nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
En las últimas décadas, buena parte de los estudios económicos interesados en los procesos de innovación y desarrollo se han focalizado en las regiones (Morgan, 1997; MacKinnon et al., 2002; Shearmur et al., 2016). Hace unos años, Carlsson (2007) mostraba que la mayoría de los trabajos sobre sistemas de innovación solían adoptar un enfoque regional. En otro estudio reciente, abocado de forma más específica a los sistemas regionales de innovación (SRI), Doloreux y Porto Gomez (2017) destacan que esta literatura ha crecido extraordinariamente en los últimos 20 años.
El interés en el desarrollo regional también radica en la persistencia (o la agudización) de las desigualdades territoriales, particularmente a lo largo y ancho de los países en desarrollo (PED) de Asia, África y América Latina (Kanbur et al., 2005; Milanovic, 2005; Barrios y Strobl, 2009; Aroca y Atienza, 2016). En esta misma línea, las asimetrías regionales del desarrollo argentino han sido tema presente en la historia nacional y el problema del desarrollo desigual de las regiones y provincias del país perdura hasta la actualidad (Cao y Vaca, 2006; Gelman, 2011; Gatto, 2013; Kessler, 2014; Niembro, 2015b).
Los estudios sobre sistemas regionales de innovación permiten conjugar ambas cuestiones, puesto que este enfoque reconoce por un lado el rol central de la innovación como determinante del desarrollo y por otro la necesidad de explicar y abordar las desigualdades regionales (Asheim et al., 2011; Tödtling y Trippl, 2013).
Un objetivo bastante frecuente en la literatura sobre SRI ha sido la clasificación de las regiones en función de aquellas características de los procesos territoriales de innovación y aprendizaje que tienden a parecerse o diferenciarse; buena parte de los trabajos que elaboran índices y tipologías empíricas de SRI se ha concentrado en el estudio de regiones europeas (Clarysse y Muldur, 2001; De Bruijn y Lagendijk, 2005; Müller et al., 2008; Navarro et al., 2009; Carrincazeaux y Gaschet, 2015) y, en particular, de España (Buesa et al., 2006; Navarro y Gibaja, 2009; Alberdi et al., 2014).
En América Latina la literatura es un poco más nueva y se ha reducido, hasta ahora, a analizar los casos de Brasil, Chile, Colombia y México (Vivar et al., 2010; Crespi y D’Este, 2011; Sánchez Tovar et al., 2014; Valdez-Lafarga y León-Balderrama, 2015; Dos Santos, 2017).
Al tener en cuenta la falta de trabajos similares para Argentina, en un artículo reciente (Niembro, 2017) definimos una primera tipología de los SRI en el país, en función de los datos disponibles para los últimos años (circa 2013). No obstante, una de las limitaciones que comúnmente presentan las tipologías empíricas de los SRI es que no suelen abordar la evolución en el tiempo de estos procesos (MacKinnon et al., 2002; Doloreux y Parto, 2005; Navarro, 2009; Tödtling y Trippl, 2013; Doloreux y Porto Gomez, 2017).
En esta investigación intentamos dar un primer paso en el análisis de las desigualdades entre los SRI en Argentina durante el periodo 20032013, a partir de lo que denominamos el Índice Provincial de Sistema de Innovación (IPSI)1, junto con diferentes subíndices. Este lapso coincide además con una década donde el gobierno nacional mantuvo un mismo signo político y que, una vez transcurridos esos años, dio pie a la controversia entre las posturas de la “década ganada” frente a la “década perdida o desperdiciada” (Kessler, 2014; Gervasoni y Peruzzotti, 2015).
Es importante señalar que el estudio de rankings realizados en función de un índice sintético y la elaboración de una taxonomía a partir de la evaluación conjunta de diferentes dimensiones del fenómeno no tienen el mismo alcance. Por ello, aquí no se pretende generar nuevos grupos de provincias ni reemplazar a la tipología (más compleja y multidimensional) antes desarrollada, sino -en todo caso- poder evaluar la estabilidad o variabilidad de las distintas realidades provinciales en el tiempo; puesto en otros términos, este trabajo intenta aportar, a partir del cálculo del IPSI y sus subíndices, una visión general (y en cierta medida dinámica) sobre el posicionamiento y ordenamiento relativo de los SRI en el periodo 2003-2013.
En adelante, el trabajo se estructura de la siguiente forma. En la próxima sección hacemos un breve repaso de los antecedentes teóricos y, especialmente, empíricos sobre sistemas regionales de innovación; en la sección dos detallamos la metodología y los datos utilizados, mientras que en la tercera parte describimos algunos aspectos técnicos detrás de la construcción del IPSI y sus subíndices. En la sección cuatro se presentan y analizan los resultados obtenidos; por último, dejamos un espacio para las conclusiones y reflexiones finales.
Antecedentes
En las últimas décadas, diversos autores evolucionistas neoschumpeterianos han popularizado el enfoque de Sistema de Innovación (SI), el cual se aplicó en sus inicios al estudio de los Sistemas Nacionales (SNI) (Lundvall, 1992; Nelson, 1993), pero luego se trasladó rápidamente hacia el ámbito regional (Cooke, 1992; Asheim e Isaksen, 1997). Parte de este descenso a nivel territorial radica en el reconocimiento de que la distribución desigual y la concentración del conocimiento y las capacidades de aprendizaje e innovación en algunos SRI suelen generar efectos acumulativos y autorreforzantes a partir de las asimetrías preexistentes (Arocena y Sutz, 2003; Soares y Cassiolato, 2008).
Por otro lado, si bien en el marco de la globalización se puede apreciar una creciente internacionalización de los SI, las instituciones locales, regionales y nacionales siguen siendo relevantes en la medida en que moldean las formas de vinculación (Fromhold-Eisebith, 2007; Chang, 2009). En última instancia, la idea es combinar las competencias internas y externas de forma de anclar, arraigar e integrar los conocimientos y tecnologías en las bases locales y facilitar así un proceso de desarrollo sostenible del sistema de innovación (Crevoisier y Jeannerat, 2009; Vale, 2011).
En general, existe cierto consenso acerca de la necesidad de adoptar un abordaje amplio de los SI para la aplicación del enfoque en los PED (Chaminade et al., 2009; Cassiolato y Soares, 2014). Esto se debe a que usualmente el concepto se aplica allí de manera ex ante, dado que los procesos de innovación suelen ser escasamente sistémicos y es necesario todavía promover la interacción y el desarrollo de los SI, y no ex post, como en las economías más desarrolladas con sistemas en funcionamiento relativamente exitosos (Arocena y Sutz, 2000). Chaminade et al. (2009: 373) resaltan que “los sistemas de innovación en los países en desarrollo son en la mayoría de los casos sistemas en construcción”.
Algo similar es señalado por diversos autores que caracterizan a los SRI de los PED como inmaduros, incompletos o emergentes (Intarakumnerd y Vang, 2006; Padilla-Perez et al., 2009).
Desde esta perspectiva amplia, el sistema regional de innovación puede definirse como “la infraestructura institucional de apoyo a la innovación dentro de la estructura de producción de una región” (Asheim y Gertler, 2005: 299).
Según Cooke (2004), el SRI se compone de un subsistema de generación de conocimiento (i.e. la infraestructura institucional de apoyo), un subsistema de explotación de conocimiento (i.e. la estructura productiva regional) y las interacciones que se producen entre ellos, así como también con otros sistemas regionales, nacionales y globales. Tödtling y Trippl (2005) añaden un tercer subsistema: el de política regional, y señalan además que todos se encuentran inmersos en un marco socioeconómico y cultural regional (Figura 1).
Fuente: Niembro (2015a) con base en Tödtling y Trippl (2005) y Navarro y Gibaja (2009).
Figura 1 Configuración (teórica) de los sistemas regionales de innovación
En términos prácticos, los esfuerzos por caracterizar y clasificar a los SRI han mostrado dos grandes variantes (Navarro y Gibaja, 2009): por un lado, la generación de tipologías conceptuales, en función de las cuales se suelen contrastar algunos casos puntuales de estudio (Cooke, 1992; Asheim e Isaksen, 1997; Tödtling y Trippl, 2005; Isaksen y Trippl, 2016), por otro, la elaboración de índices y tipologías empíricas, generalmente mediante la aplicación de técnicas de análisis multivariado a partir de bases de datos socioeconómicos y de innovación (De Bruijn y Lagendijk, 2005; Buesa et al., 2006; Martínez Pellitero et al., 2008; Navarro et al., 2009; Sánchez Tovar et al., 2014; Carrincazeaux y Gaschet, 2015; Dos Santos, 2017).
Otros trabajos han construido índices regionales de innovación a partir de métodos mucho más sencillos, pero por ello con algunas limitaciones, como el uso de promedios simples o de ponderaciones definidas ex ante y de forma ad hoc (Ruiz Durán, 2008; USEDA, 2009; DNP-OCyT, 2015; Slaper et al., 2016; Hollanders y Es-Sadki, 2017).
La mayoría de los trabajos antes mencionados se han aplicado al análisis y clasificación de los SRI de regiones europeas en general (Clarysse y Muldur, 2001; De Bruijn y Lagendijk, 2005; Muller et al., 2008; Navarro et al., 2009; Carrincazeaux y Gaschet, 2015; Hollanders y Es-Sadki, 2017) o, en particular, de España y algunos otros países puntuales (Martínez Pellitero, 2002; Buesa et al., 2006; Navarro y Gibaja, 2009; Alberdi et al., 2014).
En el caso de América Latina podemos resaltar el aporte de Crespi y D’Este (2011), donde se categorizan los SRI de Brasil, Chile, Colombia y México. A su vez, otros autores han elaborado tipologías empíricas de los SRI de Chile (Vivar et al., 2010), México (Sánchez Tovar et al., 2014; Valdez-Lafarga y León-Balderrama, 2015) y, recientemente, nuestro aporte para Argentina (Niembro, 2017).
Por otro lado, en algunos trabajos se han desarrollado índices regionales de innovación para Brasil, Colombia y México (Ruiz Durán, 2008; DNP-OCyT, 2015; Dos Santos, 2017), pero hasta ahora no se han elaborado índices similares para el caso argentino.
Quizás como una excepción podemos mencionar al Factor de Innovación, Ciencia y Tecnología, que operó como uno de los pilares del Índice de Competitividad Provincial, calculado para algunos años, entre 2007 y 2012, por el Instituto de Investigaciones Económicas de la Bolsa de Comercio de Córdoba (IIEBCC, 2007; 2012).
Vale destacar que en las diferentes ediciones se fueron relevando los últimos años disponibles para las distintas variables, los cuales no necesariamente coincidían entre sí, ni con el año de publicación del informe, por lo que de alguna forma cada nuevo reporte reemplazaba al anterior. Dada esta variabilidad y el hecho de que estos esfuerzos fueron discontinuados, no es posible utilizar estos índices para dar una mirada de la evolución reciente de las disparidades entre los SRI.
Por otro lado, para el cálculo del factor de innovación se utilizaba un conjunto relativamente acotado de datos vinculados al gasto y personal en ciencia y tecnología (CyT), junto con tres indicadores de percepción empresarial obtenidos a través de encuestas propias del instituto. Como veremos a continuación, este recorte está lejos de cubrir las múltiples dimensiones que consideramos, tanto en términos teóricos como empíricos, para analizar los SRI en Argentina.
2. Datos utilizados y metodología
2.1. Dimensiones de análisis e indicadores
Para seguir con un abordaje analítico amplio acerca de los SRI, en el cuadro 1 se muestran los indicadores que hemos podido recabar para el periodo 2003-2013 (y que además resultaron apropiados para implementar la metodología seleccionada, algo que luego mencionaremos); se clasifican en distintas dimensiones temáticas que reúnen entre cuatro y cinco variables cada una.
El sentido de esta forma de clasificación es que cuenta con dimensiones medianamente parejas en cantidad de indicadores como para descomponer al índice sintético general y agregar algunas discusiones extras al análisis. Esto es similar a varios de los trabajos previos que elaboraron índices regionales de innovación y que también definieron de manera temática los distintos subíndices o pilares que los componen (Ruiz Durán, 2008; USEDA, 2009; DNP-OCyT, 2015; Slaper et al., 2016).
Como se aprecia en el cuadro, las dos últimas categorías (con 10 indicadores en total) responden a distintas partes de lo que se considera el marco socioeconómico de los SRI, para los cuales, por lo general, se puede contar con un volumen de información razonable. En cambio, la disponibilidad de series de datos para dar cuenta del aparato provincial de ciencia, tecnología e innovación (CTI) resulta bastante más limitada.
No obstante, vale destacar que 12 de los 18 indicadores empleados en el IPSI se corresponden con variables utilizadas previamente en Niembro (2017) 2, es el caso en particular de todos los datos comprendidos en la dimensión de CTI y en las otras infraestructuras de apoyo.
En la categoría de CTI incluimos dos variables vinculadas a la inversión en actividades de CyT y al personal abocado a funciones de I+D. Asimismo, algo frecuente en la literatura es tomar en cuenta el empleo en sectores industriales y de servicios intensivos en conocimiento y tecnología (e.g.Martínez Pellitero, 2002; De Bruijn y Lagendijk, 2005; Buesa et al., 2006; Alberdi et al., 2014; Sánchez Tovar et al., 2014; Slaper et al., 2016; Hollanders y Es-Sadki, 2017).
En cuanto a la estructura empresarial y laboral, incorporamos indicadores sobre la fertilidad y densidad de empresas (proxies del grado de emprendedurismo) y dos variables que, desde distintos ángulos, ayudan a caracterizar al mercado laboral (De Bruijn y Lagendijk, 2005; USEDA, 2009; Alberdi et al., 2014; Slaper et al., 2016). En particular, el dato de ocupados con educación superior nos permite dar cuenta del nivel de formación y conocimiento de los recursos humanos.
El rol central del capital humano en los SRI es reconocido también de forma explícita en la categoría de educación. Además del tradicional indicador de la población que completó el nivel de educación superior (e.g.Navarro et al., 2009; Crespi y D’Este, 2011; Carrincazeaux y Gaschet, 2015; Slaper et al., 2016; Hollanders y Es-Sadki, 2017), relevamos el gasto público provincial en educación básica y, en particular, algunas características del nivel secundario (entre ellas, y como contracara, una proxy del esfuerzo privado realizado por las familias).
Como no disponemos de información sobre tasas netas de matriculación para el periodo considerado, tomamos como proxies, por un lado, a las tasas brutas y, por otro, a las tasas de sobreedad, que de alguna forma sirven para compensar a las primeras (luego veremos, precisamente, que las tasas de sobreedad asumen un signo negativo en el índice)3.
Por último, entre otras infraestructuras de apoyo, reconocemos la importancia de la cobertura y profundidad del sistema financiero y del acceso, manejo y utilización de las TIC4. Estos aspectos también cuentan con respaldo de trabajos previos (Martínez Pellitero et al., 2008; Müller et al., 2008; Navarro y Gibaja, 2009; Vivar et al., 2010; Valdez-Lafarga y León-Balderrama, 2015; Slaper et al., 2016).
Un punto final a resaltar es que las variables provinciales están expresadas en términos relativos (e.g. en función de la población de la provincia) y no absolutos, a modo de evitar que los resultados puedan verse sesgados por el efecto tamaño de las principales jurisdicciones del país (como bien señalan Navarro y Gibaja, 2009; Carrincazeaux y Gaschet, 2015).5
En materia de CTI en Argentina, este riesgo es en cierta medida indiscutible. Por dar un ejemplo, en el Plan Nacional de Ciencia, Tecnología e Innovación-Argentina Innovadora 2020 (MinCyT, 2013), el gobierno nacional reconoce que 72% del personal en CyT se aglutina en la ciudad y provincia de Buenos Aires, Córdoba y Santa Fe, provocando fuertes desbalances territoriales.
Cuadro 1 Indicadores utilizados y fuentes de información (2003-2013)
| Dimensión e indicadores | Nombre | Elaboración propia con base en: |
| Ciencia, tecnología e innovación productiva | ||
| Gasto total en actividades científicas y tecnológicas per cápita | GACYT | Min. de Ciencia y Tecnología e INDEC |
| Personal dedicado a I+D (equivalente a jornada completa) cada 10,000 habitantes de 20 o más años | PERSONAL | Min. de Ciencia y Tecnología e INDEC |
| Proporción de empleo en el sector industrial en ramas de media-alta y alta intensidad tecnológica (%)* | INDTEC | OEDE (Min. de Trabajo) |
| Proporción de empleo en el sector servicios en ramas intensivas en conocimiento (%)** | SERVTEC | OEDE (Min. de Trabajo) |
| Estructura empresarial y laboral | ||
| Densidad de empresas (total cada 1,000 habitantes de 20 o más años) | DENS | OEDE (Min. de Trabajo) e INDEC |
| Fertilidad de empresas (aperturas cada 1,000 habitantes de 20 o más años) | FERTIL | OEDE (Min. de Trabajo) e INDEC |
| Empleo formal cada 100 habitantes de 20 o más años | EFORMAL | OEDE (Min. de Trabajo) e INDEC |
| Proporción de ocupados con nivel educativo alto (superior incompleto o completo) (%) | OCUPSUP | INDEC |
| Educación | ||
| Gasto público provincial por alumno de educación común estatal | GEDALU | DNCFP (Min. de Hacienda) y DiNIECE (Min. de Educación) |
| Proporción de alumnos de educación secundaria en establecimientos privados (%) | EDPRISEC | DiNIECE (Min. de Educación) |
| Tasa bruta de matriculación en educación secundaria | TBMSEC | DiNIECE (Min. de Educación) e INDEC |
| Tasa de sobreedad en educación secundaria | TSESEC | DiNIECE (Min. de Educación) |
| Proporción de población de 20 y más años que completó su educación superior (%) | EDUSUP | INDEC |
| Otras infraestructuras de apoyo | ||
| Filiales de bancos cada 100,000 hab. | FILIAL | BCRA e INDEC |
| Préstamos al sector privado no financiero per cápita | PRESTPC | BCRA e INDEC |
| Proporción de hogares con computadora (%) | COMPU | INDEC |
| Proporción de hogares con teléfono celular (%) | CELU | INDEC |
| Proporción de hogares con acceso a internet (%) | INTERN | INDEC |
Notas: (*) Clasificación propia sobre la base de CEP (2007) y Loschky (2010). No se incluye “equipo y aparatos de radio, televisión y comunicaciones” pues sesga considerablemente los resultados de Tierra del Fuego. (**) Clasificación propia (López et al., 2014) que incluye software e informática, investigación y desarrollo, servicios jurídicos, contables y empresariales y cinematografía, radio y televisión (no incluye servicios financieros y de seguros).
Fuente: elaboración propia.
2.2 Metodología para el cálculo del IPSI y los subíndices
Respecto a la forma de cálculo del IPSI, aquí nos diferenciamos de una parte de la literatura que, para combinar las diferentes variables y subíndices en un índice general, ha recurrido al uso de promedios simples o bien a ponderadores definidos previamente y de forma ad hoc (Ruiz Durán, 2008; USEDA, 2009; DNP-OCyT, 2015; Slaper et al., 2016; Hollanders y Es-Sadki, 2017). En cambio, apelamos al análisis de componentes principales para delimitar de forma no arbitraria las variables a utilizar y los pesos asignados para construir el IPSI (en línea con Sterlacchini, 2006; Buesa et al., 2007; Martínez Pellitero et al., 2008; Dos Santos, 2017).
El propósito central del análisis factorial en general, y del método de componentes principales en particular, es poder definir y comprender la estructura subyacente a las variables analizadas. En otras palabras, se apunta a condensar la mayor parte de la información y variabilidad contenida en un conjunto de variables originales a partir de un menor número de dimensiones comunes, que en última instancia responden a combinaciones lineales de aquellas variables (Johnson y Wichern, 2008; Hair et al., 2010).
Si bien los supuestos críticos por detrás del análisis factorial suelen ser más conceptuales (o de interpretación) que estadísticos, de todas formas existe una serie de criterios deseables (i.e. análisis de la matriz de correlaciones, test de esfericidad de Bartlett, medida de adecuación muestral KMO, evaluación de las comunalidades), lo cual puede llevar a la necesidad de eliminar algunos indicadores que no las satisfacen.
Un último punto a tener presente es que la técnica es sensible a cambios de escala o al uso de diferentes rangos de medidas, por lo que inicialmente es necesario estandarizar a las variables (Johnson y Wichern, 2008; Hair et al., 2010), algo que por lo general se suele realizar por medio de los Z-scores. Es decir, a las variables originales se les resta la media y luego se dividen por el desvío estándar, de forma que una vez estandarizadas tengan media 0 y desvío 1.
Otra diferencia con varios de los trabajos previos es que los índices sintéticos se suelen obtener ex post a partir de la agregación de subíndices particulares calculados ex ante. Al contrario, en el caso del IPSI, y al igual que Sterlacchini (2006) y Dos Santos (2017), nos quedaremos únicamente con el primero de los componentes principales y el índice general resultará del respectivo factor score.6
En tanto, las cargas factoriales de las distintas variables en este primer componente serán empleadas a posteriori para descomponer el índice en subdimensiones (temáticas) de análisis. Para dicha descomposición y cálculo de subíndices, la metodología será similar a la utilizada por Cicowiez (2003) y Martínez Pellitero et al . (2008): primero, como mencionamos, se estandarizan las variables como Z-scores; segundo, asignamos cada variable a una única subdimensión, a partir de la división temática plasmada en el cuadro 1; tercero, ponderamos cada variable en función del ratio de la correlación individual con el primer componente (i.e. el peso factorial) y la correlación de todas las variables que se incluyen en esa subdimensión.
Por último, cabe destacar que la metodología escogida (análisis de componentes principales, utilización de Z-scores) resulta útil a los fines propuestos de analizar las diferencias relativas entre los distintos SRI y, además, presenta algunas ventajas respecto al uso de promedios simples o ponderaciones ad hoc (por ejemplo, un mejor manejo de la información compartida por variables correlacionadas entre sí).
Sin embargo, hay que tener presente que, a diferencia de otros tipos de índices y por la propia forma de construcción del IPSI (con media cero y desvío uno), los valores absolutos no pueden utilizarse para evaluar los avances o retrocesos del conjunto de los SRI.
3. La construcción del IPSI y los subíndices
El uso del análisis de componentes principales se sustenta en la presencia de numerosas y elevadas correlaciones entre las variables (Hair et al., 2010). Por ello, también se obtiene una medida KMO superior a 0.80 (meritoria, según Kaiser, 1974) y se cumple con la prueba de esfericidad de Bartlett (Cuadro 2).
Cuadro 2 Tests estadísticos
| Medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO): | 0.824 | |
|---|---|---|
| Test de esfericidad de Bartlett | Chi-cuadrado: | 8047.29 |
| Grados de libertad: | 153 | |
| p-value | 0.000 | |
Fuente: elaboración propia.
En el Cuadro 3 se presentan los autovalores y la varianza explicada por los primeros cinco componentes. Allí se observa que el primero de los componentes principales da cuenta de casi dos tercios de la variabilidad total, un nivel o piso satisfactorio para estudios en ciencias sociales, según Hair et al. (2010). Como adelantamos, en línea con los trabajos previos de Sterlacchini (2006) y Dos Santos (2017), optamos por retener únicamente a este primer componente y calcular su respectivo factor score para llegar así al IPSI.
Cuadro 3 Autovalores y varianza explicada (primeros 5 componentes)
| Componente | Autovalor | % Varianza | % Acumulador |
|---|---|---|---|
| 1 | 11.509 | 0.6394 | 0.6394 |
| 2 | 2.037 | 0.1132 | 0.7526 |
| 3 | 1.024 | 0.0569 | 0.8094 |
| 4 | 0.795 | 0.0442 | 0.8536 |
| 5 | 0.720 | 0.0400 | 0.8936 |
Fuente: elaboración propia.
En el Cuadro 4 se aprecia que todas las variables consideradas presentan altas comunalidades. Entre las cargas factoriales vale destacar el signo negativo del indicador de sobreedad, lo cual era de esperar en cierta medida, puesto que valores por encima de la tasa promedio representan situaciones desfavorables y no resultados positivos (y viceversa). Estos pesos factoriales son los insumos para el cálculo del IPSI y, luego, de los subíndices en que lo descomponemos.
Cuadro 4 Pesos factoriales y comunalidades de las variables
| Variable | Componente 1 | Comunalidad |
|---|---|---|
| GACYT | 0.819 | 0.770 |
| PERSONAL | 0.781 | 0.709 |
| INDTEC | 0.545 | 0.776 |
| SERVTEC | 0.788 | 0.646 |
| DENS | 0.956 | 0.917 |
| FERTIL | 0.951 | 0.927 |
| EFORMAL | 0.960 | 0.942 |
| OCUPSUP | 0.684 | 0.801 |
| GEDALU | 0.721 | 0.856 |
| EDPRISEC | 0.624 | 0.787 |
| TBMSEC | 0.813 | 0.703 |
| TSESEC | -0.511 | 0.609 |
| EDSUP | 0.942 | 0.962 |
| FILIAL | 0.732 | 0.575 |
| PRESTPC | 0.872 | 0.899 |
| COMPU | 0.869 | 0.928 |
| CELU | 0.719 | 0.874 |
| INTERN | 0.904 | 0.891 |
Fuente: elaboración propia.
Respecto a dicha descomposición, en el Cuadro 5 se explicitan los pesos porcentuales de cada indicador en el subíndice que integra, calculados en función de las cargas factoriales anteriores. En cuanto a la tasa de sobreedad, el signo negativo indica nuevamente que los valores normalizados deben invertirse antes de su combinación en la subdimensión de educación.
Cuadro 5 Pesos para el cálculo de los subíndices
|
Ciencia, tecnología e innovación productiva |
Estructura empresarial y laboral |
Educación |
Otras infraestructuras de apoyo |
|
|---|---|---|---|---|
| GACYT | 27.9 | |||
| PERSONAL | 26.6 | |||
| INDTEC | 18.6 | |||
| SERVTEC | 26.9 | |||
| DENS | 26.9 | |||
| FERTIL | 26.8 | |||
| EFORMAL | 27.0 | |||
| OCUPSUP | 19.3 | |||
| GEDALU | 20.0 | |||
| EDPRISEC | 17.3 | |||
| TBMSEC | 22.5 | |||
| TSESEC | -14.1 | |||
| EDSUP | 26.1 | |||
| FILIAL | 17.9 | |||
| PRESTPC | 21.3 | |||
| COMPU | 21.2 | |||
| CELU | 17.5 | |||
| INTERN | 22.1 |
Fuente: elaboración propia.
4. Resultados
4.1. Ordenamiento y evolución de las provincias según el IPSI
En el Cuadro 6 presentamos un ranking de las provincias argentinas según el valor alcanzado por el IPSI para los dos extremos del periodo analizado (2003 y 2013) y para el año intermedio (2008). Un primer aspecto destacable es que siete jurisdicciones se mantienen en el mismo puesto a lo largo de estos tres momentos, pero si comparamos sólo entre puntas son 11 los casos que no cambian de posición, es decir, casi la mitad de las provincias.
