciiu29 −0.0197 0.0085* −0.0215 0.0042** −0.0196 0.0041**
ciiu30 26.6528 3.8637** 24.1146 3.8095** 25.1619 4.0168**
ciiu31 −0.0412 0.0170* −0.0158 0.0112 −0.0070 0.0109
ciiu32 1.6089 0.6937* 1.7787 0.5868** 1.7773 0.5151**
ciiu33 0.1142 0.0516* 0.1123 0.0450* 0.1357 0.0456**
ciiu34 −0.0139 0.0249 0.0130 0.0151 0.0104 0.0149
ciiu35 −0.0298 0.0870 0.0028 0.0368 0.0093 0.0260
tamaño 1 −0.0333 0.0773 −0.0719 0.0637
tamaño 2 −0.0388 0.0770 −0.0686 0.0657
tamaño 3 −0.0368 0.0789 −0.0460 0.0642
tamaño 4 −0.0770 0.0851 −0.0803 0.0701
tamaño 5 −0.0681 0.0801 −0.0569 0.0660
tamaño 6 −0.0309 0.0817 −0.0719 0.0709
tamaño 7 −0.1059 0.0985 −0.0524 0.0855
región 1 −0.0027 0.0519
región 2 −0.0435 0.0626
región 3 −0.3076 0.1027**
región 4 −0.0168 0.0671
región 5 −0.1323 0.0645*
región 6 −0.0117 0.0702
región 7 −0.0686 0.0584
región 8 0.0060 0.0547
región 9 −0.2206 0.0555**
región 10 −0.0099 0.0686
región 11 0.1121 0.0548*
región 12 −0.2108 0.0806**
región 13 −0.0111 0.0534
región 14 0.0059 0.0606
N° observaciones 62011 62011 62011
R cuadrado 0.1957 0.1727 0.1709

Fuente: elaboración propia en base a ENIA.

* p < 0.05.

** p < 0.01.

Los resultados muestran que, al contrario de lo que se esperaba al comienzo del estudio, las variables asociadas a decisiones de marketing en general no presentan efectos estadísticamente significativos con los signos esperados, ni son robustos a las diferentes especificaciones. Solo en la primera especificación que incluye todas las variables se observa un efecto positivo al 1% de significancia para la variable que incluye la razón entre el gasto de distribución respecto al costo total. En la segunda y tercera especificación, que excluyen algunos grupos de variables (tamaño y/o región), existe un efecto negativo de la variable que incluye la razón entre el número de vendedores respecto al total de trabajadores, y de la variable que incluye la razón entre el gasto en publicidad respecto al costo total. Sin embargo, se observa que el sector económico al cual pertenece el establecimiento industrial tiene un efecto estadísticamente significativo y robusto a las diferentes especificaciones para los sectores CIIU 15 (Fabricación de productos alimenticios y bebidas), CIIU 17 (Fabricación de productos textiles), CIIU 18 (Fabricación de prendas de vestir), CIIU 20 (Fabricación de madera y productos de madera), CIIU 21 (Fabricación de papel y productos del papel), CIIU 22 (Actividades de edición, grabación e impresión), CIIU 25 (Fabricación de productos de plástico), CIIU 27 (Fabricación de metales comunes), CIIU 28 (Fabricación de productos de metal), CIIU 29 (Fabricación de maquinaria y equipo), CIIU 30 (Fabricación de maquinaria de oficina e informática), CIIU 32 (Fabricación de equipos de comunicaciones) y CIIU 33 (Fabricación de instrumentos médicos, precisión y relojes). En particular, los resultados con un signo negativo en las 3 especificaciones para el coeficiente de la variable dummy de los sectores CIIU 15, CIIU 17, CIIU 18, CIIU 20, CIIU 21, CIIU 22, CIIU 25, CIIU 27, CIIU 28, CIIU 29 son bastante lógicos, ya que, tal como se aprecia en la tabla 1, estos sectores se caracterizan por tener un mayor número de establecimientos industriales, y eso se traduce en menores participaciones de mercado.

Como las variables que miden las decisiones de marketing en general no tuvieron efectos sobre la participación de mercado considerando los datos de todos los establecimientos industriales bajo el enfoque de pseudopanel, y además el R2 de las regresiones fue bajo, se decidió realizar un análisis de regresión específico para cada código CIIU, pensando que de este modo se podría encontrar los efectos esperados al menos en algunos sectores industriales.

