II.1. Variables del estudio

Todas las variables se enlistan en el Cuadro 3 y estarán normalizadas por las series de población para poder tomar en cuenta el tamaño de la economía de cada país. Adicionalmente como se sugiere por la mayoría de los estudios previos (^{Stern, Porter, y Furman, 2000}; ^{Ulku, 2004}; ^{Chinaprayoon, 2007}; ^{Hu y Mathews, 2008}; ^{Gans y Hayes, 2009}), los modelos toman la forma funcional Log-Log para lograr minimizar los problemas de valores atípicos. Consecuentemente, todas las variables serán recalculadas en valores de Logaritmo Natural (Ln) para la ecuación (3), excepto por aquellas variables que están ya expresadas en valores porcentuales. Los detalles y definiciones de las variables se muestran a continuación.

II.2. Alcance del estudio

De acuerdo con el ^{Banco Mundial (2015)} hay 28 países latinoamericanos en vías de desarrollo, lo que representa la población estadística del presente estudio; sin embargo, sólo 17 países producen estadísticas completas⁵ sobre las variables requeridas de la capacidad tecnológica. Por lo tanto, estas 17 economías de ingresos medios (medios-altos y medios-bajos) se utilizarán como muestra dentro del análisis. Además, debido a la limitación de las estadísticas internacionales de I + D, las estadísticas disponibles son compatibles a partir del año 2000. Como resultado, la serie de tiempo cubrirá del 2000 al 2014.

La muestra del estudio contiene a los países de renta media superior e inferior en América Latina, según la clasificación de países del Banco Mundial en el año 2013 (véase Cuadro 4). Este documento no incluye a los países de bajos ingresos de América Latina, debido a la falta de estadísticas, y además, de acuerdo con ^{Chinaprayoon (2007)}, “los países de bajos ingresos son por lo general contribuyentes insignificantes”. Por lo tanto, se procede a utilizar una muestra de 17 países (economías de renta media).

III.1. Estadística descriptiva

El análisis descriptivo es necesario para examinar las propiedades estadísticas de cada variable y, de acuerdo con ^{Chinaprayoon (2007)}, poder proponer las variables que serán usadas para evaluar el impacto de la capacidad tecnológica en los países seleccionados.

En la estadística descriptiva de las variables previamente normalizadas por el tamaño de la población, se reporta la media, la desviación estándar y el coeficiente de variación, esto agrupado en el Cuadro 5, algunos de los principales hallazgos se describen a continuación:

Los resultados logrados: En América Latina, en promedio cada país de la muestra produce 21 patentes USPTO por año, en otras palabras en Latinoamérica se produce media patente (.52) por cada millón de habitantes al año. En dicho caso, el coeficiente de variación es elevado, por lo que se asume una alta dispersión de los datos con respecto a la media, adjudicando dicha dispersión, a las notorias diferencias de la dinámica de patentamiento entre los países de ingreso medio alto y medio bajo. Los resultados descriptivos, también indican que en promedio se realizan dos solicitudes de patente y 26 publicaciones científicas por cada millón de habitantes al año. En promedio 8.6 por ciento de las exportaciones anuales de manufactura son exportaciones de alta tecnología. Mientras que los ingresos (cobros promedio) por el uso de propiedad intelectual ascienden a 1.5 dólares por habitante al año.

La base disponible: Se estima que en promedio el stock inicial de patentes en Latinoamérica es de 450 patentes USPTO. Existen también en promedio 328 investigadores I+D por cada millón de habitantes latinoamericanos. Con lo que respecta a la tasa de enrolamientos, el terciario es el más bajo con un promedio de 38 por ciento, le sigue el secundario con una cobertura media de 77 por ciento y el enrolamiento primario muestra una matrícula media mayor a 100 por ciento.

Los esfuerzos realizados: En lo que respecta, por ejemplo al Gasto en Investigación y Desarrollo, los países de toda la muestra financian dichas actividades con .30 por ciento del PIB anualmente. En este caso existen notorias diferencias entre los países latinoamericanos de ingreso medio alto y medio bajo, los primeros manejan un porcentaje promedio de inversión de .41 por ciento, mientras que los segundos únicamente .08 por ciento. El gasto en educación (como porcentaje del PIB) promedio es de 4 por ciento y los egresos (pagos promedio) por el uso de propiedad intelectual ascienden a 11.7 dólares por habitante al año, lo que inicialmente corrobora la postura de que las firmas en países en desarrollo generan sus procesos de aprendizaje que subyacen la construcción y acumulación gradual de capacidades tecnológicas a partir de la tecnología que adquieren de firmas en otros países.

III.2. Modelo Econométrico: Especificaciones

En primer lugar, es importante recalcar que los parámetros asociados con los modelos de regresión resultantes en esta sección se evalúan utilizando un conjunto de panel de datos para 17 países latinoamericanos a lo largo de 14 años. Por tanto, tal como apuntan Stern y Porter (2002), estas estimaciones pueden depender de la variación de la sección transversal, es decir, la variación de series de tiempo o de espacio (países), o ambos⁶. Se percibe entonces, que el enfoque más simple para analizar datos tipo panel es omitir las dimensiones del espacio y el tiempo de los datos agrupados y sólo calcular la regresión MCO usual. Sin embargo, otra manera mucho más precisa de modelar el carácter individual de cada entidad es a través del modelo de efectos fijos y es precisamente este último el que se utilizará⁷ para la presente investigación, habiendo de comprobar estadísticamente su pertinencia.

