Introducción

Una opción para las micro y pequeñas empresas (MIPES) para participar en el mercado globalizado es la innovación que les permite alcanzar metas empresariales ^{(Phuangrod, Lerkiatbundit, & Aujiraponpan, 2017)}. Sin embargo, enfrentan diversos problemas para realizar actividades de innovación, entre los que destacan el desconocimiento del mercado, del producto, de los insumos, de los clientes, proveedores y competidores, y de habilidades para relacionarse con el mercado ^{(OCDE, 2018)}. Esto implica que las empresas y sus colaboradores mantengan bajos perfiles de innovación ^{(Faherty & Stephens, 2016)}, por lo que para las MIPES la innovación representa más una respuesta con carácter de urgencia ante situaciones de crisis.

La innovación es un proceso complejo multidimensional asociado con la creación, invención, novedades y cambio con valor económico en el que interactúan actores, objetivos, recursos, insumos, actividades, productos y contexto institucional; que implica la introducción de un bien, servicio o proceso al mercado y, por tanto, transacciones comerciales a través de empresas ^{(Edwards, 2018)}. La innovación es igual a la invención, asociada con esfuerzos para crear nuevas ideas y ponerlas en funcionamiento, o la adopción de ideas o productos, más la explotación, que incluye el desarrollo comercial, aplicación y transferencia, lo que implica la evaluación, socialización y mejora de los resultados.

Para el caso de las MIPES, el concepto de innovación es más amplio y flexible, asociándose más con una novedad inherente a un bien, servicio o proceso para la propia empresa y no necesariamente para el mercado o sector ^{(Castro, Echeverría, & Unceta, 2018)}, por lo que se aleja de la idea que este proceso requiere necesariamente de actividades in-house y de aquellas ligadas a la investigación y desarrollo ^{(Acosta, Rueda, & Ibrobo, 2017)}. Comprende, además, un aprendizaje interactivo al interior y exterior de la empresa y se considera como un fenómeno territorial, pues las empresas obtienen ventaja de los actores y recursos específicos del lugar ^{(Fernandez, Van Oostrom, & Pinto, 2017)}, y adaptan ideas o innovaciones generadas en otros lugares a los diferentes contextos locales a través de cambios incrementales ^{(OCDE, 2017)}. Esto se vincula con la capacidad de absorción, entendida como la habilidad organizacional de transformar conocimiento externo en resultados innovadores ^{(Moilanen, Østbye, & Woll, 2014)}, esto es, la empresa absorbe o asimila información desde los agentes del territorio próximo o fuera de éste (clientes, proveedores y competidores) para generar innovaciones.

En este sentido, la generación, difusión e implementación de la innovación depende del personal y su interacción, que las posiciona como factor clave de la misma ^{(Su & Hyeok, 2017)} o en el bloque generador básico de la innovación. Desde esta perspectiva, los individuos en las MIPES son el componente central para cualquier proceso de innovación al incorporar conocimiento explícito y tácito. Aún más, los limitados recursos de las MIPES hacen que este tipo de capital -humano y relacional- se coloque en el centro del proceso innovador. Así, la innovación deriva de la formación de competencias del factor trabajo -educación, capacitación, experiencia, motivaciones y actitudes- como la unidad esencial para este proceso.

Si bien este concepto se ha convertido en uno de los más difundidos, a nivel teórico, práctico y político, generando múltiples interpretaciones o definiciones, un aspecto que ha ocupado poca atención en México y el mundo es la medición de las habilidades de innovación de los individuos dentro del proceso, orientándose a medir las capacidades o potencialidades de innovación de las empresas o su impacto en el desempeño.^[1] En contraste, los estudios que colocan al individuo en el centro de la innovación como elemento para su medición son reducidos ^{(Amaro & da Silva, 2017)}. No obstante, ninguno mide directamente las habilidades de innovación incorporadas en la persona.^[2]

Medir el grado de desarrollo individual de este tipo de habilidades permite identificar capacidades de generación sistemática de innovaciones. El PNUD señala es una forma en que las MIPES pueden tomar decisiones para participar competitivamente en los mercados. Este documento contribuye en este sentido al cuantificar la capacidad de innovación a partir del Índice General de Habilidades de Innovación del Individuo (IGHII), que incorpora cuatro dimensiones básicas del individuo: creativas, emocionales, de organización y de ejecución y mejora; comparándolo con su desempeño innovador.

El objetivo es medir las habilidades de innovación de los colaboradores en las MIPES de la Ciudad de México (CDMX), que concentra el 18.2% de estas unidades empresariales a nivel nacional ^{(Instituto Nacional de Estadística y Geografía, 2015)} y compararlas con su desempeño en términos del número de innovaciones alcanzadas considerando el tamaño y el sector de actividad durante el año 2015. Aquí cabe preguntar si el desarrollo de estas habilidades tiene efectos en los procesos de innovación dentro de las MIPES. Por ende, se establece como hipótesis que las mayores habilidades generan mejores desempeños innovativos de las empresas, condicionado por aspectos como tamaño o sector empresarial.

El resto del documento se estructura en cuatro secciones. En la siguiente se revisan sucintamente los elementos teóricos que sustentan la innovación y se describen brevemente el IGHII y sus subíndices. En la tercera se presentan los aspectos metodológicos relacionados con el cuestionario aplicado a una muestra de MIPES de la CDMX, así como del análisis de varianza, estimación de un modelo ANOVA, análisis cluster o conglomerados y de correlación. En el apartado cuatro se resumen los principales resultados y se discuten contrastándolos con el desempeño empresarial. Por último, se presentan algunas reflexiones.