Regresiones mediante mínimos cuadrados con varianza robusta por código CIIU

A continuación se presentan los resultados más destacados y de mayor interés para la investigación (tabla 4).

Tabla 4. Resultados para la participación de mercado por código CIIU (parte 1 de 3) 

Fuente: elaboración propia.

* p < 0.05.

** p < 0.01.

Con respecto a las variables que caracterizan a los establecimientos industriales se puede mencionar que la variable que incluye la proporción de las exportaciones sobre ventas totales tiene un efecto estadísticamente significativo sobre la participación de mercado de las empresas (al 1% o al 5%) para un 70% de los códigos CIIU que se estudiaron; en la mayoría de los sectores el efecto es negativo, lo cual se podría atribuir a que estos establecimientos industriales podrían enfocarse en nichos específicos de productos exportados, postergando la venta de productos masivos. La variable que incluye la proporción de trabajadores hombres sobre el total de trabajadores también tiene un efecto significativo en el 55% de los sectores. La participación de capital extranjero sobre el capital total tiene efectos significativos en un 20% de los sectores. La variable que mide los días de paralización respecto al total de días trabajados solo tiene un efecto negativo en la participación de mercado del sector "Fabricación de madera y productos de madera", explicado por la naturaleza continua de su proceso productivo. En general, las variables dummy asociadas al tamaño, a la localización regional, a la forma de propiedad y al año son relevantes para explicar la participación de mercado a nivel sectorial.

Respecto a los efectos específicos de las variables asociadas a las decisiones de marketing sobre la participación de mercado, los resultados son los siguientes.

La variable que mide el porcentaje de los gastos en distribución respecto al costo total tiene un efecto positivo y significativo (al 1% o al 5%) en los sectores "Fabricación de productos alimenticios y bebidas", "Fabricación de productos textiles", "Fabricación de madera y productos de madera", "Fabricación de sustancias y productos químicos", "Fabricación de productos de plástico", "Fabricación de productos de metal" y "Fabricación de vehículos automotores y remolques", y además, un efecto negativo y significativo al 1% en el sector "Fabricación de papel y productos del papel".

Las variables asociadas a la fuerza de ventas entregan resultados mixtos. El porcentaje de horas trabajadas por vendedores sobre el total de horas trabajadas tiene un efecto negativo y significativo (al 1% o al 5%) solo en 3 sectores: "Fabricación de productos textiles", "Fabricación de maquinaria y equipo" y "Fabricación de vehículos automotores y remolques". El porcentaje de remuneraciones a vendedores respecto del total de remuneraciones tiene un efecto positivo y significativo en los sectores "Fabricación de productos textiles", "Fabricación de madera y productos de madera" y "Fabricación de maquinaria y equipo", pero un efecto negativo y significativo en el sector "Fabricación de otros productos no metálicos". La variable que mide el porcentaje de vendedores respecto al total de trabajadores tiene un efecto positivo y significativo en los sectores "Fabricación de prendas de vestir", "Fabricación de productos de cuero, maletas y bolsos" y "Fabricación de muebles", es decir, en sectores destinados al mercado del consumidor final. Aunque también hay un efecto negativo de esta última variable en la participación de mercado de los sectores "Actividades de edición, grabación e impresión", "Fabricación de sustancias y productos químicos" y "Fabricación de instrumentos médicos, precisión y relojes", es decir, sectores enfocados al mercado de los negocios.

La razón del gasto en publicidad respecto al costo total tiene un efecto positivo y estadísticamente significativo en el 45% de los sectores industriales analizados, específicamente en los sectores "Fabricación de productos alimenticios y bebidas", "Fabricación de productos textiles", "Fabricación de productos de cuero, maletas y bolsos", "Fabricación de papel y productos del papel", "Fabricación de maquinaria y equipo", "Fabricación de maquinaria y aparatos eléctricos", "Fabricación de vehículos automotores y remolques" y "Fabricación de muebles". Esta variable tiene un efecto negativo solo en el sector "Fabricación de sustancias y productos químicos".