La ventaja fundamental de un panel de datos con efectos fijos es que nos permite estudiar un gran abanico de temas económicos que no podrían abordarse usando solamente modelos de series de tiempo o de corte transversal. En particular, los datos de panel permiten tener en cuenta la existencia de efectos individuales inobservables, que pueden estar correlacionados con otras variables incluidas en la especificación de una relación econométrica. Proveen al investigador un gran número de datos, proporcionando menos problemas de multicolinealidad (presente en numerosas ocasiones al utilizar datos de series temporales), más grados de libertad y, por tanto, mayor eficiencia de las estimaciones. Su utilización permite recoger con mayor precisión la variabilidad en los datos, tanto la existente entre individuos como la que existe a lo largo del tiempo. La gran ventaja de los datos de panel es que tienen en cuenta las diferencias permanentes entre individuos, aunque éstas no se observen a simple vista (^{Franco, Ramos y Hernández 2016}).

^{Aparicio y Márquez (2005)} apuntan que el modelo de panel de datos con efectos fijos no supone que las diferencias entre entidades sean aleatorias, sino constantes o fijas y por ello se debe estimar cada intercepto v_i (country_dummy) haciendo uso de la técnica de las variables dicotómicas de intersección diferencial. Donde v_i es un vector de variables dicotómicas (o variables dummy) para cada entidad.

De acuerdo con numerosos autores (^{Aparicio y Márquez, 2005}; Mayorga y Muñoz, 2008; Labra y Torrecillas, 2013; ^{Torres, 2007}; ^{Montero, 2011}), para definir modelos econométricos con datos tipo panel, es necesario realizar una serie de pruebas de especificación. Primero es conveniente cuestionarse: ¿cuándo se debe aplicar un MCO agrupado y cuándo un modelo de datos anidados? Y en este último caso, identificar si los efectos fijos son más convenientes que los aleatorios. Para ello, inicialmente se debe verificar que la varianza de v_i (del modelo anidado) sea significativamente distinta de cero, para dichos efectos, se corre el test de Breusch-Pagan, también denominado del Multiplicador de Lagrange. La prueba consiste en realizar la regresión auxiliar indepit=dep_it+u_i+e_it .La hipótesis nula es Var (u_i )=0 con una chi² de contraste⁸. Si el valor del test es bajo (p-valor mayor de 0.95) la hipótesis nula se confirma y es mejor MCO. Si el valor del test es alto (p-valor menor de 0.05), la hipótesis nula se rechaza y es mejor elegir un modelo anidado. En otras palabras si se rechaza la hipótesis nula, implicaría que efectivamente existe un componente inobservable de la varianza asociada a cada individuo.

Como segundo paso, es necesario comparar las estimaciones del modelo de efectos fijos y el de efectos aleatorios. Para ello, se realiza el test de Hausman, en el cual, si se encuentran diferencias sistemáticas (se rechaza la hipótesis nula de igualdad, es decir se obtiene un valor de la prueba alto y un p-valor bajo, menor de 0.05), entonces se podrá asumir que continúa existiendo correlación entre el error y los regresores (Cov(Xit,uit) ≠ 0) y es preferible elegir el modelo de efectos fijos al modelo de efectos aleatorios. En un tercer paso, ^{Aparicio y Márquez (2005)}, señalan que es conveniente realizar la prueba Test Parm, para verificar si, también es posible agregar variables dicotómicas temporales al modelo (con notación η_t), es decir, una year_dummy para cada año en la muestra, que capturen eventos comunes a todos los estados durante un período u otro. En donde la hipótesis nula es: η₁ = η₂ = …= η_t = 0, en ese sentido, el p-value de la prueba F indica que sí rechazamos la hipótesis nula, se podría afirmar que las variables dicotómicas temporales son conjuntamente significativas y pertenecen al modelo, de modo contrario se acepta la H₀, lo que implicaría que los efectos fijos temporales serían estadísticamente insignificantes. Finalmente, se requiere correr las pruebas de Wooldridge y Wald, en las cuales, si rechazamos la hipótesis nula, evidenciamos problemas de autocorrelación y heterocedasticidad, los cuales deberán solucionarse conjuntamente con estimadores de Mínimos Cuadrados Generalizados Factibles (Feasible Generalizad Least Squares o FGLS), o bien con Errores Estándar Corregidos para Panel (Panel Corrected Standard Errors o PCSE).

Es importante mencionar que además de las pruebas de especificación, el criterio del investigador⁹ y las características de la muestra¹⁰, son determinantes para la elección de un modelo de regresión agrupado (MCO) en comparación con uno anidado (de efectos fijos o aleatorios). De acuerdo con ^{Franco, Ramos, y Hernández (2016)}, no siempre se muestra de forma evidente qué modelo debe emplearse en un caso u otro, por lo que es esencial considerar que si se desea hacer inferencias con respecto a la población, es decir que se trabaja con una muestra aleatoria, se recomienda el uso de un modelo con efectos aleatorios. Por el contrario si se trabaja con una muestra seleccionada a conveniencia se recomienda un modelo con efectos fijos. Además, éste último es ampliamente útil en el caso de que el número de unidades de análisis o de instantes de tiempo no sea grande. Por el contrario, en el caso de que se disponga de un número grande de observaciones a través del tiempo se recomienda un modelo de efectos aleatorios.