Método

La investigación se realizó en seis etapas siguiendo un enfoque cuantitativo, con diseño tanto descriptivo como explicativo no experimental. Dentro del enfoque descriptivo, en la etapa 1 se construyó un cuestionario para identificar las habilidades a nivel individual -atributos internos- considerando a los procesos sociales de las MIPES -interacción entre colaboradores, dueños, clientes y proveedores- como el contexto de generación de la innovación. La información recopilada permite calcular el IGHII en las empresas visitadas constituyendo así la base para el análisis.

La población objetivo son las micro y pequeñas empresas en la Ciudad de México que, de acuerdo con datos de INEGI, significan un universo de 736 mil 835 unidades económicas. El tamaño de la muestra se determinó con base en tres criterios: i) una muestra de tamaño adecuado y precisión alta se asocia con un margen pequeño de error estocástico, por lo que, siguiendo la literatura relativa al análisis de la innovación mediante encuestas, se considera un nivel de confianza deseado del 95%. ii) el error máximo aceptable empleado por convención es del 5%; lo que significa que el error a aceptar en el resultado implica que el porcentaje de cumplimiento varíe +/- cinco por ciento. iii), como la muestra es una función de la proporción esperada de cumplimiento del proceso medido, se elige un nivel del 50% al representar un escenario con el mayor número de casos.^[6]

Lo anterior permite considerar a la muestra como representativa de la población objetivo, puesto que la distribución y valor de las variables (indicadores dentro del IGHII) se pueden reproducir con márgenes de error calculables ^{(Otzen & Manterola, 2017)}. A su vez, esta muestra representativa permite realizar inferencias, extrapolación o generalización de conclusiones a la población objetivo con alto grado de certeza.

El instrumento de cuarenta preguntas considera una escala tipo Likert con cinco posiciones para el diagnóstico de habilidades. La recolección de la información fue mediante visita directa al establecimiento (muestreo por “conveniencia”) durante los meses de mayo y junio de 2015. El equipo de trabajo se acercó a los establecimientos tratando de mantener el azar y alcanzar una distribución sectorial para conseguir una muestra representativa (“muestreo por juicio”). Asimismo, para limitar sesgos en la aplicación del cuestionario en el lugar de trabajo, se restringió la participación del encuestador a aplicar cara a cara el cuestionario, procurando mantener la motivación y aclarando dudas sin inducir las respuestas del entrevistado, siguiendo siempre criterios de objetividad. También se guardó la confidencialidad del entrevistado.

Para garantizar que la construcción del cuestionario cumpla criterios de calidad clave como la dimensionalidad, fiabilidad y validez se consideran distintas pruebas. Al respecto, como el cuestionario permite caracterizar a los individuos mediante un conjunto de rasgos o variables latentes resumidas en el IGHII, entendido como un conjunto de variables observadas, se emplean el análisis exploratorio (EFA) y confirmatorio (CFA) para examinar la dimensionalidad de la escala, esto es, indagar si las dimensiones observadas coinciden con las dimensiones teóricas -variables latentes- ^{(Lloret, Ferreres, Hernandez, & Tomas, 2014)}.

El primero se emplea para explorar los datos y encontrar posibles características, rasgos y relaciones existentes, esto es, descubrir una probable estructura subyacente de la muestra de datos recopilada mediante el cuestionario. En contraste, el CFA está guiado por un modelo teórico basado en información a priori de la naturaleza de los datos ^{(Richaud, 2003)}. Aún más, con el EFA sólo es posible determinar el número de factores esperados, pero no su composición ni las relaciones entre factores; mientras que con el AFC es posible definir el número de factores esperados, e identificar los factores relacionados, así como los ítems relacionados con cada factor ^{(Lloret, Ferreres, Hernandez, & Tomas, 2014)}.

El método de obtención de los factores para el EFA es el de factorización del eje principal, que se caracteriza por ser iterativo al extraer sucesivamente los factores que explican la varianza común en su mayoría, siendo al mismo tiempo robusto a violaciones del supuesto de normalidad ^{(de Winter & Donou, 2012)}.

Aparte, ^{(Lloret, Ferreres, Hernandez, & Tomas, 2014)} señalan que es necesario comprobar el grado de adecuación de la matriz a factorizar al EFA. Para ello, autores como (Frias & Pascual, 2012) señalan que se debe observar el valor del test de esfericidad de Bartlett o el índice de medida de adecuación de la muestra KMO. Primero, se emplea el Índice KMO, que refleja la influencia de todos los factores (correlaciones entre ítems, tamaño de la muestra, número de factores y de ítems), e indica el grado de correlación entre las variables estudiadas. En concreto, compara el valor de los coeficientes de correlación observados con el valor de los coeficientes de correlación parcial entre variables. El valor del estadístico KMO oscila en entre 0 y 1. Mayores correlaciones sugieren que la matriz es adecuada para su factorización puesto que representa resultados estables y replicables en otras muestras.

Alternativamente se emplea el Test de esfericidad de Barlett para determinar la viabilidad del análisis factorial. El test contrasta la hipótesis nula en la que la matriz de correlaciones es una matriz identidad, lo que significaría que no existen correlaciones significativas entre variables y, por tanto, se rechazaría el modelo factorial.

Asimismo, para la determinación del número de factores a retenerse se sigue la regla de Gutman-Kaiser, que establece conservar aquellos factores con valores propios mayores que la unidad. Sin embargo, este criterio tiene la desventaja de ofrecer resultados imprecisos cuando el número de variables es muy grande o muy pequeño. Por tanto, también se considera el gráfico de sedimentación para retener los factores ubicados antes del punto de inflexión del mismo ^{(Mavrou, 2015)}.

Por otro lado, como los valores de las variables observadas son independientes y siguen una distribución normal multivariante, se utiliza el método de máxima verosimilitud (ML), dadas sus propiedades asintóticas (estimadores insesgados, consistentes, eficientes y normalmente distribuidos) ^{(Ximénez & García, 2005)}.