La interpretación de los coeficientes de las regresiones es muy sencilla desde una perspectiva gerencial para un análisis cuantitativo de marketing en cada sector industrial. El incremento en un punto porcentual de alguna variable asociada a la estrategia de marketing refleja que la participación de mercado cambiaría en el valor del coeficiente estimado (en puntos porcentuales). Por ejemplo, el incremento en un 1% del gasto en publicidad respecto al costo total en un establecimiento industrial del sector Fabricación de vehículos automotores y remolques (código CIIU 34) generaría un incremento de 0.098% en su participación de mercado.

Además, para facilitar la compresión de todas las variables que presentan efectos estadísticamente significativos positivos y negativos se incluye la figura 3.

Fuente: elaboración propia en base a Encuesta ENIA (2000-2012).

Figura 3 Resumen de las variables que presentan efectos estadísticamente significativos en todos los sectores económicos 

En general, los resultados muestran que las variables asociadas a decisiones de marketing tienen un efecto diferente en la participación de mercado dependiendo del sector económico en el cual compite el establecimiento industrial. Además, la variable de marketing que tiene mayor relevancia en la participación de mercado es el porcentaje del gasto publicitario, tanto en el número de sectores como en la magnitud del impacto. Por su parte, el gasto en distribución tiene efectos menores en magnitud pero consistentemente positivos. Finalmente, las variables que tratan de capturar las decisiones asociadas a la fuerza de ventas arrojan resultados contrapuestos, es decir, para incrementar la participación de mercado en algunos sectores es mejor elevar el número de vendedores respecto al total de trabajadores, y en otros sectores es mejor incrementar el porcentaje de remuneraciones destinadas a los vendedores.

Conclusiones

En esta investigación se analizaron los efectos que tienen distintos elementos de la estrategia de marketing sobre la participación de mercado para la industria manufacturera en Chile.

El análisis considera una estimación con la metodología de pseudopanel, y luego, un análisis desagregado por sector económico. Esta última estimación permitió identificar efectos significativos de marketing que no fueron identificados con el método de pseudopanel, presumiblemente porque al ser impactos bajos y/o diferentes en signo entre sectores tendieron a anularse cuando se ocupó la base de datos completa.

Los coeficientes obtenidos a partir de las estimaciones realizadas en esta investigación son fácilmente interpretables para la toma de decisiones de marketing a nivel gerencial en diferentes sectores industriales. El incremento en un punto porcentual de alguna variable asociada a la estrategia de marketing refleja que la participación de mercado variaría en el valor del coeficiente estimado (en puntos porcentuales).

Los resultados arrojan varias conclusiones interesantes. Por ejemplo, hay una estrecha relación entre la variable que mide la proporción del gasto en publicidad respecto al costo total del establecimiento industrial y la participación de mercado del mismo, para un 45% de los sectores económicos analizados. La magnitud del efecto depende obviamente del sector económico, pero el estudio permite generar una estimación cuantitativa del impacto, manteniendo constante el resto de factores, por lo cual se entrega información relevante para que en la toma de decisiones de marketing la publicidad pueda ser considerada como una inversión en vez de simplemente un gasto. Específicamente, los sectores en los cuales la gerencia debería invertir más en publicidad debido al alto impacto sobre la participación de mercado son: Fabricación de vehículos automotores y remolques, Actividades de edición, grabación e impresión, Fabricación de productos de cuero, maletas y bolsos, y Fabricación de maquinaria y aparatos eléctricos.

La variable asociada a la proporción del gasto en distribución en el costo total sugiere un efecto bajo en magnitud pero estadísticamente significativo y positivo para un 40% de los sectores analizados. Este resultado sugiere revisar las políticas de envíos y transporte con el fin de mejorar la logística y los tiempos de espera de los pedidos, ya que los clientes valoran a los establecimientos industriales que destinan mayores recursos a estas áreas sin que por ello se vuelvan menos competitivos. Específicamente, los sectores en los cuales la gerencia debería invertir más recursos sobre la distribución debido al alto impacto sobre la participación de mercado son: Fabricación de sustancias y productos químicos, Fabricación de productos de plástico y Fabricación de productos de metal.