Consecuentemente, dado que en el presente trabajo la muestra estadística se seleccionó a conveniencia (países latinoamericanos) y tanto la serie temporal (14 años) como la dimensión transversal (17 países) no es grande, se considera prudente optar por un modelo de regresión con efectos fijos (predilección), sin embargo, en los casos en que no se rechace la hipótesis nula de la prueba Hausman y que por consecuencia estadísticamente sea preferible el modelo con efectos aleatorios, se antepondrá el criterio del investigador para entonces optar por un modelo agrupado MCO. Lo anteriormente descrito, se ilustra en el siguiente flujograma (Figura 1), el cual contiene el procedimiento de las pruebas de especificación de los modelos de regresión resultantes en nuestra investigación.

Nota: La Ho se rechaza si el p-value de la prueba es menor a 0.05.

Fuente: Elaboración propia con base en ^{Aparicio y Márquez (2005)}; Mayorga y Muñoz (2008); Labra y Torrecillas (2013); ^{Torres (2007)}, y ^{Montero (2011)}.

Figura 1 Pruebas estadísticas y modelo óptimo final 

III.3. Modelo econométrico: resultados

De entrada, se presenta la matriz de correlación entre variables independientes (Cuadro 6) con la finalidad de evitar problemas de multicolinealidad en el modelo, ya que de acuerdo con Labra y Torrecillas (2013), la selección de variables a incluir en el modelo dependerá no sólo de la información que la literatura especializada pueda entregar, sino que además, se recomienda hacer un análisis de correlación, con el fin de excluir las variables que tengan un mismo comportamiento¹¹.

Cuadro 6 Matriz de correlación entre variables 

Fuente: Elaboración propia (Stata 12).

Bajo dicho tratamiento, se evidencia un comportamiento similar entre:

Derivado de lo anterior, se detectaron las variables que estando juntas en un mismo modelo,¹² lo sobrexplican, por tal motivo se decidió diseñar dos modelos de regresión (A y B) para cada variable dependiente, de tal modo, que las variables independientes de cada modelo, incluyan indicadores de la base disponible y de los esfuerzos realizados, pero evitando problemas de multicolinealidad. En otras palabras, tratando de aprovechar la mayoría de nuestros indicadores, se buscó que las variables correlacionadas no se incluyan en el mismo modelo, por lo que fue necesario construir dos modelos que expliquen la capacidad tecnológica latinoamericana pero con regresores diferentes. Las variables de dichos modelos se pueden apreciar en el Cuadro 7.

Cuadro 7 La base de los modelos de regresión A y B 

Nota: (Ln) denota Logaritmo Natural. BD= Base Disponible, ER= Esfuerzos realizados. Para el modelo A y B, las variables dependientes son: Y1 =PATENTES OTORGADAS (Ln), Y2= SOLICITUDES DE PATENTE (Ln), Y3= PUBLICACIONES CIENT (Ln), Y4= PIB PER CÁPITA (Ln).

Fuente: Elaboración propia.

Se observa entonces que los regresores del modelo B surgen dado que las variables del modelo A pueden ser sustituidas unas por otras. Futuros estudios deberán hacer la elección de un solo modelo de regresión si el objetivo fuese la estimación de indicadores sintéticos.

III.3.1. Modelo de panel de datos con efectos fijos

El modelo preferente de panel de datos con efectos fijos queda denotado de la siguiente manera:

Yit=β0+∑i=1N-1μivi+∑t=1T-1∂tηt+∑k=1kβkXkit+eit

i = 1,…, N t = 1,…, T k= 1,…, K (6)

Donde:

MODELO A		MODELO B
Yit	Y1: LPATENTES i,t , Y2: LPATENTES_APLIi,t, Y3: LPUBLICACIONES i,t, Y4: LPIBCAP i,t
i	Países o unidades de estudio: 17 países latinoamericanos
t	Observaciones en el tiempo: 14 años (2000-2014)
β0	Vector de interceptos de n parámetros
β	Vector de k parámetros.
k	Variables explicativas: LX3, LX5, LX10, LX13, X6, LX8, LX9	Variables explicativas: LX1, LX3, LX4, LX7 X10, LX13, LX11
Xkit	i-ésima observación al momento t para la variable explicativa k
eit	Término de error que representa los efectos de todas las variables omitidas en el modelo
μivi	Variable dicotómica de efectos fijos (COUNTRY_DUMMY)
∂tηt	Variable dicotómica de efectos fijos temporales (YEAR_DUMMY).

Nota: (L) denota Logaritmo Natural.

Fuente: Elaboración propia.

Para la base del modelo A y B, se establece una ecuación de regresión de datos de panel con efectos fijos por lo que en este caso μ_i capta las diferencias estructurales entre unidades muestrales (países) por medio de los N-1 términos independientes adicionales. Las diferencias en instantes de tiempo (años) son captadas a través de δ_t. Para este modelo β₀ es el término independiente para la unidad individual cuyos términos μ_i y δ_t se han excluido. Como se observa en los Cuadros 8 y 9, la ecuación de regresión (6), se aplica en todos los casos¹³ a excepción de cuando la variable explicada es Y₁ (para el modelo A) y Y₃ (para el modelo B), en cuyas excepciones, se opta por un modelo de regresión con MCO.¹⁴