Respecto al ajuste de los datos al modelo, se emplean los índices generalmente utilizados en la literatura basados en la significancia estadística de c2, así como medidas de ajuste estructural o relativos, que se basan en la comparación del grado de mejora del ajuste del modelo base frente a alternativos; a saber, medidas de ajuste absoluto como c2/gl, GFI, SRMR y RMSEA, y de ajuste incremental como NFI, TLI y CFI.

Al respecto, el c2/gl, evalúa la magnitud de la discrepancia entre las matrices de covarianzas de un modelo teórico y un modelo con datos empíricos. Esta razón permite minimizar el impacto del tamaño de la muestra. No existe consenso respecto al valor de este índice, se acepta como buen ajuste cuando está en un rango entre 2.0 y 5.0 ^{(Hooper, Coughlan, & Mullen, 2008)}. El índice GFI (Goodness of Fit Index) determina la bondad del ajuste calculando la parte de la varianza y covarianza de la muestra que es explicada por el modelo, con valores entre 0 y 1 y considerado adecuado cuando el valor es mayor a 0.9 ^{(Martínez, García, Sellés, Bernabé, & Soucase, 2012)}. El SRMR (Standarized Root Mean-Square), cuantifica el error del modelo al analizar las diferencias entre las matrices de covarianzas de la muestra y las del modelo. Al ser una variación del índice RMR y ser éste muy sensible al tamaño de las matrices, el SRMR estandariza los residuos por lo que su máximo valor es una función del tamaño de la muestra. Para muestras de 500 o más observaciones el límite máximo es 0.07 ^{(Doral, Rodriguez, & Meseguer, 2018)}.

Asimismo, el NFI (Normed Fit Index), compara la disminución del estadístico χ2 del modelo propuesto con respecto al modelo base. Si es valor es de al menos 0.90, se acepta como adecuado, si bien para muestra pequeñas el índice pierde precisión ^{(Martínez, García, Sellés, Bernabé, & Soucase, 2012)}. El índice TLI (Tucker-Lewis Index), es similar al NFI, pero con mejor resultados en muestras pequeñas. Como su valor no está normalizado puede ser superior a la unidad. El umbral de aceptación del ajuste es de 0.90 ^{(Doral et al., 2018)}.

De acuerdo con ^{(Herrero, 2010)} diversos índices tienden a sobrevalorar el ajuste de los modelos, por lo que en la práctica la decisión se centra en los índices CFI (Comparative Fit Index) y RMSEA (Root Mean Square Error of Approximation). En particular, si presentan simultáneamente un buen ajuste se acepta que el modelo representa los datos. En breve, el CFI compara el χ2 de un modelo independiente que supone la ausencia de relación entre las variables del modelo, y el modelo propuesto, corrigiéndose por los grados de libertad de cada modelo. La situación ideal es donde el χ2 del modelo propuesto es igual a cero. En cualquier caso, se acepta que un CFI cercano a 0.95 representa un ajuste adecuado del modelo a los datos ^{(Herrero, 2010)}. El error cuadrático medio de aproximación por grado de libertad (RMSEA), reconocido como uno de los más informativos, hace referencia a la cantidad de varianza no explicada por el modelo por grado de libertad. Esto es, determina el grado en el que el modelo se ajusta a la matriz de covarianza de la muestra. Valores inferiores a 0.05 representan un buen ajuste ^{(Herrero, 2010)}.

Asimismo, las propiedades de la escala (conjunto de ítems con mediciones tipo Likert) propuesta y en especial, la fiabilidad, se estudian mediante la consistencia interna del instrumento -la ausencia de error. Para ello se emplea el coeficiente Alfa de Cronbach (α), que mide la correlación entre la escala actual y otra cualquiera. Esta medida supone que los ítems representan un mismo constructo y que, además, muestran alta correlación. El coeficiente mide la fiabilidad del test en función de dos términos: el número de ítems (longitud) y la proporción de varianza total de la prueba debida a la covarianza entre sus partes (ítems). Ello significa que la fiabilidad depende de la longitud de la prueba y de la covarianza entre sus ítems ^{(Ledesma, Molina, & Valero, 2002)}. Si α>0.7 la escala describe correctamente el constructo.

Finalmente, se comprueba la validez convergente y divergente. La validación convergente permite determinar hasta qué punto los ítems seleccionados son representativos para definir las variables latentes del modelo ^{(Doral, Rodriguez, & Meseguer, 2018)}, entendida como una correlación positiva con otros test que miden lo mismo. Para ello, se considera el índice de Varianza Media Extraída (VME) que mide la varianza capturada por un constructo en relación con los demás del modelo. La validez divergente o discriminante, entendida como la ausencia de correlaciones con tests que miden aspectos diferentes, lo que implica procesos distintos. En concreto, la validez discriminante verifica el porcentaje de veces que la correlación de un ítem con una dimensión a la cual pertenece fue estadísticamente mayor que su correlación con la dimensión a la cual no pertenece. La validez discriminante del instrumento se observa con valores de ajuste próximos al 100% ^{(de Sousa, Deon, Bullinger, & dos Santos, 2014)}.

En la etapa 2 se describen los resultados de la aplicación del cuestionario en términos del IGHII, tanto de manera general como por sector de actividad y tamaño de la empresa. Desde el enfoque explicativo de la investigación, se profundiza, en la etapa 3, sobre los resultados anteriores mediante un análisis de varianza (ANOVA), que permite establecer si existe diferencia estadísticamente significativa en el IGHII considerando por separado el tamaño y sector de la empresa. En concreto, el método ANOVA contrasta la hipótesis nula donde las medias de K poblaciones son iguales (H0:μ1=μ2=…=μk=μ) con la hipótesis alternativa en la que la media de al menos una de las poblaciones difiere del resto. Si la hipótesis nula es válida, el factor no tiene efecto significativo en los resultados y, por tanto, que las medias muestrales pueden considerarse como parte de un conjunto más amplio de la población.

Para determinar la diferencia entre el IGHII promedio considerando grupos de empresas por tamaño y por sector, se estima un modelo ANOVA en la etapa 4. El modelo ANOVA se entiende como un caso especial de regresión lineal con variables categóricas como predictores. En la estimación se consideran efectos (parámetros) que pueden estructurarse en grupos y, por tanto, es posible comparar la relevancia de esos grupos, siguiendo un esquema de estimación eficiente de los parámetros individuales ^{(Gelman, 2005)}. La idea del modelo ANOVA es dividir la varianza general de la respuesta en las varianzas de cada uno de los factores y el error. Se considera un modelo donde los efectos son fijos y desconocidos (modelo de efectos fijos). El modelo de regresión considera un factor α que ocurre en i=1,…,I niveles, con j=1,…,J observaciones por nivel. Formalmente (4),

Dado que no todos los parámetros son identificables se considera que Σijiαi=0 lleva a una estimación de mínimos cuadrados. Para la validez de las estimaciones se requiere probar si existe diferencia en los niveles del factor. Por tanto, se establece como hipótesis nula H0: αi=0 para todo i, y como alternativa Ha: al menos una αi es distinta de cero. Tal como en el modelo de regresión lineal, se emplea la prueba F como estadístico y para el contraste se emplea el estadístico conocido como F-ratio

En concreto, para el estimar la diferencia por tamaño, se establece al IGHII como función únicamente de la variable Di de estructura dicotómica con valor de 1 si es microempresa y 0 en cualquier otro caso (pequeña empresa). Aquí, la variable categórica microempresa se recoge en el intercepto (β1). Para estimar la diferencia por sector, la variable Di toma el valor de 1 si la empresa pertenece al sector industria y 0 en cualquier otro caso (comercio o servicios). Formalmente, el modelo ANOVA planteado es: Yi = β1 + β2Di + ui, con ui el término de perturbación aleatorio.

En la etapa 5 se sigue un análisis cluster o conglomerados que permite agrupar elementos o variables dada la similitud entre ellos. Es una técnica estadística multivariante que agrupa variables buscando la máxima homogeneidad entre los elementos de cada grupo y la mayor diferencia entre los grupos. Se emplea un enfoque de análisis jerárquico aglomerativo con distancia euclídea al cuadrado y el método de agrupación de Ward que busca las distancias mínimas entre casos -menor varianza- y, por tanto, tiende a crear clusters compactos y de tamaño similar ^{(Murtaugh & Legendre, 2014)}.

El procedimiento general parte de considerar el total de grupos, seleccionando una medida de similitud para agrupar los dos grupos o clusters con mayor similitud. El proceso continúa hasta que se conforma un solo grupo, se alcanza el número de grupos prefijado, o el contraste estadístico establece no continuar agrupando elementos ^{(Gallardo, 2012)}. Los métodos jerárquicos permiten construir un árbol de clasificación (dendrograma), que permite visualizar el procedimiento de unión seguido, señalando los grupos unidos, el nivel en que lo hacen, y el valor de la medida de asociación entre los grupos ^{(Gallardo, 2012)}. En concreto, el método de Ward es un procedimiento que agrupa en cada etapa los dos clusters que generan el menor incremento en el valor total de la suma de los cuadrados de las diferencias de cada empresa al centroide del cluster, entendido como el promedio de las posiciones de todos los puntos dentro del cluster. Para la validación de los clusters propuestos se sigue un análisis ANOVA descrito arriba.

En la última etapa se realiza un análisis de correlación que es un método estadístico empleado para determinar si existe relación entre dos variables cuantitativas y evalúa la fortaleza de esa relación. Para ello se usa el coeficiente de correlación r, que mide además de la fuerza, la dirección de esa relación. El coeficiente oscila en un rango [-1,1]. Un alto coeficiente significa una fuerte relación ^{(Franzese & Luciano, 2019)}.

Resultados

Respecto al cuestionario, se tiene que la muestra obtenida es representativa en aspectos como distribución sectorial, género, años de operación, nivel de estudios, antigüedad en la empresa y puesto. El tamaño muestral alcanzado está en línea con otros estudios relativos a micro, pequeñas y medianas empresas.^[7] Al respecto, se visitaron más de 650 empresas en todas las alcaldías de la ciudad. El número de cuestionarios logrados fue de 532; para el análisis se eliminaron aquellos incompletos o mal contestados obteniéndose una base final de 500. Solo el 0.51% de los casos son valores atípicos univariados puesto que los Z-scores >±3.29; mientras que, de éstos, 10.4% muestran atipicidad multivariante de acuerdo con los p-valores <0.001 obtenidos a partir de cálculo de la distancia de Mahalanobis (Tabachnick & Fidell, 2013), siendo excluidos de la muestra final.^[8]

Se examina la dimensionalidad de la escala a través del análisis exploratorio (EFA) y confirmatorio (CFA). Se observa que el índice KMO es 0.901, superior al 0.6 aceptado como bueno en la literatura ^{(Lee & Idris, 2017)}. El test de esfericidad de Barlett es significativo (con distribución c2 y 418 grados de libertad el valor es 5495, p<0.000), garantizando la viabilidad del análisis factorial. La regla Kaiser-Guttman y el gráfico de sedimentación, basados en los engine values >1, señalan la extracción de diez factores. Con la rotación, al generar una estructura factorial más homogénea, los factores resultantes explican el 59.1% de la varianza, y las variables saturan únicamente con siete factores con cargas de al menos 0.40. En los tres factores restantes las cargas son muy bajas y los ítems saturan más alto en los otros factores en que se incluyen.