Finalmente, las variables que caracterizan la fuerza de ventas reflejaron resultados contrapuestos y dependientes del sector económico. Sin embargo, un resultado llamativo es que el porcentaje de vendedores respecto al total de trabajadores tiene un efecto positivo y significativo en la participación de mercado de 3 sectores que pueden ser claramente identificados con el mercado del consumidor final y un efecto negativo en 3 sectores enfocados al mercado de los negocios. Los sectores en los cuales la gerencia debería incrementar la fuerza de ventas debido al alto impacto sobre la participación de mercado son: Fabricación de prendas de vestir, Fabricación de productos de cuero, maletas y bolsos, y Fabricación de muebles, mientras los sectores en los cuales la gerencia debería incrementar las comisiones para la fuerza de ventas son Fabricación de productos textiles, Fabricación de maquinaria y equipo, y Fabricación de madera y productos de madera.

Referencias

Ailawadi, K. L., Lehmann, D. R. y Neslin, S. A. (2001). Market Response to a Major Policy Change in the marketing mix: learning from Procter & Gamble’s Value Pricing Strategy. Journal of Marketing, 65(1), 44–61. [ Links ]

Alvarez, R. y Crespi, G. (2000). Exporter performance and promotion instruments: the Chilean empirical evidence. Estudios de Economía, 27(2), 225–241. [ Links ]

Ataman, M. B., van Heerde, H. J. y Mela, C. F. (2010). The long-term effect of marketing strategy on brand performance. Journal of Marketing Research, 47, 866–882. [ Links ]

Babić, D., Kuljanin, J. y Kalić, M. (2014). Market share modeling in airline industry: An emerging market economies application. Transportation Research Procedia, 3, 384–392. [ Links ]

Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). Chichester; Hoboken NJ: J. Wiley & Sons. [ Links ]

Bell, D. E., Keeney, R. L. y Little, J. D. (1975). A market share theorem. Journal of Marketing Research, 12(2), 136–141. [ Links ]

Bowman, D. y Gatignon, H. (1996). Order of entry as a moderator of the effect of the marketing mix on market share. Marketing Science, 15(3), 222–242. [ Links ]

Deaton, A. (1985). Panel data from time series of cross-sections. Journal of Econometrics, 30(1), 109–126. [ Links ]

Horsky, D. (1977). Market share response to advertising: An example of theory testing. Journal of Marketing Research, 14, 10–21. [ Links ]

Instituto Nacional de Estadísticas (2013). Antecedentes Metodológicos de la Encuesta Nacional Industrial Anual (ENIA). [ Links ]

Massy, W. F. y Frank, R. E. (1965). Short term price and dealing effects in selected market segments. Journal of Marketing Research, 2, 171–185. [ Links ]

Moffitt, R. (1993). Identification and estimation of dynamic models with a time series of repeated cross-sections. Journal of Econometrics, 59(1), 99–123. [ Links ]

Packalen, M. y Sen, A. (2013). Static and dynamic merger effects: A market share based empirical analysis. International Review of Law and Economics, 36, 12–24. [ Links ]

Rao, V. R. (1972). Alternative econometric models of sales-advertising relationships. Journal of Marketing Research, 9, 177–181. [ Links ]

Ruble, R. y Versaevel, B. (2014). Market shares, R&D agreements, and the EU block exemption. International Review of Law and Economics, 37, 15–25. [ Links ]

Stanton, W. J., Etzel, M. J. y Walker, B. J. (2007). Fundamentos de Marketing (14.a edición). México, D.F.: Mc Graw Hill. [ Links ]

Tamm, M., Tauchmann, H., Wasem, J. y Gress, S. (2007). Elasticities of market shares and social health insurance choice in Germany: A dynamic panel data approach. Health Economics, 16(3), 243–256. [ Links ]

Weiss y Doyle, L. (1968). Determinants of market share. Journal of Marketing Research, 5, 290–295. [ Links ]

White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. [ Links ]

Wilbur, K. C. y Farris, P. W. (2014). Distribution and Market Share. Journal of Retailing, 90(2), 154–167. [ Links ]

1No existe en Chile información de años más recientes para la encuesta ENIA. En particular, los datos de la encuesta ENIA 2012 fueron liberados solo en agosto de 2014.

2A partir de esta sección se utiliza establecimiento, firma y empresa como sinónimos. Sin perjuicio de lo anterior, el lector debe tener claro que los datos entregados en la ENIA corresponden a la información por establecimiento, y que una empresa puede estar constituida por uno o más establecimientos.

Recibido: 14 de Mayo de 2015; Aprobado: 03 de Noviembre de 2015

* Autor para correspondencia.crismardones@udec.cl

La revisión por pares es responsabilidad de la Universidad Nacional Autónoma de México.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons