Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Universidad de La Serena
Facultad de Ingeniería
Departamento de Ingeniería Industrial
Obstáculos en la innovación y su
incidencia en las empresas del sector
productivo y de servicios en Chile.
Profesor
Christian Acuña
Fecha
06 de Diciembre de 2016
1
Modelos de Previsión
Índice
Resumen ................................................................................................................................ 5
Introducción. ......................................................................................................................... 5
1. Objetivo general y específicos. ..................................................................................... 6
1.1. Objetivo general. ...................................................................................................... 6
1.2. Objetivos específicos. .............................................................................................. 6
2. Formulación general del problema. ............................................................................. 6
3. Justificación del estudio ................................................................................................ 7
4. Marco teórico ................................................................................................................. 7
4.1. Innovación ............................................................................................................... 7
4.2. Obstáculos y barreras en la Innovación ................................................................... 8
4.3. Ventas y exportación en las empresas y la relevancia de innovar ......................... 10
4.4. Clasificación de sectores productivos .................................................................... 11
4.5. Sector servicio ........................................................................................................ 11
4.6. Modelo Econométrico ............................................................................................ 11
4.6.1. Modelo general. .............................................................................................. 11
4.6.2. Sustento del modelo a proponer. .................................................................... 11
4.7. Presentación de Hipótesis ...................................................................................... 13
5. Antecedentes preliminares del estudio. ..................................................................... 14
5.1. Antecedentes descriptivos de la encuesta .............................................................. 14
6. Identificación del problema ........................................................................................ 15
6.1. Dificultad para innovar a nivel internacional......................................................... 16
6.2. Dificultad para innovar a nivel nacional ................................................................ 16
7. Metodología.................................................................................................................. 17
7.1. Obtención de datos ................................................................................................. 17
7.2. Estudio preliminar sobre las empresas declaradas en no innovar. ......................... 18
7.3. Clasificación de empresas del sector productivo y de servicios, que comenzaron
un proceso de innovación. ................................................................................................ 19
7.4. Categorización de percepción de las empresas si percibe obstáculos.................... 23
7.4.1. Selección, definición y descripción de las variables ...................................... 24
7.4.1.1. Variables dependientes:........................................................................... 26
2
Modelos de Previsión
Figura 1. Crecimiento
PIB...................................................................................................................
3
Modelos de Previsión
Índice de tablas
Tabla1. Sectores
productivos..............................................................................................................
4
Modelos de Previsión
Resumen
El presente trabajo busca entregar evidencia empírica acerca de cuáles son los principales
factores que obstaculizan las actividades innovadoras de las empresas del sector productivo
y de servicios en Chile. Siendo un punto inicial el análisis de la información, presentando
las variables y el modelo econométrico con el cual se va a trabajar. Para este efecto se
trabaja con los resultados de la Novena Encuesta de Innovación en Empresas que da cuenta
del periodo 2013-2014 realizadas por el Ministerio de Economía.
Introducción.
Real life is… a perpetual compromise between the ideal and the possible; but the world of
pure reason knows no compromise, no practical limitations, no barrier to the creative
activity.” - Bertrand Russell
“Innovación”: Es uno de los tópicos más importantes de la economía moderna. La
economía mundial se está desarrollando rápidamente, las empresas más grandes, el mejor
enlace e intercambio de datos y la última tecnología garantizan un mercado
extremadamente complejo, en la que una ventaja de la técnica, la organización o la
comunicación es más importante que nunca.
En este marco, el presente trabajo muestra un estudio econométrico, el cual pretende dar
respuesta a la pregunta: ¿De qué manera influyen los obstáculos a la innovación tanto en las
ventas, como en las exportaciones?
5
Modelos de Previsión
Entonces, ¿cuáles son los principales obstáculos a la innovación que enfrentan pequeñas,
medianas y grandes empresas?, esta es la gran pregunta que se busca responder con este
trabajo; en el cual se analizará la relación entre el tamaño de una empresa, agrupado en
sector productivo o de servicios y la percepción de determinados obstáculos al proceso de
innovación. La gama de obstáculos desprendidos desde la Novena Encuesta de Innovación
en Chile, nos permite estudiar más allá de las restricciones financieras propias de las
empresas, lo cual resulta interesante al momento de determinar los factores que influyen en
las decisiones de inversión en este tipo de actividades.
6
Modelos de Previsión
En chile es cada vez más importante la innovación y en consecuencia determinar cuáles son
las barreras para poder ejecutarla. Es por esto que en la cuenta pública de la presidenta
Bachelet en el presente año, pretenden fomentar la innovación, a continuación se presenta
un estracto del documento:
En el Plan Nacional de Innovación 2014-2018 se identifican seis brechas productivas que
deben ser superadas en el país: estancamiento de la productividad, estructura productiva y
canasta exportadora de baja sofisticación y poco diversificada, baja inversión en
investigación y desarrollo e innovación, baja participación del sector empresarial en la
inversión en investigación y desarrollo, desalineamiento de ésta con prioridades-país y
sectores estratégicos de alto potencial de crecimiento y baja transferencia tecnológica entre
centros de producción de conocimiento y la industria.
Para cerrar estas brechas se han establecido cuatro ejes de trabajo: democratización del
emprendimiento e innovación, políticas de transformación productiva selectivas,
potenciamiento de la investigación y desarrollo y la colaboración universidad-empresa y
fortalecimiento institucional. Es por lo anterior que el presupuesto público total para la
promoción de la innovación y emprendimiento en estos ejes presentó un crecimiento real de
un once por ciento respecto al año 2014.
4. Marco teórico
4.1. Innovación
7
Modelos de Previsión
Tipos de Innovación
Según Jaramillo et al (2001:157-62): La innovación de productos es la introducción de un
producto o servicio que es nuevo o mejorado significativamente con respecto a sus
características o usos previstos. La innovación de procesos es la implementación de un
método de producción y / o entrega nuevo o significativamente mejorado para la creación y
prestación de servicios. La innovación de marketing es la implementación de un nuevo
método de marketing que implica cambios significativos en el diseño o embalaje de
productos, la colocación de productos, la promoción de productos o la fijación de precios,
que es útil para las nuevas estrategias de precios al mercado, mientras la innovación
organizacional es la implementación de un nuevo método de organización en las prácticas
comerciales de la empresa, organización del lugar de trabajo o las relaciones externas.
(OECD, 2005)
En chile dada la importancia de la innovación se destaca que a través de Corfo, el
Ministerio de Economía apoya el financiamiento de diversos tipos de proyectos de
innovación. El objetivo es reducir el riesgo tecnológico de las empresas y facilitar su
llegada al mercado. En la búsqueda de masificar la innovación en todo el país, durante el
año 2015, se logró aumentar en un 67 por ciento las postulaciones y en un 46 por ciento las
adjudicaciones respecto al año 2014, cofinanciando más de 680 proyectos, que incluyen
más de 400 iniciativas de innovación tecnológica. Cabe destacar que más del 80 por ciento
de los postulantes y adjudicados son pequeñas y medianas empresas, con un 39 por ciento
más que en 2014.
Los dos instrumentos principales de apoyo a la innovación son el LF1 Innovación en
Productos y Procesos –prototipos– y el LF2 Validación y Empaquetamiento de
Innovaciones. Durante el año 2015, la línea LF1 recibió 264 postulaciones y adjudicó 82
proyectos por tres mil 640 millones de pesos; y la línea LF2 recibió 227 postulaciones y
adjudicó 73 proyectos por ocho mil 402 millones de pesos. Estos montos y adjudicaciones
más que duplicaron lo entregado el año 2014.
8
Modelos de Previsión
El 47% de los ejecutivos encuestados asegura que sus compañías no tienen equipos,
procesos ni sistemas para examinar las ideas nuevas con el fin de decidir en cuales invertir.
De cualquier forma, todos los procesos y todos los sistemas del mundo no podrán cambiar
las cosas a menos que las organizaciones apoyen la innovación y destinen recursos para
promoverla. El 70% de los participantes considera que los consejeros delegados podrían
mejorar la innovación en las empresas de la siguiente manera:
Crear una cultura corporativa que promocione la innovación, aún con el riesgo de
equivocarse.
Asignar un presupuesto para las iniciativas.
Premiar la innovación.
Promover la innovación mediante incentivos económicos.
Dar ejemplo participando personalmente en el proceso de innovación.
Por otro lado, según Dr. Adrian Gundy hay cinco tipos de obstáculos a la innovación:
Estructurales, sociales/políticas, procesales, de recursos y individuales. Muchos de los
obstáculos en esas categorías son relacionadas, por consiguiente, las categorías deben
considerarse sólo como aproximaciones.
En las Pymes
Las empresas medianas están mejor dedicadas a la innovación tecnológica que las
pequeñas, en particular las de los sectores de la construcción. La política de organización y
la política gubernamental tienen una fuerte influencia en el desempeño de la innovación. La
innovación de las pequeñas empresas es más inhibida por la regulación gubernamental que
la innovación de las empresas medianas. Obviamente, la falta de información tecnológica y
de mercado y el compromiso inadecuado en Investigación y Desarrollo son obstáculos
importantes para la innovación tanto para las pequeñas como medianas empresas. Los
costos de innovación y las barreras tecnológicas son más difíciles de superar para las
9
Modelos de Previsión
pequeñas empresas, mientras que las barreras organizacionales son más comunes en las
empresas medianas. La falta de cooperación con universidades, institutos u otras empresas
es una barrera importante para las PYME de la industria (Talegeta, 2014).
“Innovation and Barriers to Innovation: Small and Medium Enterprises in Addis Ababa” de
Sileshi
En principio, una empresa es innovadora básicamente por dos razones: para desplazar a la
competencia a partir de una superioridad tecnológica (en producto o en proceso) o por
presión de la competencia (para no verse desplazada si la competencia lleva la delantera en
materia de cambio técnico).
Las ventajas genuinas que va acumulando la empresa determinan mayores capacidades
competitivas, es decir, mayores posibilidades para enfrentar la competencia tanto en el
mercado doméstico (frente a las importaciones) como en el externo (posibilidades de
exportación); es decir que crecen sus chances de competir con éxito frente a productos
fabricados en otros países, destinados a satisfacer los mismos requerimientos o a abastecer
la misma demanda (bienes iguales o sustitutivos). Por extensión, el concepto puede ser
aplicado a comparaciones entre países o economías, ya que el país de origen de los
productos (o las firmas) más competitivos demostrará contar con niveles de competitividad
superiores al resto y esto amplía sus posibilidades de incrementar el ritmo de su producción
y sus exportaciones, favoreciendo así el crecimiento económico (Chudnovsky y Porta,
1990).
Las empresas que exportan a los países desarrollados son más propensas a innovar en
productos y en el uso de herramientas. En cambio, las industrias que exportan a los países
en desarrollo son más propensas a invertir en el diseño de productos. Meza y Mora (2005)
10
Modelos de Previsión
SECTOR CLASIFICACIÓN
1 Alimentos, bebidas y tabacos
2 Textiles, prendas de vestir e industrias del cuero
3 Industria de la madera
4 Papel, imprenta y editoriales
5 Industria química y plásticos
6 Productos minerales no metálicos y metales básicos
7 Industria metalmecánica
Fuente: sectores considerados dentro de la manufactura por el Banco Central.
Figura: sectores productivos
Por otro lado, según Dr. Adrian Gundy hay cinco tipos de obstáculos a la innovación:
Estructurales, sociales/políticas, procesales, de recursos y individuales. Muchos de los
obstáculos en esas categorías son relacionadas, por consiguiente, las categorías deben
considerarse sólo como aproximaciones. Sustenta las variables falta de personal
calificado,
En el caso de este estudio se presenta las variables de ventas y falta de personal calificado.
Se sustenta en que la empresa desarrollará productos o procesos innovadores mediante la
combinación y el empleo de sus recursos y capacidades internas, adoptando un papel
central en la generación de tecnología (Mathison et al, 2007).
Sustenta la variable Falta de fondos propios (la cual se comporta como un obstáculo en
la innovación) y su relación con la exportación y las ventas:
Sustenta la variable Mercado dominado por las empresas establecidas (la cual se
comporta como un obstáculo en la innovación) y su relación con la exportación y las
ventas:
12
Modelos de Previsión
13
Modelos de Previsión
La encuesta de Innovación a utilizar para el estudio fue levantada por el Instituto Nacional
de Estadísticas (INE) durante el año 2015, tomando como referencia los años 2013 y 2014.