Cuadro 6 Ranking provincial según IPSI (2003, 2008, 2013) y cambios de posiciones
| 2003 | 2008 | 2013 | Dif. puesto 2013 vs.2003 | ||||||
|---|---|---|---|---|---|---|---|---|---|
| Puesto | Provincia | IPSI | Puesto | Provincia | IPSI | Puesto | Provincia | IPS | |
| 1 | CABA | 3.79 | 1 | CABA | 3.71 | 1 | CABA | 3.48 | - |
| 2 | Tierra del Fuego | 1.54 | 2 | Tierra del Fuego | 1.29 | 2 | Tierra del Fuego | 1.50 | - |
| 3 | Santa Cruz | 0.78 | 3 | Santa Cruz | 0.71 | 3 | Córdoba | 0.64 | +1 |
| 4 | Córdoba | 0.50 | 4 | Córdoba | 0.62 | 4 | Santa Cruz | 0.55 | -1 |
| 5 | Chubut | 0.43 | 5 | Neuquén | 0.55 | 5 | Río Negro | 0.42 | +5 |
| 6 | La Pampa | 0.42 | 6 | Chubut | 0.41 | 6 | Neuquén | 0.42 | +1 |
| 7 | Neuquén | 0.32 | 7 | La Pampa | 0.37 | 7 | La Pampa | 0.38 | -1 |
| 8 | Santa Fe | 0.29 | 8 | Santa Fe | 0.30 | 8 | Santa Fe | 0.36 | - |
| 9 | San Luis | 0.18 | 9 | Río Negro | 0.22 | 9 | Chubut | 0.36 | -4 |
| 10 | Río Negro | 0.17 | 10 | San Luis | 0.11 | 10 | San Luis | 0.28 | -1 |
| 11 | Buenos Aires | 0.06 | 11 | Buenos Aires | 0.06 | 11 | Buenos Aires | 0.02 | - |
| 12 | Mendoza | 0.00 | 12 | Mendoza | 0.02 | 12 | Mendoza | -0.01 | - |
| 13 | Tucumán | -0.31 | 13 | Tucumán | -0.21 | 13 | Tucumán | -0.26 | - |
| 14 | Entre Ríos | -0.35 | 14 | Entre Ríos | -0.30 | 14 | Entre Ríos | -0.30 | - |
| 15 | San Juan | -0.39 | 15 | San Juan | -0.32 | 15 | San Juan | -0.44 | - |
| 16 | La Rioja | -0.60 | 16 | Catamarca | -0.43 | 16 | La Rioja | -0.47 | - |
| 17 | Catamarca | -0.60 | 17 | La Rioja | -0.51 | 17 | Catamarca | -0.52 | - |
| 18 | Salta | -0.66 | 18 | Salta | -0.72 | 18 | Chaco | -0.69 | +3 |
| 19 | Misiones | -0.80 | 19 | Corrientes | -0.81 | 19 | Salta | -0.77 | -1 |
| 20 | Corrientes | -0.81 | 20 | Jujuy | -0.84 | 20 | Corrientes | -0.79 | - |
| 21 | Chaco | -0.86 | 21 | Misiones | -0.89 | 21 | Misiones | -0.83 | -2 |
| 22 | Jujuy | -0.89 | 22 | Chaco | -0.91 | 22 | Jujuy | -0.88 | - |
| 23 | Formosa | -1.04 | 23 | Formosa | -1.13 | 23 | Santiago del Estero | -1.22 | +1 |
| 24 | Santiago del Estero | -1.12 | 24 | Santiago del Estero | -1.27 | 24 | Formosa | -1.22 | -1 |
Fuente: elaboración propia.
Luego, aparecen tres grupos compuestos por un par de provincias que se mantienen (como dúo) en los mismos lugares. En dos de ellos, las jurisdicciones que lo integran intercambian ubicaciones al comparar 2003 y 2013 (sube una y baja la otra). Finalmente, se observan dos conjuntos, de cinco provincias cada uno, que persisten cerca de los primeros lugares o del fondo de la tabla. No obstante, al analizar por provincia y entre los años extremos, abundan los casos de estabilidad o cambios de apenas un puesto.
Las excepciones en el primero de estos grupos son Río Negro, que trepa del décimo lugar en 2003 a la quinta posición en 2013; y Chubut, que cae del puesto cinco al nueve. En el segundo conjunto, Chaco logra escalar tres puestos en este periodo, mientras que Misiones pierde dos lugares. En definitiva, sobresale una relativa estabilidad en cuanto al posicionamiento y ordenamiento de los SRI argentinos a partir del IPSI.
En términos territoriales, el top 10 está integrado por buena parte de las provincias del centro del país, todas las patagónicas y la cuyana San Luis, con la Ciudad Autónoma de Buenos Aires (CABA) y Tierra del Fuego como las más sobresalientes7.
Luego, en torno al cero (o la media) aparecen la provincia de Buenos Aires y Mendoza. Un poco más abajo, y ya en el plano negativo, figuran Tucumán, Entre Ríos y San Juan. La primera se presenta como la jurisdicción mejor posicionada entre las norteñas, mientras que las otras resultan ser las más rezagadas entre las provincias del Centro y Cuyo, respectivamente.
Por último, el resto del norte del país ocupa el fondo de la tabla (el bottom 9), con Santiago del Estero y Formosa en las peores posiciones.
Lo anterior no se debe estrictamente al recorte y análisis de algunos años específicos, sino que la baja variabilidad del valor del IPSI para las distintas provincias argentinas es una característica de todo el periodo. Esto queda de manifiesto en el Gráfica 1, que además del promedio del IPSI para los 11 años incluye los valores mínimos y máximos alcanzados en cada caso. En la mayoría de las jurisdicciones la distancia entre puntas es despreciable, mientras que las diferencias más grandes rondan apenas una cuarta parte del desvío estándar general (i.e. 0.25).
4.2 Análisis de las subdimensiones del IPSI
En la Gráfica 2 se presentan los valores promedio para todo el periodo 2003-2013, tanto del IPSI como de sus distintas subdimensiones. Como allí se aprecia, y al margen de algunos casos específicos que luego mencionaremos, hay cierta coherencia entre todos estos índices. Por ejemplo, si miramos a las nueve provincias mejor posicionadas (desde la CABA hasta Río Negro), sólo dos de ellas presentan una subdimensión en el plano negativo.
Fuente: elaboración propia.
Gráfica 2 Valores promedio (2003-2013) del IPSI y subdimensiones (provincias ordenadas por IPSI)
En el otro extremo, entre las 11 jurisdicciones peor ubicadas (desde Santiago del Estero a Entre Ríos), únicamente uno de los subíndices de San Juan se coloca levemente por encima del cero. Incluso, la dispersión entre los valores de las diferentes subdimensiones parece ser más reducida en esta cola inferior, lo que estaría evidenciando un grado de subdesarrollo de los SRI relativamente generalizado.