Para el análisis confirmatorio, se sigue el método de estimación de máxima verosimilitud considerando siete factores. El valor de las comunalidades es, en todos los casos mayor a 0.30, por lo que la contribución de cada variable a la varianza es aceptable. Se utilizan distintos indicadores para evaluar la bondad del ajuste. No solo la c2 es significativa, sino que todos los índices sugieren un buen ajuste de los datos al modelo (GFI=0.891, c2/gl=1.89, SRMR=0.026, TLI=0.901, NFI=0.894, CFI=0.932 y RMSEA=0.036).^[9]

Aparte, se estima la consistencia interna, el alfa de Cronbach es de 0.902, por arriba del valor de 0.7 considerado como el mínimo para que el instrumento cumpla con el requisito de confiabilidad ^{(Lee & Idris, 2017)}. Al eliminarse algún ítem el indicador no mejora sustancialmente, por lo que ninguno es excluido.^[10] Asimismo, se comprueba la validez convergente y divergente. En la primera, al utilizar la varianza media extraída (VME) se cumple que es mayor que el cuadrado de la correlación entre el par de constructos (^{Zinbarg, y otros, 2018}).^[11] De forma alternativa, la varianza extraída para cada par de constructos es mayor a 0.50 lo cual es satisfactorio ^{(Wipulanusat, Panuwatwanich, & Stewart, 2017)}. La validez discriminante se acepta puesto que, al 95% de confianza, ninguno de los intervalos de confianza de las correlaciones entre todos los pares de factores contiene el valor 1.

Dado el cumplimiento de los criterios de calidad del cuestionario y la representatividad de la muestra, es posible caracterizar a las MIPES de la CDMX mediante el IGHII alrededor de la realidad del conjunto de capacidades y actitudes de los dueños y colaboradores. De acuerdo con la información obtenida, el IGHII total en las MIPES de la CDMX alcanza un puntaje de 7.70. Este resultado es congruente con el reportado en el Índice Nacional de Innovación (2013) considerando que se basa en inputs y outputs de la innovación que determinan su capacidad y actividad de innovación. Se observa, además, una variabilidad relativamente reducida de las habilidades de innovación entre los individuos en la muestra total.

La Tabla 2 presenta datos promedio para las MIPES. Se tiene que las empresas encuestadas registran 8.8 años de operación en el mercado -por arriba de la esperanza de vida de los negocios al nacer en la CDMX de 8.1 años reportado por ^{(INEGI, 2015)}-; siendo el grupo de empresas con hasta tres años de antigüedad el 30.1% del total de las empresas. Cada establecimiento emplea en términos medios menos de cuatro colaboradores (3.9). Como el promedio de innovaciones es apenas 1.7 por empresa y dado que casi tres de cada cuatro MIPES (76.2%) realizaron al menos una innovación en los últimos dos años, se observa un alto involucramiento de las empresas en procesos de innovación con resultados limitados, sugiriendo una baja eficiencia en el proceso innovador en las MIPES.

Al considerar la heterogeneidad de las oferentes, las empresas pequeñas tienen mayor promedio de vida que las micro, excepto en el caso de los servicios (Tabla 3), probablemente por la mayor disponibilidad de recursos. El número de colaboradores promedio es similar entre los sectores en ambas escalas; no obstante, servicios lidera seguido por industria y comercio. De igual manera, el mayor IGHII^[12] lo obtienen las empresas de tamaño micro en la industria. Aún más, se observa un claro patrón de habilidades recogidas por el IGHII; las micro empresas acumulan mayores habilidades de innovación en sus colaboradores que las pequeñas empresas independientemente del sector en que operen. Esta situación se replica prácticamente para todos los subíndices. Asimismo, el valor del IGHII de las microempresas industriales es seguido por el de servicios y comercio; mientras que las pequeñas empresas de servicios tienen el mayor IGHII seguido por comercio e industria.

Lo anterior sugiere que las habilidades de innovación acumuladas en los colaboradores de las MIPES dependen del sector y de tamaño de la empresa. Diferencias innovativas a nivel sectorial y por tamaño empresarial también son identificadas por ^{(Acosta, Rueda, & Ibrobo, 2017)}. Así, el tipo y complejidad de las funciones y responsabilidades del colaborador, de los procesos de producción/oferta, de la organización en la que se desempeñan, etc. influyen notablemente en el alcance de las cuatro habilidades de innovación recogidas por el IGHII.

Con la intención de abundar en los resultados anteriores y proporcionar evidencia sobre la hipótesis planteada, se realiza un análisis de varianza (ANOVA). Estas pruebas contribuyen a establecer si existe diferencia significativa en el IGHII separando los índices obtenidos por tamaño y sector. Los resultados se muestran en la Tabla 4 ^[13]. Se observa que el valor medio del IGHII registra diferencia significativa tanto entre empresas por tamaño como entre sectores. Es decir, las habilidades de innovación dependen del sector y del tamaño de la empresa, confirmando lo señalado arriba y lo establecido por ^{(Oleśków, Stachowiak, Batz, & Fertsch, 2017)}, para quienes la participación en acciones innovativas se correlaciona con el tamaño y la actividad económica. Ver Tabla 4.

Para profundizar en el análisis considerando el tamaño y sector de la empresa, dimensiones en las que existe diferencia significativa entre valores medios, se estima un modelo de análisis de varianza (o de diseño experimental) para determinar la magnitud de la diferencia significativa en el IGHII entre las empresas por tamaño y por sector. Las estimaciones de los modelos ANOVA son significativas. Para el análisis por tamaño se estima β1=7.797 (p=0.0000) y β2=-0.10397 (p=0.0382); de igual manera, considerando el sector, se estima β1=7.292 (p=0.0000) y β2=-0.12062 (p=0.0293). Por ende, el IGHII promedio de las micro empresas es mayor al de las pequeñas, al tiempo que el IGHII promedio industrial es superior al de comercio y servicios.

Como alternativa para contrastar la hipótesis se realiza un análisis cluster o conglomerados. De acuerdo con ^{(Pinilla & Criado, 2016)}, este método estadístico multivariante, detecta grupos estratégicos homogéneos, al clasificar las empresas en conglomerados con características similares y se utiliza cuando el objetivo es la clasificación de sujetos. En este caso, el análisis permite identificar grupos de empresas según las habilidades de innovación incorporadas en sus colaboradores, reflejado en el IGHII o sus subíndices, y el desempeño innovador, esto es, en el número de innovaciones. Al respecto, el dendrograma de combinaciones y los coeficientes de distancia sugieren la conformación de tres clusters donde se maximiza la homogeneidad en su interior. La validez de los conglomerados se evaluó mediante una prueba de hipótesis que plantea como hipótesis nula la igualdad entre todas las medias de los clusters (usando en este caso la variable número de innovaciones) y como alternativa que al menos una media es distinta. Los resultados del análisis ANOVA muestran una F=7.195 (p=0.001), que permite rechazar la nula y aceptar que los grupos están bien clasificados. Esto es, que las empresas que conforman cada uno muestran características relativamente homogéneas.

La agrupación por clusters se resumen en la Tabla 5 ^[14]. Dados los resultados del análisis de conglomerados y considerando de forma conjunta las dimensiones de habilidades de innovación y desempeño innovador, las empresas pueden clasificarse en tres grupos, siguiendo la propuesta de ^{(Torres, Cataño, & Arias, 2015)}: exitosas, estables y rezagadas en función de los estándares altos, medios o bajos alcanzados en esas variables. El cluster 3, que incluye el 14.8% de las empresas, registra los estándares más elevados tanto en términos del IGHII y sus subíndices, como del número de innovaciones. El cluster 2, con el 21% de las empresas, se caracteriza por habilidades y resultados de innovación medios, al tiempo que el cluster 1 (64.2% de las empresas) muestra habilidades de innovación e innovación promedio bajas.

Por otro lado, las condiciones promedio que enfrentan las MIPES de la CDMX en cuanto a las habilidades de innovación se relacionan con el desempeño en términos de años de operación en el mercado y de introducción de innovaciones. Esto se verifica en los resultados la Tabla 6 que indican la existencia de correlación entre las habilidades de innovación plasmadas en el IGHII y estas dos variables de desempeño. Con la excepción del número de innovaciones para la microindustria y el pequeño comercio todas las variables son estadísticamente significativas.

Si bien los patrones no son tan claros, se distingue que el IGHII se relaciona linealmente en mayor grado con la antigüedad en el mercado en las empresas pequeñas que en las micro. En la dimensión de innovación, esta situación es similar para el caso de los servicios. De cualquier manera, el análisis de correlación muestra un mayor vínculo de las habilidades de innovación con el desempeño al interior de las empresas pequeñas frente a las micro, lo que resalta dado que las mayores habilidades de innovación se registran en los colaboradores de las micro empresas.

Discusión

El valor calculado del IGHII sugiere que la combinación de habilidades creativas, emocionales, de organización y de ejecución y mejora se ubica en un rango medio-alto, por lo que existe margen para desarrollar dichas habilidades. Esta habilidad de innovación calculada contrasta con otros índices que miden la capacidad de innovación en los estados, si bien siguen metodologías distintas dificultando su comparación. Por ejemplo, el Índice de Potencial de Innovación a Nivel Estatal (IPINE) propuesto por ^{(Ruiz, 2008)} estima un alto potencial para la CDMX y, el Índice de Innovación Estatal (IIE) diseñado por ^{(Aregional, 2010)} la clasifica con un potencial medio-alto.^[15] En cualquier caso, los resultados del IGHII sugieren que los individuos son componente fundamental de las empresas innovadoras, ya que son tanto creadores y facilitadores de bienes, servicios o procesos diferenciados en sus mercados.

Además, a pesar que los resultados muestran un alto involucramiento de las empresas en procesos de innovación con resultados limitados, se entiende que participar en procesos de innovación, más allá de su éxito, se relaciona con la supervivencia de las empresas. Esto es, tal vez fracasen en la introducción directa de innovaciones al mercado, pero durante el proceso se obtienen aprendizajes y experiencias, base del nuevo conocimiento, útiles para la operación de las empresas y el desempeño innovador futuro de los colaboradores. En este sentido, el fracaso debe gestionarse como parte del proceso integral de innovación ^{(Flores, 2015)}.

De igual manera, el patrón de habilidades recogidas por el IGHII muestra que, sin importar el sector de operación, los colaboradores de las micro empresas acumulan mayores habilidades de innovación que aquellos en pequeñas empresas. En este sentido, un aspecto central del desempeño innovador de las MIPES es que la mayoría de las innovaciones se registraron en las empresas de menor tamaño. Si bien esto puede ser contraintuitivo y opuesto a la literatura que identifica a las pequeñas y medianas empresas como más innovadoras ^{(Ehrenberger, Koudelkova, & Strielkowski, 2015)} y ^{(Oleśków, Stachowiak, Batz, & Fertsch, 2017)}, por un lado, puede implicar una sobreestimación dada la mayor representatividad de este segmento empresarial en la muestra; y, por el otro, que las microempresas enfrentan mejores condiciones para procesos de innovación incremental-local caracterizados por menores requisitos de capital humano y financiero. Dados los mayores estándares en las habilidades de innovación como señala el IGHII, esta situación puede reflejarse en la frecuencia de lanzamientos de productos innovados, en la menor duración del proceso de innovación y en el desempeño de mercado (impulso de los productos innovados sobre las ventas), derivado, por ejemplo, de habilidades individuales desarrolladas en torno a la acción, implementación, liderazgo, valoración del error, entre otras.