Cuadro 8 Resultados Modelo A 

Dimensión	Modelo A		LOS RESULTADOS LOGRADOS
	Variables		Y1 =PATENTES OTORGADAS (Ln)		Y2= SOLICITUDES DE PATENTE (Ln)		Y3= PUBLICACIONES CIENT (Ln)		Y4= PIB PER CÁPITA (Ln)
			β	SE	β	SE	β	SE	β	SE
BD	Capacidades tecnologicas de infraestructura
	X3	Telefono (Ln)	1.044***	0.200	-0.608	0.416	-0.029	0.085	0.018	0.031
	X5	Internet (Ln)	0.154	0.176	0.106	0.198	0.107***	0.034	(-.075)***	0.026
	Inserción comercial internacional
	X10	Apertura (Ln)	0.416*	0.287	2.404***	0.871	0.525****	0.156	(-.043)	0.076
ER	Inputs de absorción
	X13	Gasto en educación%PIB	0.037	0.058	0.035	0.108	0.028*	0.017	(-.010)	0.006
	Inputs de innovación
	X6	GIDE%PIB	(1.467)****	0.6293	0.539	0.532	-0.140	0.146	(-.140)*	0.073
	Inputs Tecnológicos (adquisición de conocimiento externo)
	X8	Pago de licencias (Ln)	0.094	0.076	0.196**	0.101	0.052**	0.025	0.025****	0.007
	X9	Importaciones de bienes (Ln)	0.510***	0.209	-0.318	0.311	-0.032	0.045	0.135****	0.034
NOTAS	Constante		(-10.673)****	0.9610	(-10.779)****	3.322	(-2.216)****	0.635	7.907****	0.370
	Observaciones		96		110		118		118
	Núm de países		NA		14		14		14
	R cuadrado		0.7661		0.9219		0.9943		0.9993
	Test de significancia conjunta		0.0000		0.0000		0.0000		0.0000
	FIV promedio		3.23		3.37		3.30		3.30
	Breusch and Pagan Lagragian MTRE		0.0000		0.0001		0.0000		0.0000
	Hausman test		0.8976		0.0031		0.0000		0.0003
	Efectos fijos de paises		No significativos		Significativos		Significativos		Significativos
	Testparm i.year		0.4116		0.2191		0.2005		0.0000
	Efectos fijos de tiempo		No significativos		No significativos		No significativos		Significativos
	Wooldridge test		NA		0.2745		0.7657		0.0000
	Modified Wald test het		NA		0.0000		0.0000		0.0000
	Modelo Óptimo Final		MCO		PCSE_corregido		FGLS_corregido		PCSE_corregido

NOTAS ADICIONALES: Abreviaturas: BD = Base Disponible; ER= Esfuerzos Realizados. MCO=Mínimos Cuadrados Ordinarios. PCSE = Panel Corrected Standard Errors. FGLS= Feasible Generalizad Least Squares . (Ln) = Logaritmo Natural. NA = No Aplica. SE= Error Estándar. FIV promedio = Factor de Inflación de la Varianza (cuando el valor de FIV es mayor a 10, se puede sospechar de problemas de multicolinealidad).

Significancia del: *p≤0.10 ** p≤0.05 *** p≤0.01 **** p≤0.001

Fuente: Elaboración propia con base en resultados procesados en (Stata 12).

Cuadro 9 Resultados Modelo B 

Dimensión	Modelo B		LOS RESULTADOS LOGRADOS
	Variables		Y1 =PATENTES OTORGADAS (Ln)		Y2= SOLICITUDES DE PATENTE (Ln)		Y3= PUBLICACIONES CIENT (Ln)		Y4= PIB PER CÁPITA (Ln)
			β	SE	β	SE	β	SE	β	SE
BD	Capacidades tecnológicas de infraestructura
	X1	Stock de patentes (Ln)	(2.1239)****	0.3804	0.934****	0.186	0.2595****	0.035	0.024	0.055
	X3	Telefono (Ln)	0.3601	0.283	(-0.281)*	0.167	0.599****	0.130	(-0.005)	0.040
	X4	Celular (Ln)	0.1549	0.1442	-0.073	0.068	(-.2646)****	0.050	0.073****	0.018
	Capacidades de absorción (acervo de recursos humanos)
	X7	Investigadores I+D (Ln)	(0.4324)****	0.1257	-0.117	0.082	0.660****	0.059	(-0.014)	0.011
	"Inserción comercial internacional
	X10	Apertura (Ln)	(2.9060)****	0.7003	0.929***	0.329	0.460****	0.1221	0.0722	0.0677
ER	Inputs de absorción
	X13	Gasto en educación%PIB	(-.2993)****	0.0621	0.037	0.039	(-.1543)****	0.0358	(-.015)***	0.005
	Inputs Tecnológicos (adquisición de conocimiento externo)
	X11	IED (Ln)	(0.1441)***	0.0508	0.067*	0.037	0.264****	0.042	0.002	0.004
NOTAS	Constante		0	omited	(-8.470)****	1.474	(-5.174)****	0.658	8.677****	0.4734
	Observaciones		144		157		167		167
	Núm de países		13		13		NA		13
	R cuadrado		0.8893		0.9044		0.8846		0.9993
	Test de significancia conjunta		0.0000		0.0000		0.0000		0.0000
	FIV promedio		2.00		2.09		2.22		2.22
	Breusch and Pagan Lagragian mtre		0.0000		0.1681		0.0000		0.0000
	Hausman test		0.0000		0.0000		0.5850		0.0012
	Efectos fijos de paises		Significativos		Significativos		No significativos		Significativos
	Testparm i.year		0.0000		0.2420		0.2153		0.0000
	Efectos fijos de tiempo		Significativos		No significativos		No significativos		Significativos
	Wooldridge test Autocorrelation		0.0177		0.2576		NA		0.0000
	Modified Wald test het		0.0000		0.0000		NA		0.0000
	Modelo Óptimo Final		PCSE_corregido		FGLS_corregido		MCO		PCSE_corregido

