La producción del conocimiento de las regiones competitivas: una aproximación basada en modelos de variables latentes
| Autor | Henry Caicedo-Asprilla |
| Cargo | Profesor asociado, Departamento de Administración y Organizaciones, Universidad del Valle, Cali, Colombia |
Estudios Gerenciales vol. 36, N° 155, 2020, 177-192
La producción del conocimiento de las regiones competitivas: una aproximación basada
en modelos de variables latentes
Henry Caicedo-Asprilla *
Profesor asociado, Departamento de Administración y Organizaciones, Universidad del Valle, Cali, Colombia.
henry.caicedocorreounivalle.edu.co
Resumen
En este documento se propone una función de producción del conocimiento, con base en la medición de variables no observables, que
aporta una solución práctica a los problemas metodológicos en esta área de estudio. Al respecto, se define una función de producción
de conocimiento que depende del capital humano, los gastos en investigación y desarrollo, los spillovers y el entorno innovador. La
función es estimada con la técnica partial least squares path modeling, la cual permite medir el efecto de variables no observables. Se
logró mostrar que estos constructos (variables latentes) son confiables y significativos; además, se concluye que esta función describe
acertadamente cómo se crea y explota el conocimiento en una región.
Palabras claves: función de producción de conocimiento; innovación; modelos de ecuaciones estructurales; mínimos cuadrados parciales.
Knowledge production in competitive regions: an approach based on a latent variable modeling
Abstract
This article proposes a function of knowledge production based on the measurement of non-observable variables, that provides
a practical solution to methodological problems in this field of study. In this sense, a function of knowledge production is defined
depending on human capital, research and development expenditure, spillovers, and the innovative environment. The function is
estimated with the partial least squares path modeling technique, which allows measuring the effect of non-observable variables. It
was possible to show that these constructs (latent variables) are reliable and significant; furthermore, it is concluded that this function
correctly describes how knowledge is created and exploited in a region.
Keywords: function of knowledge production; innovation; structural equation modeling; partial least squares.
Produção de conhecimento em regiões competitivas: uma abordagem baseada em modelos de variáveis latentes
Resumo
Neste documento propõe-se uma função de produção de conhecimento, baseada na medição de variáveis não observáveis, que fornece
uma solução pratica para os problemas metodológicos nesta área de estudo. Nesse sentido, define-se uma função de produção de
conhecimento que depende do capital humano, despesas de pesquisa e desenvolvimento, os spillovers e ambiente inovador. A função
é estimada com a técnica partial least squares path modeling, que permite medir o efeito de variáveis não observáveis. Foi possível
mostrar que essas construções (Variáveis latentes) são confiáveis e significativas; além disso, conclui-se que essa função descreve
com precisão como o conhecimento é criado e explorado em uma região.
Palavras-chave: função de produção de conhecimento; inovação; modelos de equações estruturais; mínimos quadrados parciais.
*Autor para dirigir correspondencia.
Clasificación JEL: C51; C52; C53.
Cómo citar: Caicedo-Asprilla, H. (2020). La producción del conocimiento de las regiones competitivas: una aproximación basada en modelos de variables laten-
tes. Estudios Gerenciales, 36(155), 177-192. https://doi.org/10.18046/j.estger.2020.155.3257
DOI: https://doi.org/10.18046/j.estger.2020.155.3257
Recibido: 16-nov-2018
Aceptado: 12-mar-2020
Publicado: 30-jun-2020
Nota: trabajo presentado en el XI Encuentro Nacional y III Encuentro Internacional de la Asociación Colombiana de Estudios Regionales y Urbanos, realizado
entre el 25 y 26 de octubre de 2018 en Cali, Colombia.
© 2020 Universidad ICESI. Published by Universidad Icesi, Colombia. This is an open access article under the CC BY
license (http://creativecommons.org/licenses/by/4.0/).
Artículo de investigación
Caicedo-Asprilla / Estudios Gerenciales vol. 36, N° 155, 2020, 177-192
178
1. Introducción
En la actualidad, se reconoce que muchas regiones tienen
un elevado producto interno bruto (PIB) per cápita, gracias
al uso que hacen del conocimiento (Organización para la
Cooperación y el Desarrollo Económico [OCDE], 2018);
al respecto, diversos índices tratan de dar cuenta de ello
(González, Alvarado y Martínez, 2004). La ventaja de estos
índices radica en que capturan una representación de la
categoría que ocupan las regiones en la competitividad y el
uso del conocimiento (Arancegui, Martíns, Franco-Rodríguez
y Alonso, 2011); además, ofrecen un análisis descriptivo del
porqué unas regiones son más competitivas que otras en la
economía del conocimiento, pero no explican la forma en
que el conocimiento se produce ni la direccionalidad de los
determinantes que participan en su producción (Arancegui et
al., 2011).
Los analistas, conscientes de esta limitación desde la
década de 1980, han implementado el marco analítico de la
función de producción del conocimiento (FPC) regional, para
explicar cómo se crea y usa el conocimiento en los territorios
(Varga y Horváth, 2015). Desde los trabajos seminales de
Griliches (1979) y Anselin, Varga y Acs (1997), la FPC se ha
perfeccionado, incluyendo variables que describen los flujos
de conocimiento o spillovers (SP) y modelos de econometría
espacial (Dall’erba, Kang y Fang, 2017). A pesar de los
avances logrados con la FPC, muchos autores han planteado
que la producción de conocimiento (PRC) y su relación con
el espacio geográfico es un fenómeno complejo, en el que,
además del alcance de los SP, es importante tener en cuenta
el ambiente institucional (Sotarauta, 2015).
Con el fin de llenar este vacío, Cooke, Uranga y Etxebarria
(1997) introdujeron al análisis de la PRC el marco analítico
de los sistemas regionales de innovación (SRI), mientras
que Moulaert y Sekia (2003) introdujeron el concepto de
modelos de innovación territorial (MIT). Bajo este marco,
Meusburger (2013) y Jeannerat y Crevoisier (2016), entre
otros investigadores, han llamado la atención sobre las
dificultades que entraña la relación entre conocimiento y
desarrollo, pues el conocimiento tiene propiedades distintas
a los demás factores de producción. En efecto, Romer (1990)
plantea que el conocimiento tiene la propiedad de exclusión
parcial en el corto plazo, la no rivalidad en el largo plazo y
la no convexidad de las curvas de costos. Asimismo, en una
región, el conocimiento tiene la propiedad de ser acumulativo,
colectivo, genérico y específico, a la vez que es sensible de ser
combinado y recombinado (Johnson, Lorenz y Lundvall, 2002;
Meusburger, 2013; Antonelli y Colombelli, 2015; Karlsson,
Johansson, Kobayashi y Stough, 2014).
Los teóricos de la gestión del conocimiento han mostrado
que este se presenta de manera explícita o tácita (Nonaka
y Takeuchi, 1995). Por una parte, Asheim, Boschma y Cooke
(2011) plantean que en una región existe conocimiento
simbólico, analítico y sintético. Meusburger (2013) argumenta
que la utilidad del conocimiento es dependiente del contexto,
por lo que este no es solo información empaquetada en
bienes que tienen valor de uso, además, es un elemento
central de la toma de decisiones y de la acción social. Por otra
parte, Johnson et al. (2002) han trabajado la hipótesis de que
la competitividad de las regiones depende del conocimiento
colectivo y del aprendizaje de las firmas e individuos. Storper
y Venables (2004) destacan la importancia de las relaciones
cara a cara para la generación de riqueza. Asimismo,
Balland, Boschma y Frenken (2014) resaltan el papel de las
proximidades como fuente de innovación y PRC.
Bajo estas ideas, se construyen indicadores compuestos
para describir las propiedades del conocimiento (Arancegui
et al., 2011). A partir de estos indicadores, se han planteado
escalafones de clasificación y FPC, con los que se pretende
capturar el desempeño de los territorios en la economía
(Arancegui et al., 2011; Buesa, Hejis y Baumert, 2010). Pero
si bien todas estas contribuciones al análisis del SRI son
relevantes, no constituyen una teoría (Uyarra y Flanagan,
2010) y resultan en un concepto a veces confuso (Markusen,
2003). Es así como al explicar la producción del conocimiento
y su relación con el espacio geográfico, se plantean desafíos
teóricos, metodológicos y empíricos (Meusburger, 2013;
Jeannerat y Crevoisier, 2016) en el marco de los SRI (Cooke et
al., 1997) o los MIT (Moulaert y Sekia, 2003).
Para superar esta problemática, desde 1980 se han desa-
rrollado proyectos que reúnen equipos interdisciplinarios
de varios países europeos para estudiar la producción
del conocimiento y su relación con el espacio. Sobresalen
el proyecto de Milieux Innovateurs (Aydalot, 1986), el de
Eurodite (Jeannerat y Crevoisier, 2016) y el de Espacios de
Conocimiento de Meusburger (2013). Todos tienen como
común denominador encontrar conceptos y formas de
medición de la producción del conocimiento en el espacio
(Tödtling y Trippl, 2005; Thierstein, Lüthi, Kruse, Gabi y
Glanzmann, 2008; Jeannerat y Crevoisier, 2016).
En este contexto, el artículo propone un modelo
de medición de la FPC, que explique la producción del
conocimiento y su relación con el espacio geográfico y que
ayude a comprender cómo se arraiga, circula y explota
el conocimiento en las regiones más competitivas en la
actual economía. De esta forma, el primer objetivo de este
trabajo fue proponer una FPC basada en variables latentes
o constructos que representen y describan las propiedades
del conocimiento de las regiones. El segundo objetivo fue
validar la consistencia y fiabilidad de las variables latentes y
la estructura de la FPC propuesta.
Este documento se divide en cinco partes. Después de
esta introducción, se realiza una revisión de la literatura, en
la que se evidencia que existen cuestiones pendientes por
revisar, tales como: i) cuál es la forma correcta de la función
de producción; ii) cómo medir los SP o flujos de conocimien-
tos dentro y entre territorios; y iii) cuál es la mejor proxy para
medir el conocimiento de una región (Jeannerat y Crevoisier,
2016; Autant-Bernard y LeSage, 2019; Neves-Sequeira y
Cunha-Neves, 2020). Luego, se plantea la metodología de
construcción y cálculo de las variables latentes de la FPC,
donde además se muestra la validez y consistencia de
los constructos que la componen. En la cuarta sección se
presentan los resultados y en el último apartado se plantean
las principales conclusiones y recomendaciones.
Para continuar leyendo
Solicita tu prueba
COPYRIGHT TV Trade Media, Inc.
COPYRIGHT GALE, Cengage Learning. All rights reserved.
COPYRIGHT GALE, Cengage Learning. All rights reserved.