Y es representativa a nivel nacional, regional y a nivel de sector económico.
La encuesta se centra en recabar datos sobre los obstáculos para la innovación en una
empresa, como el costo de la innovación, la falta de personal calificado, el mercado
dominado por empresas establecidas, la incertidumbre respecto a la demanda por bienes y
servicios, etc.
En el caso de Chile, la toma de datos oficiales que permitan guiar las decisiones
gubernamentales ligadas a los temas de Investigación y Desarrollo e Innovación, ha sido
liderada por la Subsecretaría de Economía y Empresas de Menor Tamaño, junto al Instituto
Nacional de Estadísticas (INE).
Dentro de los antecedentes más importantes esta la anterior encuesta (8°), donde su
objetivo es generar información acerca del desempeño de las empresas chilenas en materia
de innovación (insumos y resultados) y mostrar las relaciones entre dicho proceso y la
estrategia de innovación de las empresas, el esfuerzo innovativo, los factores que influyen
en su capacidad para innovar y su rendimiento económico.
El nombramiento oficial de Chile como país miembro de los países de la OCDE en el año
2010, significó un precedente en la construcción de las cifras oficiales de Gasto I+D, las
que para ser internacionalmente comparables deben cumplir con ciertos estándares
metodológicos, los que para Chile datan del año de referencia 2007, es decir, la línea base
del Gasto en I+D en Chile comienza el año 2007.
De acuerdo a la última publicación los datos para Chile son los siguientes:
14
Modelos de Previsión
Fuente: 1era, 2da y 3era Encuesta Nacional de Gasto y Personal en I+D. División de
Innovación, Ministerio de Economía.
Finalmente, con el fin de entregar las cifras oficiales, se revisa la base de datos
obteniéndose un gasto de I+D con respecto al PIB de 0,35% y 0,33% para los años 2009 y
2010 respectivamente. Esta revisión se realiza por tratarse de datos tipo panel.
En enero de 2014, se publicaron las cifras preliminares de la Tercera Encuesta
Nacional de Gasto y Personal en I+D, arrojando un 0.34% y 0.35% para los años
2011 y 2012 respectivamente.
Ante la realidad actual, donde cada vez se hace más exigente la sobrevivencia y
subsistencia de las organizaciones, cuando el mundo se hace más estrecho y pequeño ante
la proliferación de Tecnologías de Información y Comunicación (TIC) que contribuyen a
ello; la gerencia está obligada a diseñar y proponer nuevos factores que permitan
diferenciar a las empresas y al final contribuir al apalancamiento de éstas hacia la obtención
de ventajas competitivas (Mathison et al, 2007).
15
Modelos de Previsión
En este contexto, se necesitan reformas para que las políticas públicas sean más propicias a
la innovación, en los ámbitos que van desde el sector empresarial general hasta el comercio
y la inversión internacional, los mercados de trabajo y la educación. Los gobiernos también
pueden desempeñar un papel más directo en el fomento de la innovación a través de la
inversión pública en ciencia e investigación, el desarrollo de tecnologías de uso general y,
por lo tanto, la habilitación de nuevas innovaciones. Esto puede lograrse mediante una
combinación adecuada de instrumentos directos e indirectos, como los créditos fiscales, las
asociaciones público-privadas y el apoyo a los clusters innovadores. Gran parte del
aumento del nivel de vida se debe a la innovación, que ha sido el caso desde la Revolución
Industrial. Además, la innovación es importante para ayudar a abordar los desafíos
mundiales, como el cambio climático, la pobreza y el desarrollo sostenible. La innovación
da como resultado el crecimiento económico si las estructuras del mercado y el entorno
regulador permiten que las actividades más productivas se expandan. Dicho esto, el
esfuerzo innovador en sí, incluyendo la investigación formal y el desarrollo, sigue siendo la
condición sine qua non del crecimiento. La evidencia sugiere que el esfuerzo innovador
está en aumento como proporción de la actividad económica. La inversión en el
conocimiento ha crecido más rápidamente que la inversión en maquinaria y equipo desde
mediados de los años noventa en la mayoría de los países de la OCDE y ha superado esta
última en algunos países como Finlandia y Estados Unidos (OCDE, 2005c). Sin embargo,
hay mucho que hacer y cambiar, muchos desafíos para comprometerse, con el objetivo de
una dirección mejor y más fácil a la innovación inteligente.
“Innovation and Growth - Rationale for an Innovation Strategy” de OCDE
16
Modelos de Previsión
I&D dentro de la OCDE, junto con México y Grecia. Se ha formulado que esto no puede
ser enteramente atribuible a una brecha de ingresos con países desarrollados y a una ventaja
comparativa en industrias basadas en recursos naturales, si no que más bien esto se debería
a la ineficiencia del sistema nacional de innovación que produciría bajos desempeños y
retornos de inversión en I&D.
Dentro de este gasto, el sector privado aporta sólo 0.16 % del PIB (cifra cercana a 1/3 del
total), la cifra más baja de entre todos los países de la OCDE. Esto se debe en parte a la alta
especialización en industrias no intensivas en I&D. Las empresas exitosas de exportación
nacionales participan en mercados de explotación de recursos naturales y utilizan la
innovación básicamente para generar diferenciación no basada en I&D. Principalmente en
innovaciones relacionadas con sus modelos de negocio y marketing. Por otro lado, una gran
parte de las empresas innovadoras se centra en la adaptación y copia de tecnologías y
know-how provenientes de países desarrollados.
Chile parece carecer de capital humano calificado en las áreas de ciencia y tecnología, en
tanto que existe un déficit particular en la formación de habilidades de gestión tecnológica.
Asimismo hay barreras al emprendimiento y bajas competencias de los institutos
tecnológicos públicos. (Greve, 2013).
7. Metodología
Los datos recolectados son de encuestas aplicadas y validadas por organismos competentes.
Lo que en nuestro caso será un cuestionario estructurado llamado “9na ENCUESTA DE
INNOVACIÓN EN EMPRESAS”. Esta encuesta fue levantada por el Instituto Nacional de
Estadísticas (INE) durante el año 2015, tomando como referencia los años 2013 y 2014. La
cual tiene por objetivo proporcionar información sobre la estructura del proceso de
innovación de las empresas en Chile (anexo 1).
Objetivo de la encuesta: Cuantificar qué tipos de innovación se introducen en la empresa,
además de cuantificar el gasto de innovación en relación a las ventas de las empresas que
participan de las actividades económicas de nuestro país y cuantificar los obstáculos que se
les presentan al aplicarlas.
Nota: Suponemos que el organismo competente en la creación de la encuesta, siguieron las
etapas de forma correcta. Lo anterior es importante recalcar que de no ser así,
posteriormente los resultados podrían no representar la realidad de nuestro estudio.
17
Modelos de Previsión
18
Modelos de Previsión
40.1%
36.5%
6.1%
Sobre las empresas que iniciaron el proceso de innovación en el periodo 2013 - 2014, se
pretende determinar cuántas empresas terminaron el proceso, cuantos lo postergaron o
simplemente no siguieron con el proceso de innovación.
19
Modelos de Previsión
Empresas Productivas
EMPRESAS PRODUCTIVAS
Tamaño Sector N°
Glosa actividad
Empresa empresas
Silvicultura, extracción de madera y actividades de servicios
A 30
conexas
Pesca, explotación de criadero de peces y granjas piscícolas;
B 16
actividades de servicios
1 C Explotaciones de minas y canteras 1
D Fabricación, elaboración y producción de productos y otros 102
E Suministro de electricidad, gas y agua 2
F Construcción 42
Silvicultura, extracción de madera y actividades de servicios
A conexas 12
20
Modelos de Previsión
65.7%
50.2%
37.6% 35.8%
5.8%
Empresas de servicios
Empresas Servicio
Tamaño N°
Sector Glosa actividad
Empresa empresas
Comercio al por mayor y al por menor; reparación de vehículos
G 61
automotores, motocicletas, efectos personales y enseres domésticos
H Hoteles y Restaurantes 20
I Correo y telecomunicaciones y transporte 40
J Intermediación financiera 21
1
Alquiler de maquinaria y equipo sin operarios y de efecto personales y
K 144
enseres domésticos
N Servicios sociales y de salud 26
Eliminación de desperdicios y aguas residuales, saneamiento y actividades
O 23
similares
Comercio al por mayor y al por menor; reparación de vehículos
G 38
automotores, motocicletas, efectos personales y enseres domésticos
H Hoteles y Restaurantes 9
2
I Transporte por vía terrestre, tuberías y acuático 28
J Intermediación financiera 6
K Informática y actividades conexas 45
21
Modelos de Previsión
53.8%
49.9%
44.0%
35.4%
6.3%
22
Modelos de Previsión
Una vez clasificadas las empresas que iniciaron un proceso de innovación, se procederá a
un análisis de estas, con el fin de identificar, determinar y agrupar, las barreras que inciden
directamente en el proceso de innovación de las empresas representadas en la “9na
ENCUESTA DE INNOVACIÓN EN EMPRESAS”. Antes de esto debemos identificar
cual es la pregunta que responderá y ayudara a nuestro estudio y cuáles serán las
dimensiones que tomaremos:
Código
a. Factores de costos:
encuesta código base Selección respuesta
Numérico
1 = IMPORTANCIA ALTA
13.1 3196 P3196 Falta de fondos propios 2 = IMPORTANCIA MEDIA
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
1 = IMPORTANCIA ALTA
Falta de financiamiento
13.1 3197 P3197 2 = IMPORTANCIA MEDIA
externo a la empresa
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
1 = IMPORTANCIA ALTA
Costo de la innovación muy
13.1 3285 P3285 2 = IMPORTANCIA MEDIA
alto
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
b. Factores vinculados al
conocimiento
Numérico
1 = IMPORTANCIA ALTA
13.1 3198 P3198 Falta de personal calificado 2 = IMPORTANCIA MEDIA
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
1 = IMPORTANCIA ALTA
Falta de información sobre la
13.1 3199 P3199 2 = IMPORTANCIA MEDIA
tecnología
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
1 = IMPORTANCIA ALTA
Falta de información sobre
13.1 3200 P3200 2 = IMPORTANCIA MEDIA
los mercados
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
23
Modelos de Previsión
Numérico
Dificultad en encontrar 1 = IMPORTANCIA ALTA
13.1 3286 P3286 cooperación de partners para la 2 = IMPORTANCIA MEDIA
innovación 3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
c. Factores de mercado
Numérico
1 = IMPORTANCIA ALTA
Mercado dominado por
13.1 3201 P3201 2 = IMPORTANCIA MEDIA
empresas establecidas
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
Incertidumbre respecto a la 1 = IMPORTANCIA ALTA
13.1 3202 P3202 demanda por bienes o servicios 2 = IMPORTANCIA MEDIA
innovados 3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
d. Otros factores
Numérico
1 = IMPORTANCIA ALTA
No es necesario debido a
13.1 3287 P3287 2 = IMPORTANCIA MEDIA
innovaciones previas
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
1 = IMPORTANCIA ALTA
No es necesario por falta de
13.1 3288 P3288 2 = IMPORTANCIA MEDIA
demanda de innovaciones
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Numérico
1 = IMPORTANCIA ALTA
13.1 3289 P3289 Dificultad regulatoria 2 = IMPORTANCIA MEDIA
3 = IMPORTANCIA BAJA
4 = NO RELEVANTE
Tabla 5. Módulo 13; Obstáculos a la innovación
Para la elección de las variables en primera instancia nos basamos en las respuestas de la
encuesta utilizada en este trabajo, en el ámbito de obstáculos en la innovación. Y también
justificando a través del marco teórico lo que otros estudios dicen.
En el lineamiento de la pregunta planteada en la encuesta: ¿Qué factores se perciben como
barreras a la innovación? La cual respondimos a través de los principales resultados de la
novena encuesta, la que arrojo que dentro de los obstáculos enfrentados al momento de
innovar, para empresas que lograron innovar, se observa como la principal dificultad el
“Costo de innovación muy alto”, seguido por el “Falta de personal calificado” e
24
Modelos de Previsión
“Incertidumbre respecto a la demanda por bien eso servicios innovados. Para las en general,
los principales obstáculos son “Costo de innovación muy alto”, “Falta de fondos propios” y
“Mercado dominado por empresas establecidas”.
Por otro lado se determinó la importancia económica de las innovaciones de producto sobre
ventas y exportaciones, y estas fueron seleccionadas como las variables dependientes:
Curiosamente, son las empresas más pequeñas las cuales contribuyen en una mayor
proporción con innovaciones de bienes y servicios nuevos para el mercado, mientras que
las grandes, son las que en proporción reciben un mayor porcentaje de sus ventas en
innovación, tanto para el mercado como para la empresa.
Son las empresas grandes quienes valoran más en términos de exportaciones
(proporcionalmente) las innovaciones nuevas para el mercado, siendo las medianas las
cuales tienen un menor porcentaje en este ámbito de comparación.
25
Modelos de Previsión
26
Modelos de Previsión
Exportación Y2 “Cualquier bien para la economía o el servicio enviado fuera del territorio
(monto total nacional”:
de las Esta variable busca mostrar que las empresas exportadoras tienen un
exportacione mejor desempeño que las empresas que actúan solo en los mercados
s para 2013 y domésticos. Esto ya que se encuentran insertas en mercados más
2014 (valor competitivos que los mercados locales, por lo tanto estará forzado a
FOB)) realizar esfuerzos para situarse más cerca de la frontera tecnológica.
Esto producirá que muestren mayor tendencia a realizar actividades de
innovación.
27
Modelos de Previsión
obtener RELEVANTE
financiamiento
y los altos
costos que
dificultan la
innovación
Falta de 3198 X3= X3’ Esta variable +
Numérico
personal considera la
1=
calificado En spss: falta de IMPORTANCIA
(factor Falt_pers_calif información ALTA
conocimiento) sobre la 2=
tecnología y IMPORTANCIA
falta de MEDIA
información 3=
sobre los IMPORTANCIA
BAJA
mercados, y la
4 = NO
categoría de RELEVANTE
mercado.
Mercado 3201 X4= X4’ Esta variable +
dominado por está
empresas En spss: relacionada
establecidas con la
(factor merc_dom incertidumbre
mercado) en la demanda Numérico
de bienes y 1=
servicios IMPORTANCIA
innovadores, ALTA
2=
donde la
IMPORTANCIA
introducción de MEDIA
un nuevo 3=
producto o IMPORTANCIA
servicio puede BAJA
ser visto como 4 = NO
una barrera RELEVANTE
para las
empresas que
decidan si
deben innovar
o no
Incertidumbre 3202 X5= X5’ La falta de Numérico +
respecto a la información 1=
demanda por En spss: del entorno de IMPORTANCIA
ALTA
bienes o la empresa, y la
2=
servicios incert_dda falta de IMPORTANCIA
innovados respuesta de MEDIA
(factor los clientes 3=
28
Modelos de Previsión
En la propuesta del modelo la variable dependiente será Y1= Ventas y Y2= Exportación
El modelo econométrico propuesto quedaría de la siguiente forma:
Y2=β0+β1*X1’+β2*X2’+β3*X3’+ β4*X4’+β5*X5’+µ
29
Modelos de Previsión
7.6. Herramientas
Se pretende utilizar el software SPSS, con el fin de analizar los datos de la encuesta, que
nos entregaría lo siguiente: parámetros β, los cuales nos darían el modelo que se desea
determinar, la auto correlación, la significancia del modelo y de los parámetros, el
coeficiente de determinación, el coeficiente de determinación ajustado, el F de Fisher, T de
Student y diversos datos que nos servirán para el análisis del modelo obtenido.
Regresión:
Variables introducidas/eliminadasa
incert_dda,
Falt_fon_prop,
1 merc_dom, . Introducir
Falt_pers_calif,
costob
30
Modelos de Previsión
*Coeficiente de correlación:
El valor obtenido fue r=0,066, este valor nos indica el grado de relación entre las
variables en estudio, como el valor puede oscilar entre -1 y +1. Entonces decimos que
tenemos un grado de relación bajo de las variables.
Análisis de la varianza:
ANOVAa
La siguiente tabla muestra las estimaciones de los parámetros del modelo de regresión lineal
simple, la ordenada en el origen, ß0=-0,153, la pendiente ß1=0,101 ß2=0,006 ß3=0,034
ß4=0,030 ß5=0,024
Coeficientesa
31
Modelos de Previsión
Falt_fon_prop -,101 ,059 -,090 -1,695 ,090 -,218 ,016 ,478 2,092
costo ,006 ,060 ,005 ,098 ,922 -,112 ,124 ,468 2,135
1
Falt_pers_calif ,034 ,062 ,029 ,550 ,583 -,088 ,157 ,471 2,123
merc_dom ,030 ,059 ,026 ,506 ,613 -,086 ,145 ,507 1,972
incert_dda ,024 ,065 ,020 ,364 ,716 -,104 ,151 ,430 2,326
Y =0,153 – 0,101*X1+0,006*X2+0,034*X3+0,030*X4+0,024*X5
Es una prueba individual para cada coeficiente Beta de las variables independientes.
Regla de decisión: Se rechaza la hipótesis nula si el valor p (p valué) es < .05
Debido a que en nuestro caso este valor no es directo se procederá a calcularlo a través de
excel.
Para realizar los cálculos en Excel procedimos de la siguiente manera:
32
Modelos de Previsión
Llenamos los datos y hacemos los cálculos del área de una cola y de los grados de libertad.
Luego insertamos función. En la casilla seleccionar una categoría, seleccionamos
Estadísticas. Para luego seleccionar la función INV.T.
1-α 0,95
n 744
α/2 0,025
n-1 743
t1 -1,96316193
t2 1,96316193
Dándonos como resultado Talculado<Tabla ,por lo tanto las variables x1, x2, x3 , x4, x5 cumplen
la hipótesis nula (se acepta), por lo cual son variables no significativas al 95%.
El test de Fisher es una prueba global que indica si en su conjunto las variables independientes se
relacionan con la variable dependiente.
Regla de decisión: Se rechaza la hipótesis nula si el valor p (p valué) es <0.05
La Tabla Anova muestra el valor del estadístico de contraste, F = 0,655 que se define como el
cociente entre el Cuadrado medio debido a la regresión y el Cuadrado medio residual CMR, por
tanto cuanto mayor sea su valor, mejor será la predicción mediante el modelo lineal. El p-valor
asociado a F, en la columna Sig, es 0,657, mayor que el nivel de significación α = 0.05, lo que
conduce a aceptar la hipótesis nula, es decir no existe una relación lineal significativa entre Y y X.
33
Modelos de Previsión
Esto indica que no sería es válido el modelo de regresión considerado, en este caso el modelo de
regresión lineal.