NOTAS ADICIONALES: Abreviaturas: BD = Base Disponible; ER= Esfuerzos Realizados. MCO=Mínimos Cuadrados Ordinarios. PCSE = Panel Corrected Standard Errors. FGLS= Feasible Generalizad Least Squares. (Ln) = Logaritmo Natural. NA = No Aplica. SE= Error Estándar. FIV promedio = Factor de Inflación de la Varianza (cuando el valor de FIV es mayor a 10, se puede sospechar de problemas de multicolinealidad).

Significancia del: *p=0.10 ** p≤0.05 *** p≤0.01 **** p≤0.001

Fuente: Elaboración propia con base en resultados procesados en (Stata 12).

Consecuentemente con lo anterior, se presentan las gráficas tanto del modelo A como para el modelo B, que muestran visualmente los factores de la capacidad tecnológica que resultaron estadísticamente significativos y su respectiva elasticidad. En otras palabras, estas figuras muestran las “piezas” que un tomador de decisiones puede mover a sabiendas de los impactos que tendrán sobre la capacidad tecnológica. En donde los efectos elásticos son aquellos que están por encima de la línea horizontal, es decir, que manifiestan variaciones proporcionalmente mayores al insumo; contrariamente, los efectos inelásticos se encuentran por debajo de esta línea y manifiestan variaciones proporcionalmente menores al insumo (véase Figuras 2 y 3).

Fuente: Elaboración propia con base en resultados.

Figura 2 Elasticidades de los factores significativos del Modelo A 

Fuente: Elaboración propia con base en resultados.

Figura 3 Elasticidades de los factores significativos del Modelo B 

IV.1. Implicaciones de los determinantes de la capacidad tecnológica en Latinoamérica

Consecuentemente con lo anterior expuesto, se esbozan las implicaciones de los resultados encontrados, aludiendo pues a las connotaciones que es posible asignarles a los factores determinantes de la capacidad tecnológica en el contexto latinoamericano.

IV.2. Impactos de la apertura comercial

El grado de apertura externa²⁰ es el indicador más usual para medir la proyección internacional de las economías, se le conoce también como el grado de apertura externa o apertura comercial de las economías (^{OCDE, 2015}).

La evidencia empírica de este trabajo muestra que tanto en el modelo A como para el B, la apertura comercial no sólo es estadísticamente significativa a la hora de evaluar la capacidad tecnológica en Latinoamérica, sino que además muestra elasticidad, es decir que ante cambios del 1 por ciento en dicha variable, se esperan incrementos de mayor proporción tanto en las patentes solicitadas como en las otorgadas, al tiempo de fungir como un factor importante en la generación de publicaciones científicas.

En ese sentido, es importante mencionar entonces que según López (2010), una economía estará más presente en los mercados internacionales cuanto mayor sea su grado de apertura, esto es, cuanto mayor sea la participación de la suma de las exportaciones más las importaciones en la producción nacional.

En otras palabras, la dinámica de exportación e importación juega un rol determinante en la generación de la capacidad tecnológica de la región, por lo que futuros estudios deberán considerar analizar la composición tanto de importaciones como de exportaciones en cada país a efectos de identificar las peculiaridades de este comportamiento en cada contexto.

Al respecto ^{Sachs y Vial (2012)}, apuntan que el incremento y diversificación de las exportaciones son sólo algunos de los resultados del libre comercio. En términos generales, el aumento del comercio ha sido un buen indicador de transformaciones estructurales²¹ y del nivel de integración -comercial- a la economía global. No obstante, es bien sabido que la liberalización comercial es también uno de los aspectos más controvertidos de la globalización; muchos consideran que los supuestos costes superarán a los beneficios que se pretende conseguir: mayor eficiencia y aumento del crecimiento. En ese sentido, la liberalización comercial expone a los países a más riesgos (reducción salarial, aumento de desempleo, pérdida de la soberanía nacional) y los países en vías de desarrollo (y sus trabajadores) están menos preparados para asumir dichos apuros (Stiglitz, 2006). Por lo que en este punto habrá que clarificar que el aumento del grado de apertura comercial en aras de mayores niveles de capacidad tecnológica tendrá que ser sopesado a fin de no acarrear mayores desigualdades.

Tal como enfatiza el ^{Banco Mundial (2015)}, es necesario considerar que lo importante no es “qué es lo que se produce (exporta) sino el cómo” apuntando a la importancia del desarrollo de “redes del conocimiento” que favorezcan la innovación y adopción de tecnologías. En ese sentido, la exportación de importaciones tecnológicas²² es un tema problemático que tendrá que ser analizado país por país, evaluando también sus causas y consecuencias. Esto, dado que en los países en vías de desarrollo se evidencia una tendencia hacia la importación de tecnologías externas, como un factor importante en las capacidades de innovación vistas desde una perspectiva netamente tecnológica (^{Morales, Ortiz, y Arias 2012}).