Para el caso industrial, la totalidad de las innovaciones se presentó en las microempresas; mientras que para servicios y comercio la participación de las micro en el total de innovaciones fue de 91%. De este modo, recordando que el conjunto de oferentes micro es el de mayores habilidades para la innovación, se vislumbra un rol central de estas habilidades para los procesos de innovación principalmente en las empresas de menor tamaño. Una posible explicación está dada por ^{(Baykal, 2019)}, quien argumenta que los inventores individuales-innovadores-emprendedores suelen permanecer en las micro y pequeñas empresas; quienes se caracterizan por trabajar solos, a tiempo parcial, con auto-financiamiento y retención propia de los beneficios. Aún más, para las micro empresas en cualquier sector, al menos 60% de ellas introdujo alguna innovación consecuencia, presumiblemente, de las habilidades de innovación incorporadas en los individuos y que se capturan en el IGHII.

^{(Cohendet, Parmentier, & Simon, 2017)} establecen que la innovación, como proceso, requiere de insumos, particularmente asociados a la creatividad, conocimiento y competencias, esto es, el proceso de innovación se basa en insumos especializados incorporados en las personas; por tanto, los individuos en las pequeñas empresas de servicios y aquellos en la micro industria, con los mayores subíndices de innovación, ofrecen los mejores insumos individuales vinculados a la creatividad, emociones, organización y ejecución y mejora, que le permiten completar el proceso innovador. En cualquier caso, la innovación como una dimensión del desempeño organizacional, ha llevado a promover y valorar mayores niveles de participación de los empleados en los procesos de innovación ^{(Smith, 2017)}.

Aparte, tanto el análisis de varianza como las estimaciones de los modelos ANOVA encuentran evidencia estadísticamente significativa respecto a las diferencias entre las habilidades de innovación en función del sector (mayor para el industrial) y del tamaño de la empresa (mayor para las micro empresas). Esto último puede deberse a los spillovers reconocidos en la industria manufacturera ^{(Stehrer, 2014)} que se traducen en mayor capacidad individual para innovar, reflejada en este caso en el IGHII. Si bien el sector servicios es una importante fuente de spillovers, estos derrames de conocimiento se dan principalmente en el contexto de la relación con el sector manufacturero ^{(Clemes, Arifa, & Gani, 2002)}, lo que en este caso no se refleja debido al tipo de empresas de servicios encuestadas (personales, de salud, educativos, alimentos, etc.). ^{(Camarin & Silva, 2019)} argumentan en este sentido al señalar que el poder de los spillovers desde los servicios es comparativamente bajo frente a las manufacturas, puesto que ese sector se caracteriza por incrementos esporádicos en los niveles de productividad, procesos intensivos en mano de obra, y relaciones interpersonales.

Adicionalmente, al considerar conjuntamente las habilidades de innovación y el desempeño innovador, el análisis de conglomerados sugiere la formación de tres grupos diferenciados por los estándares altos, medios o bajos alcanzados en estas dos variables. En consecuencia, se observa una clara definición de los clusters, y las empresas que los conforman, en función de las habilidades innovativas incorporadas en los colaboradores y el número de innovaciones alcanzadas, por lo que desde esta óptica se comprueba la hipótesis planteada sobre la relevancia de las habilidades para los resultados de innovación.

Además, se tiene que el clúster más innovador incorpora el mayor porcentaje de empresas industriales, aunque contribuye con el mayor número de empresas pequeñas. En cualquier caso, esto parece confirmar la idea que las mayores habilidades innovativas fomentan mejores resultados innovativos de las empresas, condicionado por aspectos como tamaño o sector empresarial.

Finalmente, el análisis de correlación evidencia diferencias por tamaño de empresas al considerar la relación lineal entre las habilidades de innovación y el desempeño innovador. En particular, la relación más fuerte se encuentra en pequeñas empresas. Esto sugiere que la forma en la que se emplean las habilidades de innovación es más eficiente en éstas en comparación con las micro empresas. En otras palabras, se asocia con una mejor gestión de los recursos incorporados en el individuo necesarios para la innovación; esto avala el argumento sobre la dirección del recurso humano como determinante de la innovación empresarial, particularmente a nivel producto ^{(Fathi & El Orra, 2020)}. La mayor capacidad empresarial de las pequeñas empresas en comparación con las micro, les permite seguir ciertas prácticas del recurso humano vinculado a la innovación ligadas con comunicación, delegación, capacitación y sistemas de recompensas ^{(Laursen & Foss, 2012)}.

Como cabe esperar que algunas empresas disfruten de capacidades para comprometerse en procesos de innovación más avanzados, los resultados señalan que, en general, las micro y pequeñas empresas cumplen con prerrequisitos para innovar, al poseer una pieza fundamental para ello: habilidades de innovación como conocimiento implícito en los individuos. Una idea similar se discute en ^{Su & Hyeok (2017)}. Al complementarse con la experiencia acumulada en procesos de innovación incremental con orientación al cliente y al marketing, las empresas pueden aplicar estrategias de innovación de mayor relevancia que contribuyan a sobreponerse a limitaciones naturales y aumentar así su competitividad.

Conclusiones

Dentro de las MIPES, la innovación a nivel individual se genera en un contexto formado por recursos, estructura y organización limitados. Por ende, para potenciar la innovación, como alternativa para participar competitivamente en el mercado, se necesita de individuos con cuatro tipos de habilidades de creatividad, emocionales, de organización y de ejecución y mejora que se interrelacionan entre sí para fomentar la innovación desde esta unidad básica.

En particular, las habilidades en los colaboradores de las MIPES que facilitan la innovación se asocian con el desarrollo de aspectos como proceso creativo, combinación de enfoques, construcción y destrucción, enfoque en soluciones, valoración del error, riesgo y tolerancia, incertidumbre, relaciones humanas, compromiso, visión de futuro, planeación, liderazgo, acción, implementación y monitoreo, todos estos aspectos recogidos en el IGHII.