La tabla resumen del modelo nos da un Durbin-Watson=1,993. Lo cual es muy bueno porque es
cercano a 2.
Como el total de datos es de 744, y no existe este valor exacto en una tabla utilizaremos los
valores mas cercanos a este número que corresponden a n=750 y k=5.
Los datos du y dl arrojan un valor similar por lo que utilizaremos este valor aproximado,
que corresponden a:
34
Modelos de Previsión
En este caso el indicador D-W cae en zona de aceptación de H0, por lo tanto no existe auto
correlación. Si no hay auto correlación, la relación entre los residuos será intermedia y por tanto, el
valor del estadístico experimental también alcanzará un valor intermedio.
Análisis de Homocedasticidad.
Dentro de los supuestos del modelo de regresión lineal clásico es que las perturbaciones que
aparecen en la regresión lineal son homocedásticos (todos tienen la misma varianza), ahora
analizaremos la validez de este supuesto, haciendo pruebas a las variables y al modelo en sí, para
corroborar que no existe heteroscedasticidad y que el supuesto de homocedasticidad se cumple.
Tenemos que tener claro los valores a utilizar en nuestro test antes de comenzar tomando un rango
de número de datos de 200 y 500 datos respectivamente para comparar nuestro F calculado,
además con un 95% de confiabilidad (α=5%).
Submuestra1
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,03444109
Coeficiente de determinación R^2 0,00118619
R^2 ajustado -0,01591679
Error típico 0,52747154
Observaciones 298
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresió 0,069355
n 5 0,096482832 0,019296566 67 0,996633671
Residuo
s 292 81,24205771 0,278226225
Total 297 81,33854054
Submuestra2
Estadísticas de la regresión
35
Modelos de Previsión
Coeficiente de correlación
múltiple 0,207725117
Coeficiente de determinación
R^2 0,043149724
R^2 ajustado 0,026765302
Error típico 1,033829318
Observaciones 298
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresió 2,633582
n 5 14,0739038 2,814780759 25 0,023895584
Residuo
s 292 312,0904929 1,068803058
Total 297 326,1643967
r1: 5
r2: 292
𝑆𝐶𝐸2 /𝐺𝐿2
𝜆=
𝑆𝐶𝐸1 /𝐺𝐿1
λ= 3,841489269
Ftabla= 2,25072 (interpolación entre 200 y 500)
Al ser λ > Ftabla se recha la Ho, es decir, el modelo es homocedástico, lo que significa que
la varianza de los errores se mantiene constante
Colinealidad.
Diagnósticos de colinealidada
36
Modelos de Previsión
Correlaciones
Coeficien
te de
1,000 ,021 ,009 ,008 ,038 ,058*
correlaci
Variación_Vent
ón
as
Sig.
. ,443 ,756 ,767 ,168 ,036
Tau_b (bilateral)
Falt_fon_prop ón
Sig.
,443 . ,000 ,000 ,000 ,000
(bilateral)
37
Modelos de Previsión
Coeficien
te de 1,00
,009 ,572** ,526** ,476** ,510**
correlaci 0
costo ón
Sig.
,756 ,000 . ,000 ,000 ,000
(bilateral)
Coeficien
te de ,526
,008 ,554** 1,000 ,460** ,549**
**
correlaci
Falt_pers_calif ón
Sig.
,767 ,000 ,000 . ,000 ,000
(bilateral)
Coeficien
te de ,476
,038 ,467** ,460** 1,000 ,600**
**
correlaci
merc_dom ón
Sig.
,168 ,000 ,000 ,000 . ,000
(bilateral)
Coeficien
te de ,510
,058* ,472** ,549** ,600** 1,000
**
correlaci
incert_dda ón
Sig.
,036 ,000 ,000 ,000 ,000 .
(bilateral)
N 745 745 745 745 745 745
En donde la variable que mayor correlación tiene con la variación de las ventas es incertidumbre
de la demanda y la que menor correlación tiene es 0,38 que es mercado dominado por empresas
establecidas.
38
Modelos de Previsión
Análisis y conclusión.
El signo de las variables concuerdan con la teoría, por lo que en primera instancia
predecimos que vamos por buen camino.
El análisis realizado indicó que el modelo posee un grado de asociación lineal entre
todas las variables, de 99,9%, que es muy alto y que corroboró que las variables
identificadas eran correctas. destacando la más alta que sería la variable falta de
fondos propios con alto costo.
Además, el modelo no presenta heterocedasticidad según lo indicó el análisis de
residuos. Así el modelo propuesto no viola los supuestos de la regresión lineal
múltiple.
Según el cuadro que nos presenta la información de la tolerancia de cada variable y
del FIV (factor de inflación de la varianza). Según estos estadísticos la
multicolinealidad no parece afectar a ninguna de las variables.
39
Modelos de Previsión
Regresión:
Variables introducidas/eliminadasa
Modelo Variables Variables Método
introducidas eliminadas
incert_dda,
Falt_fon_prop,
1 . Introducir
Falt_perso_calif,
merc_dom, costob
a. Variable dependiente: Ventas_p
b. Todas las variables solicitadas introducidas.
*Coeficiente de correlación:
El valor obtenido fue r=0,055, este valor nos indica el grado de relación entre las variables
en estudio, como el valor puede oscilar entre -1 y +1. Entonces decimos que tenemos un
grado de relación bajo de las variables.
40
Modelos de Previsión
Análisis de la varianza:
ANOVAa
Suma de Media
Modelo gl F Sig.
cuadrados cuadrática
Regresión 209,892 5 41,978 ,417 ,837b
1 Residual 68719,622 683 100,614
Total 68929,514 688
a. Variable dependiente: Ventas_p
b. Variables predictoras: (Constante), incert_dda, Falt_fon_prop, Falt_perso_calif,
merc_dom, costo
La siguiente tabla muestra las estimaciones de los parámetros del modelo de regresión
lineal simple, la ordenada en el origen, ß0=1,893 la pendiente ß1= -0,106 ß2 =0,56
ß3= -0,233 ß4= -0,217 ß5= -0,044
Coeficientesa
Coeficientes Intervalo de
Coeficientes Estadísticos de
no confianza de
tipificados colinealidad
Modelo estandarizados t Sig. 95,0% para B
Límite Límite
B Error típ. Beta Tolerancia FIV
inferior superior
(Constante) 1,893 1,021 1,854 ,064 -,111 3,897
Falt_fon_prop -,106 ,435 -,013 -,245 ,807 -,961 ,748 ,493 2,030
costo ,056 ,462 ,007 ,121 ,904 -,852 ,964 ,443 2,255
1
Falt_perso_calif -,233 ,456 -,027 -,512 ,609 -1,129 ,662 ,517 1,933
merc_dom -,217 ,472 -,026 -,459 ,647 -1,144 ,711 ,455 2,200
incert_dda -,044 ,482 -,005 -,091 ,928 -,991 ,903 ,438 2,283
a. Variable dependiente: Ventas_p
41
Modelos de Previsión
Y =1,893 – 0,106*X1+0,56*X2-0,233*X3-0,217*X4-0,044*X5
Como podemos ver en el cuadro anterior tenemos que nuestras variables no son significativas.