IV.3. Impactos del stock de patentes

La teoría de crecimiento endógeno predice que los impactos del stock de patentes son determinantes para la generación de capacidades tecnológicas, los hallazgos obtenidos mediante este estudio refuerzan dicha premisa, encontrando que dicho factor dentro del modelo de regresión B, tiene impactos significativos en las variables explicadas (patentes otorgadas, solicitudes de patente y publicaciones).

Lo anterior tiene una interpretación más profunda que la estadística, si se asume que la variable “stock de patentes” tiene per se una connotación mucho más amplia. En primer lugar habrá que ubicarla dentro de los elementos más importantes de lo que la ^{CEPAL (2007)}, denomina “la base disponible” que en otras palabras alude a los recursos humanos y la infraestructura, que revelan la “calidad” del entorno, consecuentemente, se puede considerar a dicha variable no sólo como un indicador de la acumulación de conocimiento de una nación, sino además como un semáforo de la situación contextual de la región.

Bajo tal escenario, el pensamiento CEPALino, ha aducido el concepto de heterogeneidad estructural, interpretada como resultado de las condiciones históricas heredadas y de la evolución natural del mercado de trabajo y por consecuencia de las trayectorias tecnológicas, indicando que el acento neoschumpeteriano en la formación y acumulación de conocimiento mediante el proceso de aprendizaje de las empresas y naciones, el efecto de las decisiones del pasado sobre las del presente (path-depency) y la modificación de los paradigmas tecno económicos que enriquecen el enfoque histórico-estructural aplicado por la CEPAL, es un elemento esencial para comprender las trasformaciones de las estructuras productivas en condiciones de subdesarrollo y heterogeneidad estructural (^{CEPAL, 2015}).

En ese sentido, ^{Amarante, Galvan, y Mancero (2016)}, encuentran que en América Latina la lectura de los datos confirma también que uno de los rasgos predominantes en la región en materia de ciencia y tecnología es el de la heterogeneidad. La pluralidad de situaciones impone la aplicación de instrumentos y modelos diferenciados en las políticas de ciencia y tecnología de los países latinoamericanos. Sin embargo, este rasgo se contrapone con la tendencia de los programas de cooperación internacional a prestar escasa consideración a las diferencias y proponer recetas semejantes. Hay un contraste entre la heterogeneidad de las situaciones nacionales y la homogeneidad de las acciones emprendidas por la cooperación internacional en ciencia y tecnología. En donde la diversidad de la región abre oportunidades para el ejercicio de la cooperación horizontal, ya que los países de mayor tamaño relativo tienen la oportunidad de mostrarse solidarios con relación a los más pequeños de América Latina.

En comunión con lo anterior, ^{Botargaray y Gras (2013)} añaden que lo que sí parece claro es que la diversidad de contextos y de trayectorias, requieren de nuevos marcos analíticos y políticas en CTI diversas y plurales. Sin embargo, a pesar de las notables diferencias en las trayectorias y en los diversos tipos de problemas que enfrentan paises desarrollados y en desarrollo, el conjunto de instrumentos y política orientada a impulsar la CTI han sido relativamente uniformes. Si bien el diseño del conjunto de políticas debería responder a la naturaleza específica y al tipo de problemas, necesidades, demandas y capacidades locales, la práctica habitual ha sido la intersección con instrumentos similares, desestimando su idoniedad y capacidad de respuesta a las dinámicas locales.

Para ^{Hernández (2016)}, la desigualdad del ingreso en América Latina es una de las más altas del mundo y tiene una doble razón de ser. En buena medida se debe a las diferencias en cuanto a capacidades (pieza de nuestro estudio). Sin embargo, la parte más importante de la desigualdad del ingreso se debe a que la población del continente participa en los mercados con desigualdades iniciales, históricas y abismales: desigualdades de coberturas básicas, de acceso a mercados, de capital humano, de información, de acceso efectivo a derechos y, sobre todo, de poder.

No es pues de sorprender que, bajo los resultados empíricos del presente estudio, el factor denominado “stock de patentes” haya sido identificado como esencial en la generación de capacidades tecnológicas para la región. Lo que sí es de sorprender es que ante la heterogeneidad de la región se continúen con las prescripciones genéricas, por tanto, habrá entonces que considerar las recomendaciones citadas por los expertos del tema en cuanto a la aplicación de instrumentos y modelos diferenciados en las políticas de ciencia y tecnología de los países latinoamericanos.

IV.4. Impactos del gasto I+D

La evidencia empírica de este trabajo sugiere que dentro del modelo A, los gastos de I+D (como porcentaje del PIB) no sólo son estadísticamente significativos a la hora de evaluar la capacidad tecnológica en Latinoamérica, sino que además muestra elasticidad, es decir, que ante cambios de 1 por ciento en dicha variable, se esperan incrementos de mayor proporción principalmente en la obtención de patentes internacionales. La estimación puntual recalca que ante aumentos de 1 por ciento de la variable en cuestión, se esperarían aumentos de las patentes otorgadas en 1.46 por ciento.