La literatura vinculada con la medición de la innovación a nivel individual es escasa. Este documento contribuye justamente en la medición de habilidades de las personas necesarias para la innovación.

Categorizar la innovación, a través de esta metodología, contribuye a una comprensión sistémica y sistemática de este proceso comparado con estudios previos, que se concentran en cuantificar la innovación desde un nivel en el que el individuo juega un papel percibido como secundario.

Siguiendo el objetivo del documento, se encuentra que el IGHII promedio para las MIPES de la CDMX es de 7.70, ubicándose en un rango intermedio de la escala; lo que representa posibilidades para desarrollar las habilidades creativas, emocionales, de organización y de ejecución y mejora en los individuos dentro de las MIPES, que al combinarse se traduzcan en innovaciones. De acuerdo con el IGHII, se observa que las microempresas muestran mayor desarrollo de habilidades de innovación, mientras que aquellas en el sector industrial alcanzan mejores calificaciones en este índice. Aún más, las microempresas industriales son las de mayor puntaje del IGHII. Asimismo, se tiene que las MIPES mejor calificadas son también, en general, las de mejor desempeño en términos del número de innovaciones. Los resultados permiten concluir respecto a la hipótesis que asocia las mayores habilidades con mejores desempeños innovativos de las empresas, condicionado por el tamaño o sector empresarial. En breve, la hipótesis se acepta, por lo que las mayores habilidades individuales de innovación generan mejores desempeños innovativos de las empresas diferenciadas en función del sector y de su tamaño.

Al respecto, en cada una de las etapas de la investigación se encuentra evidencia que en general señala diferencias en la innovación en función del tamaño y sector empresarial. En concreto, el análisis ANOVA, establece diferencias significativas en el IGHII dependiendo del sector y del tamaño de la empresa. La estimación del modelo de análisis de varianza, que determina la magnitud de esa diferencia, confirma lo anterior, observándose que el IGHII promedio de las empresas micro o industriales es mayor que para sus contrapartes. El análisis de conglomerados, que emplea los datos del IGHII y del desempeño exportador, sugiere la existencia de tres grupos de empresas clasificadas como exitosas, estables y rezagadas. Por tanto, también se observan diferencias entre empresas en función de las habilidades de innovación incorporadas en los colaboradores. Finalmente, el análisis de correlación establece diferencias significativas entre sectores al considerar el vínculo entre las habilidades de innovación y el desempeño innovador.

En cualquier caso, se encuentra evidencia de una mayor vinculación entre las habilidades de innovación con los años de operación y el número de innovaciones introducidas por las empresas pequeñas en comparación con las microempresas. Esto significa que los beneficios potenciales derivados de las habilidades de innovación incorporadas en los colaboradores de las MIPES son diferentes entre los distintos tamaños de las empresas.

Como se señaló la medición de habilidades de innovación en los colaboradores de las empresas, particularmente MIPES, es limitada en la literatura. No obstante, el valor del IGHII calculado para las MIPES de la CDMX es congruente con los reportados por el Índice Nacional de Innovación (2013), el Índice de Potencial de Innovación a Nivel Estatal (IPINE) y el Índice de Innovación Estatal (IIE), si bien siguen metodologías distintas y se enfocan en la medición de la capacidad de innovación de agentes económicos más agregados que el propio colaborador. En cualquier caso, los resultados del IGHII sugieren que los individuos son componente fundamental de las empresas innovadoras, ya que crean y facilitan bienes, servicios o procesos diferenciados en sus mercados.

Asimismo, los hallazgos muestran que las habilidades de innovación acumuladas en los colaboradores de las MIPES de la CDMX dependen del sector y de tamaño de la empresa, lo que confirma lo establecido por ^{(Acosta, Rueda, & Ibrobo, 2017)} y ^{(Oleśków, Stachowiak, Batz, & Fertsch, 2017)}. Aún más, la relevancia de las habilidades en los colaboradores, asociadas a la creatividad, emociones, organización e implementación, son elementos esenciales para el proceso innovador, alineándose a los argumentos de ^{(Cohendet, Parmentier, & Simon, 2017)} para quienes el proceso innovador requiere de insumos, como la creatividad, el liderazgo, y la acción, entre otros.

De este modo, el IGHII tiene implicaciones que no sólo amplían la medición de la innovación, sino que ofrecen una visión más extensa tanto para los hacedores de política públicas, como para los encargados del diseño e implementación de estrategias empresariales. Así, por ejemplo, es posible identificar las habilidades individuales de innovación más fuertes y establecer estrategias empresariales basadas en ellas para alcanzar alguna ventaja competitiva. Al mismo tiempo, las instituciones educativas formadoras de capital humano pueden considerar el tipo de habilidades necesarias para la innovación y promoverlas en sus planes de estudio. Alternativamente, el IGHII puede señalar las habilidades de innovación más débiles en un grupo o sector determinado de empresas y, en consecuencia, cámaras empresariales que las representan y gobiernos promotores de la innovación puedan implementar medidas para desarrollarlas, favoreciendo estos procesos y la permanencia de las empresas en el mercado.

Aún más, una implicación de las diferencias individuales de innovación entre sectores y escala de producción entre las MIPES de la Ciudad de México, es que es posible diseñar políticas públicas no solo para consolidar las fortalezas actuales de los individuos, sino que contribuya a abatir las debilidades en el proceso innovador a nivel individual diferenciado por sector de actividad y tamaño de las empresas.

Por último, se reconoce que las principales limitaciones del documento son la temporalidad, pues contiene información de un solo año y la evidencia respecto al número de innovación diferenciadas por empresas según tamaño. Ambos aspectos representan áreas de oportunidad para ampliar la investigación sobre la innovación en las MIPES en México.