Pero además para corroborar este resultado lo analizaremos con t-student.
Es una prueba individual para cada coeficiente Beta de las variables independientes.
Regla de decisión: Se rechaza la hipótesis nula si el valor p (p valué) es < .05
Debido a que en nuestro caso este valor no es directo se procederá a calcularlo a través de
Excel.
Para realizar los cálculos en Excel procedimos de la siguiente manera:
Llenamos los datos y hacemos los cálculos del área de una cola y de los grados de libertad.
Luego insertamos función. En la casilla seleccionar una categoría, seleccionamos
Estadísticas. Para luego seleccionar la función INV.T.
42
Modelos de Previsión
1-α 0,95
n 744
α/2 0,025
n-1 743
t1 -1,96316193
t2 1,96316193
Dándonos como resultado Talculado<Tabla ,por lo tanto las variables x1, x2, x3 , x4, x5 cumplen
la hipótesis nula (se acepta), por lo cual son variables no significativas al 95%.
El test de Fisher es una prueba global que indica si en su conjunto las variables
independientes se relacionan con la variable dependiente.
Regla de decisión: Se rechaza la hipótesis nula si el valor p (p valué) es <0.05
La Tabla Anova muestra el valor del estadístico de contraste, F = 0,417 que se define como
el cociente entre el Cuadrado medio debido a la regresión y el Cuadrado medio residual
CMR, por tanto cuanto mayor sea su valor, mejor será la predicción mediante el modelo
lineal. El p-valor asociado a F, en la columna Sig, es 0,837, mayor que el nivel de
significación α = 0.05, lo que conduce a aceptar la hipótesis nula, es decir no existe una
relación lineal significativa entre Y y X. Esto indica que no sería válido el modelo de
regresión considerado, en este caso el modelo de regresión lineal.
43
Modelos de Previsión
Como el total de datos es de 689, y no existe este valor exacto en una tabla utilizaremos los
valores más cercanos a este número que corresponden a n=750 y k=5.
Los datos du y dl arrojan un valor similar por lo que utilizaremos este valor aproximado,
que corresponden a:
44
Modelos de Previsión
En este caso el indicador D-W cae en zona de aceptación de H0, por lo tanto no existe auto
correlación. Si no hay auto correlación, la relación entre los residuos será intermedia y por
tanto, el valor del estadístico experimental también alcanzará un valor intermedio.
Análisis de Homocedasticidad.
Dentro de los supuestos del modelo de regresión lineal clásico es que las perturbaciones
que aparecen en la regresión lineal son homocedásticos (todos tienen la misma varianza),
ahora analizaremos la validez de este supuesto, haciendo pruebas a las variables y al
modelo en sí, para corroborar que no existe heteroscedasticidad y que el supuesto de
homocedasticidad se cumple.
Tenemos que tener claro los valores a utilizar en nuestro test antes de comenzar tomando
un rango de número de datos de 200 y 500 datos respectivamente para comparar nuestro F
calculado, además con un 95% de confiabilidad (α=5%).
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,12868587
Coeficiente de determinación
R^2 0,01656005
R^2 ajustado -0,0016518
Error típico 0,49400978
Observaciones 276
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresió 0,9093009
n 5 1,10955479 0,22191096 9 0,47539922
Residuos 270 65,8923278 0,24404566
Total 275 67,0018825
45
Modelos de Previsión
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,2185187
Coeficiente de determinación
R^2 0,04775042
R^2 ajustado 0,03011617
Error típico 0,71536576
Observaciones 276
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresió 2,7078223
n 5 6,92861574 1,38572315 4 0,02086185
Residuos 270 138,172008 0,51174818
Total 275 145,100623
46
Modelos de Previsión
𝑆𝐶𝐸2 /𝐺𝐿2
𝜆= r1: 5
𝑆𝐶𝐸1 /𝐺𝐿1
r2: 270
λ= 2,09693621
Ftabla= 2,25072
interpolacion entre 500 y 200
47
Modelos de Previsión
Colinealidad:
Diagnósticos de colinealidada
Mode Dimensi Autovalo Índice Proporciones de la varianza
lo ón res de (Constan Falt_fon_p costo Falt_perso_ merc_do incert_d
condici te) rop calif m da
ón
1 5,542 1,000 ,00 ,00 ,00 ,00 ,00 ,00
2 ,137 6,358 ,48 ,17 ,19 ,00 ,02 ,01
3 ,107 7,185 ,40 ,19 ,00 ,00 ,21 ,17
1
4 ,082 8,215 ,02 ,14 ,00 ,93 ,02 ,08
5 ,078 8,414 ,07 ,32 ,66 ,07 ,04 ,15
6 ,053 10,199 ,03 ,18 ,14 ,00 ,70 ,58
a. Variable dependiente: Ventas_p
48
Modelos de Previsión
Correlaciones
Ventas_ Falt_fon_pr costo Falt_perso_ca merc_do incert_d
p op lif m da
Coeficien
te de
1,000 ,044 ,050 ,016 ,038 ,060*
correlació
Ventas_p n
Sig.
. ,123 ,086 ,565 ,179 ,036
(bilateral)
N 689 689 689 689 689 689
Coeficien
te de ,578*
,044 1,000 * ,492** ,419** ,488**
correlació
Falt_fon_pro n
p
Sig.
,123 . ,000 ,000 ,000 ,000
(bilateral)
N 689 689 689 689 689 689
Tau_b Coeficien
de te de 1,00
,050 ,578** ,520** ,514** ,501**
Kenda correlació 0
ll costo n
Sig.