El hallazgo anterior sorprende en cuanto a la proporción descubierta, ya que anteriormente, de acuerdo con las estimaciones de ^{Chinaprayoon (2007)}, 1 por ciento de incremento en el gasto en I+D, lleva a un aumento de .59 por ciento en las patentes otorgadas en países en vías de desarrollo de todo el mundo. En ese sentido el ^{BID (2014)}, argumenta que muchas veces se cree que una de las pocas ventajas de un país en desarrollo es que puede sencillamente sacar provecho de las inversiones en innovación de los países desarrollados y en este caso, las empresas provenientes de dichos países podrían acaparar o incrementar significativamente su presupuesto de I+D gracias a los recursos públicos destinados a tal fin y dado que el retorno de una determinada tecnología depende del contexto en que se utiliza. La disponibilidad de insumos complementarios clave, como el capital humano, las instituciones y los recursos naturales, propios de la región estudiada pudiesen estar influyendo a favor (unas más que otras) dentro del fenómeno detectado.

El hecho que el gasto en I+D, no resulte el principal factor determinante para la generación de capacidades tecnológicas pudiese parecer poco usual, sin embargo, las teorías recientes sobre la base de la economía evolutiva sugieren que los resultados de la innovación y otros logros tecnológicos no son simplemente el resultado de un aumento de ciertos insumos, sino, son más bien producto de actividades complejas e interrelacionadas de sistema productivo. En el caso latinoamericano, la apertura comercial y el stock de patentes se muestran con mayor impacto por encima del “gasto en I+D”.

Paralelamente a nuestros hallazgos, ^{BID (2014)}, encuentra que la tasa de retorno social para la inversión en I+D no sólo es sistemáticamente más alta en América Latina y el Caribe que en la OCDE (56 por ciento vs. 32 por ciento en 2007) sino también que ha seguido una trayectoria divergente a lo largo del tiempo. Mientras que los retornos sociales han disminuido en la OCDE (debido fundamentalmente al menor retorno de la trasferencia tecnológica a medida que estos países se han acercado a la frontera de producción), en América Latina y el Caribe el retorno social a la I+D ha tendido a aumentar (sobre todo debido al mayor espacio para la trasferencia tecnológica).

Adicionalmente, ^{Navarro, Benavente, y Crespi (2016)}, señalan que los esfuerzos para mejorar la inversión en I+D en América Latina se concentraron en un puñado de países. La financiación de la I+D sigue estando muy concentrada en las instituciones públicas (agencias gubernamentales y universidades), la mayor parte de esta inversión pública se gasta en las instituciones públicas (organismos públicos de investigación y laboratorios), ya que los programas públicos destinados a subvencionar los negocios y la innovación del sector privado suelen ser muy pequeños. Sin embargo, los acontecimientos recientes en algunos países de la región sugieren que la tendencia de invertir insuficientemente en CTI está comenzando a invertirse.

Para ^{Crespi (2014)}, hay a todas luces un déficit importante en inversión en I+D en la región, sobre todo en el sector privado. Aun teniendo en cuenta la adquisición de tecnología incorporada en maquinarias y equipos, donde el déficit es menor, la falta de inversiones en I+D y el bajo capital humano en la región socava gravemente la efectividad con que se pueden usar las tecnologías incorporadas. Este déficit de inversiones en innovación ha impedido a la región converger con el resto del mundo en lo que respecta a la productividad.

Recientemente, ^{Mongue y Tacsir (2013)}, encuentran que la mayoría de las actividades productivas de los mercados de América Latina (a nivel industrial o de servicios) no tienen relación con los esfuerzos de innovación, es decir, las señales de ganancias relativas a corto plazo parecen estar disociadas de la innovación.

En conclusión, tal como argumenta ^{CEPAL (2007)}, estos países deberán aumentar significativamente los esfuerzos destinados a una sustancial mejora de la base disponible, sobre todo en lo que respecta a un salto significativo en las capacidades de absorción y una mayor y más equilibrada disponibilidad de infraestructura.

IV.5. Impactos en el número de investigadores

Los hallazgos detectados sugieren que dentro del modelo B, el número de investigadores es un factor estadísticamente significativo a la hora de evaluar la capacidad tecnológica en Latinoamérica. La estimación puntual recalca que ante aumentos de 1 por ciento de la variable en cuestión, se esperarían aumentos de las patentes otorgadas en .43 por ciento y .60 por ciento de las publicaciones científicas. Sin embargo, dicha variable muestra inelasticidad, ya que las variables explicadas (de capacidad tecnológica) varían en menor proporción que la de la variable“número de investigadores”. En otras palabras, se necesita duplicar el esfuerzo porcentual del factor “número de investigadores” para conseguir aumentos proporcionalmente similares en la generación y solicitud de patentes internacionales y publicaciones científicas.

En ese sentido, ^{SciDev (2015)}, señala que contar científicos puede sonar cosa fácil, pero las incertidumbres asociadas sugieren que es un asunto enredado. Una fuente bien reputada, la Red de Indicadores de Ciencia y Tecnología (RICYT), sostenida por la Organización de Estados Iberoamericanos, acusa huecos en sus bases de datos y en algunos países de la región no existen estadísticas actualizadas en materia de ciencia y tecnología y no se cuenta con información certera sobre el número de científicos. Por lo tanto, hace falta una noción más profunda de “medir la ciencia” no sólo con el conteo de científicos sino también evaluando las condiciones de investigación. Más aún, si bien podemos acordar que Latinoamérica necesita más de 250 mil científicos, también necesita preguntarse para qué los quiere. Que sean muchos o pocos dependerá de cuánta importancia tiene la ciencia en la estrategia de desarrollo y qué tan compatible con la ciencia sea la cultura dominante.