En el medio entre estos grandes grupos se encuentran las restantes cuatro provincias: dos de ellas (Buenos Aires y Mendoza) con un IPSI prácticamente nulo y subíndices también próximos al cero (si bien un poco por arriba o por abajo); San Luis, con un IPSI positivo pero subdimensiones repartidas entre los dos planos (y, especialmente, un elevado valor en materia de CTI); y Tucumán, con un IPSI negativo, al igual que todas las provincias norteñas, aunque a diferencia del resto es la única con subíndices de CTI y educación levemente positivos.
Como veremos en las siguientes gráficas, el subíndice de CTI es el que parece evidenciar más cambios a lo largo del periodo. Varias son las provincias que mejoran en términos relativos entre 2003 y 2013 (Gráfica 3): en el plano positivo, se incrementan los valores de Río Negro, Córdoba y, en menor medida, Santa Fe y Tucumán; por el lado negativo, se achican las brechas de La Rioja, Chaco y Catamarca.
Fuente: elaboración propia.
Gráfica 3 Evolución del subíndice Ciencia, Tecnología e Innovación Productiva (provincias ordenadas por valor en 2013)
Por otra parte, Tierra del Fuego es la que más terreno cede, mientras que la CABA y San Luis (las dos primeras) experimentan cierta caída en su índice. En el extremo opuesto, seis de las siete provincias peor posicionadas (según los valores de 2013) han visto empeorar relativamente su situación, lo cual muestra la persistencia de profundas desigualdades.
Por otro lado, vale mencionar que en la última versión del Índice de Competitividad Provincial (IIEBCC, 2012) se obtuvo el mismo podio para el factor (subíndice) de Innovación, Ciencia y Tecnología: 1°, CABA, 2°, San Luis8 y 3°, Río Negro. Si bien las formas de cálculo son diferentes (por ejemplo, utilizan pesos ad hoc) y algunos datos también (e.g. variables de percepción empresarial), las fuentes de información oficial sobre gasto y personal sí resultan coincidentes con las empleadas en nuestra dimensión de CTI.
Respecto a la estructura empresarial y laboral (Gráfica 4), el panorama es de relativa estabilidad entre 2003 y 2013. No obstante, con la consideración del 2008 pueden apreciarse altibajos en algunas provincias que, de todas formas, al final del periodo, retornan a un valor cercano al del origen. Esta permanencia general de las diferencias provinciales también se observa en el trabajo de Kantis y Federico (2014). Además, el Índice de Empresarialidad que los autores calculan arroja los mismos casos extremos: por un lado, CABA y Tierra del Fuego; y por el otro, Jujuy, Santiago del Estero y Formosa. El subíndice de educación (Gráfica 5) es nuevamente reflejo de la persistencia de las asimetrías provinciales. Si miramos, por ejemplo, los primeros y los últimos cinco puestos (en función de los valores de 2013), los cambios resultan muy acotados, sacando las mejoras en Misiones y en la CABA. Luego, podemos encontrar algunos casos de provincias que ceden cierto terreno (Santa Cruz y Buenos Aires) y otras que progresan un poco (Jujuy, Río Negro o Tucumán).
Fuente: elaboración propia.
Gráfica 4 Evolución del subíndice Estructura Empresarial y Laboral (provincias ordenadas por valor en 2013)
Fuente: elaboración propia.
Gráfica 5 Evolución del subíndice Educación (provincias ordenadas por valor en 2013)
Cabe destacar que en un trabajo previo, que apuntaba a constatar la evolución de las brechas regionales y provinciales de desarrollo educativo entre inicios y fines de los años 2000, nos encontramos con un panorama muy similar (Niembro, 2014). Si bien allí utilizamos variables un poco diferentes (por ejemplo, indicadores de calidad educativa y tasas para el nivel primario), las provincias del Centro y la Patagonia tendían a ubicarse en el plano positivo (con la CABA, Tierra del Fuego y Córdoba a la cabeza), mientras que las norteñas junto con San Juan y San Luis presentaban brechas negativas (con Santiago del Estero en el último lugar). Asimismo, el coeficiente de vulnerabilidad educativa que calculan Steinberg et al. (2011) presenta un patrón territorial muy parecido al descripto.
La situación de las otras infraestructuras de apoyo no es muy diferente a la de las anteriores subdimensiones del IPSI y el panorama territorial también se mantiene. Lo más sobresaliente de la Gráfica 6 es la evolución ascendente de San Luis, la cual puede atribuirse en parte a las reconocidas políticas provinciales en el área comunicacional (ver Finquelievich y Prince, 2010).
Fuente: elaboración propia.
Gráfica 6 Evolución del subíndice Otras Infraestructuras de Apoyo (provincias ordenadas por valor en 2013)
Por otro lado, la caída en el índice de la CABA puede deberse a los altos niveles de cobertura en materia de TIC que ya presentaba a comienzos del periodo, mientras que las restantes jurisdicciones tenían todavía un camino por transitar. Entre las provincias que se encuentran en el plano negativo las mejoras han sido escasas (Entre Ríos, Corrientes y Chaco), en tanto que las últimas ocho (del Norte, salvo San Juan) han empeorado en términos relativos.
Discusión y reflexiones finales
En las últimas décadas, la literatura sobre SRI se ha popularizado debido a la relevancia del problema de las asimetrías territoriales y a la necesidad de incorporar la innovación como un factor explicativo de los desiguales niveles de desarrollo de las regiones. Sin embargo, gran parte de los estudios empíricos se ha limitado a realizar un análisis más bien estático en torno a algún año específico. Por ello, en esta investigación, apuntamos a brindar una mirada general de las disparidades entre los SRI en Argentina, a lo largo del periodo 2003-2013, a partir del cálculo del Índice Provincial de Sistema de Innovación y sus diferentes subdimensiones.
De los distintos análisis realizados sobresale una reflexión común acerca de la escasa variabilidad, o bien la relativa estabilidad, evidenciada en todo este periodo, lo cual parece mostrar la persistencia de profundas heterogeneidades entre los SRI, ya sea a través de la visión sintética del IPSI o de sus cuatro subíndices.