,086 ,000 . ,000 ,000 ,000
(bilateral)
N 689 689 689 689 689 689
Coeficien
te de ,520*
,016 ,492** * 1,000 ,493** ,508**
correlació
Falt_perso_ca n
lif
Sig.
,565 ,000 ,000 . ,000 ,000
(bilateral)
N 689 689 689 689 689 689
Coeficien
te de ,514*
merc_dom ,038 ,419** * ,493** 1,000 ,627**
correlació
n
49
Modelos de Previsión
Sig.
,179 ,000 ,000 ,000 . ,000
(bilateral)
N 689 689 689 689 689 689
Coeficien
te de ,501*
,060* ,488** * ,508** ,627** 1,000
correlació
incert_dda n
Sig.
,036 ,000 ,000 ,000 ,000 .
(bilateral)
N 689 689 689 689 689 689
*. La correlación es significativa al nivel 0,05 (bilateral).
**. La correlación es significativa al nivel 0,01 (bilateral).
En donde la variable que mayor correlación tiene con la variación de las ventas es incertidumbre
de la demanda y la que menor correlación tiene es 0,38 que es mercado dominado por empresas
establecidas.
Análisis y conclusión.
El signo de las variables concuerdan con la teoría, por lo que en primera instancia
predecimos que vamos por buen camino.
El análisis realizado indicó que el modelo posee un grado de asociación lineal entre
todas las variables, de 99,9%, que es muy alto y que corroboró que las variables
identificadas eran correctas. destacando la más alta que sería la variable falta de
fondos propios con alto costo.
Además, el modelo no presenta heterocedasticidad según lo indicó el análisis de
residuos. Así el modelo propuesto no viola los supuestos de la regresión lineal
múltiple.
Según el cuadro que nos presenta la información de la tolerancia de cada variable y
del FIV (factor de inflación de la varianza). Según estos estadísticos la
multicolinealidad no parece afectar a ninguna de las variables.
50
Modelos de Previsión
9. Conclusiones
Las principales conclusiones es que el modelo diseñado no logra cumplir el objetivo de ser
utilizado para identificar qué obstáculos en la innovación, tienen una mayor influencia en el
incremento de las ventas, de las empresas del sector productivo y de servicios en Chile.
Esta conclusión se basa en que el modelo no fue significativo, tomando en cuenta el
coeficiente de correlación, coeficiente de determinación y el p-value, tanto para ser
utilizado en las empresas de servicios como de productos. A pesar de que no fue el
resultado esperado existía la posibilidad, y no quiere decir que todo el trabajo investigativo
este malo, más bien que las variables que elegimos no son las que explican nuestro
objetivo.
El análisis realizado indicó que el modelo posee un grado de asociación lineal entre todas
las variables explicativas, de 99,9%, que es muy alto y que corroboró que las variables
explicativas identificadas eran correctas, destacando la más alta que sería la variable falta
de fondos propios con alto costo para el sector servicio por lo cual podríamos decir que es
la que más dificulta a la hora de innovar e incide en el porcentaje de las ventas en las
empresas de servicio. Pero no existía una relación con la variable explicada (porcentaje de
ventas), por lo que esta variable explicada no era la correcta.
En el caso del modelo para las empresas de servicios nos da que el modelo es
homocedastico, según lo indicó el análisis de residuos. Así el modelo propuesto no viola
los supuestos de la regresión lineal múltiple.
En el caso del modelo para las empresas productoras nos da que el modelo es
heterocedastico, por lo cual inferimos que es posible que haya una omisión de variables
relevantes en el modelo especificado y también que las variables explicativas tienen una
gran dispersión respecto a sus propias medias. Por otro lado nos dio en este caso auto
correlación positiva en que podemos inferir que estamos omitiendo variables que pasan a
formar parte del término de error y, por tanto, si hay correlación entre distintas
observaciones de las variables omitidas, también la habrá entre distintos valores de los
términos de perturbación o en sí el modelo está mal planteado.
Según el cuadro que nos presenta la información de la tolerancia de cada variable y del FIV
(factor de inflación de la varianza). Según estos estadísticos la multicolinealidad no parece
afectar a ninguna de las variables.
Concluimos que a pesar de que no dan buenas las significancias de las variables y del
modelo, si se puede utilizar para las empresas de servicios teniendo en cuenta el error
aplicado al utilizarlo, no así para las empresas de productos ya que presenta autocorrelacion
y es heterocedastico, lo cual implica que el modelo no explicaría lo que queremos
investigar.
51
Modelos de Previsión
10. Bibliografía
Papers:
Hölzl W. & Janger J., Innovation barriers across firm types and countries, Austrian
Economic Research Institute: 2-4 (2011).
Mathison L., Gándara J., Primera C. & García L., INNOVACIÓN: FACTOR CLAVE
PARA LOGRAR VENTAJAS COMPETITIVAS, Revista NEGOTIUM: 66 (2007).
Talegeta S., Innovation and Barriers to Innovation: Small and Medium Enterprises in
Addis Ababa, Journal of Small Business and Entrepreneurship Development: 84
(2014).
Tesis
Libros
52
Modelos de Previsión
Direcciones electrónicas
http://www.centroamericainnova.com/contenido/las-5-barreras-para-la-innovacion-en-
las-empresas.aspx
http://www.corfo.cl/archivos/70_Casos_de_Innovacion.pdf
http://www.cooperativa.cl/noticias/site/artic/20160521/asocfile/20160521185429/cuent
a_publica_presidencial_2016.pdf
(https://adriangundy.com)
(http://www.pathways.cu.edu.eg/subpages/downloads/creativity_chapter_6.pdf)
(https://www.oecd.org/science/inno/39374789.pdf)
https://es.scribd.com/document/168939266/Teoria-de-La-Brecha-Tecnologica
https://www.efri.uniri.hr/sites/efri.uniri.hr/files/cr-collections/2/04-tkalec-vizek-2014-
1.pdf
http://www.asecu.gr/Seeje/issue18/jalali.pdf
http://economics.yale.edu/sites/default/files/melitz-130220.pdf
http://www.jepa-hq.com/ijeps/content/2006/articles/CortesIJEPS06.pdf
53
Modelos de Previsión
11. Anexos.
54