Adicionalmente, según ^{Navarro, Benavente, y Crespi (2016)}, la tasa de crecimiento de las publicaciones de América Latina se triplicó entre finales de 1990 y mediados de la década de los 2010, por lo tanto, se ha podido superar a algunas otras regiones y consecuentemente se ha podido reducir la brecha - al menos en cuanto a publicaciones -. La naturaleza de la investigación en las economías latinoamericanas también es diferente de la de los países de la OCDE. En ese sentido resulta útil cuestionarse no sólo cuántos investigadores hay en la región sino también qué investigan, ya que la parte de los investigadores que trabajan en los campos de ingeniería y tecnología (como porcentaje del total de investigadores) está entre el 10 y el 30 por ciento (RICYT, 2014), mientras que en países como Singapur, Japón y Corea del Sur esta cifra es del 60 por ciento.

IV.6. Las variables con efectos inelásticos

Es conveniente mencionar aquellos factores que resultaron estadísticamente significativos pero inelásticos. Bajo el modelo de regresión A, la variable “pago de licencias” mostró impactos positivos y significativos en las solicitudes de patente, las publicaciones científicas y el PIB per cápita. Paralelamente, la variable de “importaciones” evidenció efectos significativos en la generación de patentes internacionales y ligeramente en el incremento del PIB per cápita. Mientras que en el modelo de regresión B, la variable IED mostro impactos positivos y significativos en generación de patentes internacionales, las solicitudes de patente, las publicaciones científicas y el PIB per cápita. Lo anterior, según la ^{CEPAL, 2015} puede ser explicado dado que la inversión extranjera directa es una fuente importante de obtención de nuevas tecnologías para los países en desarrollo, sin embargo, su importancia en América Latina parece ser menor que en otras regiones, probablemente debido a la excesiva orientación hacia el abastecimiento de mercados internos de IED que llega a esta región, con la excepción reciente de México, República Dominicana y Costa Rica.

En otras palabras, se necesita un esfuerzo porcentual mayor del de estas variables inelásticas para conseguir aumentos proporcionalmente similares en el incremento de las capacidades tecnológicas latinoamericanas.

Cabe mencionar entonces, que en el contexto estudiado, la atracción de IED ha cumplido un rol preponderante en las nuevas políticas de desarrollo productivo. Si bien las políticas de IED han sido bien acogidas en general, algunos países se han esforzado por atraer IED hacia sectores específicos, tecnológicamente avanzados, y para emprender las acciones requeridas a fin de asegurar el éxito de dicha iniciativa (^{BID, 2014}).

En algunos países latinoamericanos,²³ se considera a la atracción de la IED como una opción estratégica para mantener el crecimiento, promover el cambio estructural y crear mejores puestos de trabajo. Sin embargo es necesario que la IED sea más óptima y que la región vaya cambiando gradualmente hacia un enfoque de política más selectiva de la IED orientándose a ciertos sectores intensivos en conocimiento, mientras que algunas empresas globales se han movido recientemente hacia actividades crecientemente sofisticadas. En general, las experiencias exitosas de todo el mundo muestran que la IED intensiva en conocimiento es más sensible a la disponibilidad de las habilidades y las capacidades de investigación (incluyendo los laboratorios de I+D, plataformas de innovación, grupos de empresas y centros de investigación) que fomenten un entorno innovador. Buenas prácticas en este campo demandan mayores niveles de integración y coordinación entre las políticas de promoción de la IED y las políticas complementarias claves en las áreas de innovación, educación e industria (^{Mongue y Tacsir, 2013}).

Por otra parte, en lo que respecta a las importaciones, cabe mencionar que el depender de la tecnología importada no es necesariamente malo²⁴ si se poseen suficientes capacidades de absorción y si ello conduce a procesos de aprendizaje. Sin embargo, para que esto suceda, se debe combinar la tecnología adquirida con esfuerzos en investigación y desarrollo y capital humano complementario. No es ninguna sorpresa que el proceso de innovación en América Latina se base en la adopción y en la mejora incremental de tecnologias existentes, más que la inversión en I+D (^{BID, 2014}). Sin embargo, según apunta ^{Botella y Suarez (2012)}, para contribuir al estímulo de la financiación privada de la innovación en América Latina, habría que contar, en primer término, con las empresas multinacionales de la propia región (las llamadas multilatinas). Estas empresas, con importante peso en diversos sectores en el ámbito global, pueden canalizar el potencial innovador en los países de la región y reequilibrar el tradicional flujo de producción de la innovación, que se generaba principalmente en los países desarrollados, especialmente en la Unión Europea y Estados Unidos, para acabar implantándose en América Latina. En segundo lugar, habría que considerar el papel de las empresas internacionales que cuentan con una relevancia considerable en la región. Estas empresas pueden contribuir al impulso innovador a través de la transferencia tecnológica, la financiación y el apoyo a iniciativas innovadoras surgidas en los países latinoamericanos.

Por su parte, ^{Stiglitz y Greenwald (2014)}, señalan que el aprendizaje en los países en vías de desarrollo ocurre a través de diversos canales como: la movilidad de las personas, formas de código abierto de propagación del conocimiento, bienes de inversión, imitación e ingeniería inversa (por ejemplo, a través de empresas multinacionales), inversión extranjera directa y adquisición de empresas con tecnología. Sin embargo, estos países deben considerar seriamente que unos derechos de propiedad intelectual más fuertes (y, sobre todo, los que están pobremente diseñados) tendrían un efecto en extremo adverso sobre el aprendizaje y la innovación en los países en vías de desarrollo.