Estos resultados avalan la idea de que “los SRI tienden a ser fenómenos relativamente estables” (Tödtling y Trippl, 2013: 298), puesto que las instituciones (formales e informales), las infraestructuras de apoyo y la estructura productiva presentan cierto grado de inercia y sólo suelen cambiar a largo plazo. Todo esto nos permite suponer que la tipología que desarrollamos recientemente (Niembro, 2017) para los SRI en Argentina podría tratarse no sólo de una “foto” de los años más recientes, sino en todo caso de una imagen compartida por un lapso más amplio.
Por otro lado, hemos visto que las desigualdades entre los SRI parecen entrelazarse igualmente con la división territorial del país en macroregiones geográficas. En este sentido, la CABA, Tierra del Fuego, el resto de la Patagonia y buena parte de las provincias centrales mantienen posiciones favorables. En el otro extremo, los casos más preocupantes se encuentran de forma sostenida en el Norte (con un poco menos de intensidad en Tucumán), siendo que también varias jurisdicciones norteñas han empeorado relativamente a lo largo de este periodo.
Esto último se condice con las reflexiones de Gatto, cuando señalaba que:
la Región Norte, y sus múltiples subáreas y microrregiones, podrían calificarse [como] territorios desprovistos, que han perdido, en términos relativos, a lo largo de las últimas décadas, capital y activos en sus múltiples formas (desde humanos a tecnológicos, de ambientales a empresariales), con lo cual sus capacidades de progreso están fuertemente limitadas y condicionadas (Gatto, 2007: 336).
Este diagnóstico de situación podría motivar nuevas reflexiones acerca de los problemas y las necesidades de políticas públicas de los diferentes SRI en el país. Si bien en el periodo en análisis aumentaron considerablemente los recursos materiales y humanos en CyT, y se esbozaron algunos intentos por modificar la distribución desigual de los mismos a nivel territorial (ver Unzué y Emiliozzi, 2017), los resultados parecen indicar que se requieren esfuerzos mucho más explícitos, contundentes y transversales, ya que no se ha evidenciado un cambio significativo en las disparidades existentes entre los SRI.
Puesto en otros términos, aunque no caben dudas de que ha sido una “década ganada” para la ciencia y tecnología en el agregado, también parece haberse dejado pasar (en cierta medida, “desperdiciado”) la posibilidad de planificar tempranamente y dirigir esos mayores recursos con una intencionalidad más clara de contrarrestar las heterogeneidades territoriales. Al igual que buena parte de la literatura, creemos que difícilmente la solución a las disparidades entre los SRI pueda provenir de políticas generales, al estilo de “un mismo talle para todos” (one-size-fits-all), sino que es necesario avanzar hacia la concepción de políticas de innovación “hechas a medida”, que tengan en cuenta las particularidades de cada territorio (Tödtling y Trippl, 2005; Navarro et al., 2009; Asheim et al., 2011; Isaksen y Trippl, 2016).
En un marco de estructuras de governance fuertemente centralizadas, como es el caso de las políticas de CTI en Argentina (y en gran parte de Latinoamérica), el primer paso para promover un desarrollo más equitativo de los SRI es reconocer el impacto diferencial entre provincias del financiamiento y los programas nacionales y, a partir de allí, poder fomentar una reorientación territorial de forma de ir quebrando de a poco la circularidad inherente a estos procesos. En algunos casos, como en buena parte de las provincias norteñas, la idea de SRI se asocia mucho más a un objetivo de política ex ante que a una realidad palpable, ya que la marcada debilidad de estos sistemas requiere de grandes esfuerzos para promover su verdadero desarrollo.
Suárez y Fiorentin (2018) aportan un ejemplo concreto de estas cuestiones al analizar la asignación geográfica del financiamiento para Proyectos de Investigación Científica y Tecnológica (PICT) y destacan que, a pesar de algunas señales positivas (criterio regional en la categoría II, evolución en los últimos años de las tasas de presentación y adjudicación para las regiones rezagadas):
si se pretende aumentar la participación de las regiones extra Centro será necesario destinar esfuerzos más que proporcionales para el desarrollo de los sistemas provinciales, la radicación de investigadores/as y su dinámica de presentación a programas públicos de apoyo a la CyT (Suárez y Fiorentin, 2018: 54).
Todo esto implica la necesidad de llevar adelante profundos cambios político-institucionales que permitan no sólo una toma de consciencia explícita de parte del gobierno nacional, sino que faciliten que los gobiernos y actores provinciales puedan participar más activamente en el desarrollo de políticas de CTI mejor adaptadas a los problemas, necesidades y oportunidades de cada SRI.
Este tipo de intervenciones conjuntas podría facilitar la generación y aplicación de políticas probablemente mucho más orientadas a resolver las deficiencias y “cuellos de botella” de los distintos SRI y, así, a promover un desarrollo económico provincial más equitativo. Para el diseño de políticas de esta naturaleza, pero también para su seguimiento y evaluación, la disponibilidad de (series temporales de) indicadores actualizados representa un aspecto crítico.
En este sentido, una de las limitaciones de la base de datos utilizada ha sido la falta de información sobre cuestiones claves de los SRI, como el esfuerzo privado en actividades de innovación, los resultados alcanzados por las empresas o el grado de interacción con la infraestructura pública de CyT. El camino del SNI a los SRI o de las políticas nacionales a las políticas territoriales de CTI requiere precisamente de la incorporación de la dimensión territorial, entre otros aspectos, en el diseño muestral de las encuestas de innovación y en la apertura de la información brindada por los organismos públicos (como bien destacan Marín et al., 2015). Esperamos que este trabajo pueda tomarse, con todas sus limitaciones, como un primer paso para comprender y seguir en el tiempo la evolución de las desigualdades entre los SRI en Argentina.
