Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Figura 1. Liderazgo en Inteligencia Artificial. Adaptado de ASGARD, Top Countries in the Race
for Artificial Intelligence. Disponible en https://asgard.vc/global-ai/
La Figura 1 muestra que EE. UU. es el líder mundial con respecto a la innovación en AI,
seguidos de China e Israel. A nivel europeo Londres es la segunda ciudad del mundo en
número, seguida de París en décima posición. Invertir en AI para incorporar los beneficios
en la economía, adhiriéndola con un crecimiento económico de base, destacaría las
oportunidades que existen en la salud, el transporte, la energía, la agricultura, el turismo, el
comercio electrónico, la banca y la administración pública.
De acuerdo a la descripción de ASGARD, EE. UU. tiene el liderazgo en el campo de la IA:
registra la mayor cantidad de solicitudes de patentes de AI (15,317 en 2010-2014), tiene la
mayoría de las personas que trabajan en AI (aprox. 850,000) y representa la mayor parte de
las inversiones privadas en AI (66%) (p.15). En China la situación no es diferente. En julio
de 2017, dentro de su Plan de Desarrollo de AI de Próxima Generación, establece alcanzar
el mismo nivel en AI como Estados Unidos para 2020 y convertirse en el principal centro
de innovación de AI del mundo para 2030, y construir una industria nacional de AI por
22.200 millones de dólares, para 2020 y 5.100 millones de dólares para 2025. El número
de patentes en AI creció mucho más rápido, en 2017, China publicó 641 patentes
relacionadas con AI, comparadas con 130 en los Estados Unidos.
Figura 2. Países Top en Inteligencia Artificial. Adaptado de ASGARD, Top Countries in the Race
for Artificial Intelligence. Disponible en https://asgard.vc/global-ai/
(∫ )
1 1/ρ
ρ
Y t = At X di
¿ donde ρ>0
0
una elasticidad de sustitución inferior a uno significa que las tareas son complementos
generales. Intuitivamente, esta es una función de producción de "eslabón débil", donde el
PIB en cierto sentido está limitado por la salida de los eslabones más débiles. Aquí, estas
serán las tareas realizadas por el trabajo, y esta estructura es la fuente del efecto Baumol.
Como en Zeira, otra parte del cambio técnico es la automatización de la producción. Los
bienes que aún no se han automatizado se pueden producir uno por uno por mano de obra.
Cuando un bien ha sido automatizado, se puede usar una unidad de capital en su lugar.:
X i = L¿{
K ¿ Si no es automatizado.
Si es automatizado.
Una alternativa sería decir que los bienes se producen con una combinación de capital y
trabajo de Cobb-Douglas, y cuando un bien se automatiza, se produce con un exponente
más alto en el capital.
Romer (1986) sobre su libro que trata el crecimiento endógeno, eliminó la tendencia de los
rendimientos decrecientes del capital, supuso que el conocimiento era obtenido como un
subproducto de la inversión en capital físico, conocido como aprendizaje por la práctica
(learning by doing), planteado en los años 1960, por Arrow y Levhari, quienes afirmaron
que el progreso técnico presentaba un comportamiento endógeno, dados los efectos que
tienen, un mejor conocimiento de los hechos y el aprendizaje.
Romer afirma que, si una empresa aumenta su stock de capital físico a través de la
inversión, no incrementa solamente su propia producción sino también la de las empresas
que la rodean, dado que los conocimientos adquiridos por la organización que realiza la
inversión pueden ser utilizados por las demás, el rendimiento óptimo social del capital
físico es mayor que el rendimiento privado, por lo cual, el aumento en el stock de este
factor genera externalidades que hacen posible el crecimiento de la economía.
α 1−α η
Y t = A t K t Lt kt
z i=M i +γ i θ ∑ M j +T
( j≠ i )
Donde M i es la inversión de una empresa en I + D; γ i es la fracción de conocimiento en el
dominio público que la empresa puede asimilar y explotar, y representa la capacidad de
absorción de la empresa; θ es el grado de desbordamiento intraindustrial; y T es el nivel de
conocimiento extra-industrial. Las inversiones de otras empresas en investigación y
desarrollo, representadas por M i para j≠ i, también contribuyen a z i. El grado en que el
esfuerzo de investigación de una empresa puede extenderse a un conjunto de conocimientos
potencialmente disponibles para todas las demás empresas se caracteriza porθ donde o ≤0 ≤
I. Un valor de θ de uno significa que el esfuerzo de I + D de una empresa aumenta el
conjunto de conocimientos disponibles para otras empresas por el monto total de la I + D
de la empresa. Un valor de cero significa que los beneficios de la investigación son
apropiados exclusivamente por la empresa que realiza la investigación. Factores exógenos
como la forma de la política de patentesθ .
El modelo postula que la capacidad de una empresa para absorber el conocimiento
generado externamente depende de su esfuerzo en I + D. Suponemos que o ≤ γ i ≤ I.
Cuando γ i = I, la empresa absorbe todo el conocimiento que está en el dominio público.
Alternativamente, cuando γ i = o, la empresa no absorbe ninguno. Suponemos que la propia
I + D de la empresa aumenta la capacidad de absorción, γ M > o, aunque a un ritmo
decreciente, γ MM < o. Se considera que se está construyendo de forma acumulativa a través
del pasado y del esfuerzo actual de I + D.
Aghion y Howitt (1990) proponen un modelo de crecimiento y de innovación contenido por
la investigación, un bien intermedio y un bien de consumo, donde el número de bienes
intermediarios es fijo, el progreso técnico consiste en inventar un nuevo bien intermedio
para remplazar al viejo bien intermedio. La innovación de ese nuevo bien intermedio da la
iniciativa para un alza de productividad en la economía y para los periodos de largo plazo,
pues la tecnológica puede ser empleada en cualquier lapso.
La pérdida que sufre el productor del bien intermedio sustituido constituye una externalidad
negativa de la innovación, pues un aspecto destructor. El crecimiento proviene de la
innovación. La innovación es permitida por la acumulación del conocimiento
t
At = A0 γ
Y = A X α1 , X 2α , … , X αn ∀ α i=1
Zeira pensaba que los X i eran bienes intermedios, Acemoglu y Autor (2011) se refieren a
estos como tareas. Las tareas que aún no se han automatizado se pueden producir una por
una por mano de obra. Una vez que se automatiza una tarea, una unidad de capital puede
ser
Xi=
{
Li Si no es automatizado.
K i Si es automatizado.
Para generar un crecimiento perpetuo, los modelos de Solow y Cass introducen el aumento
del trabajo. La función de producción tiene el formato F (K , AL) , donde A sume un
aumento de la mano de obra que crece a la velocidad exógena. El crecimiento perpetuo es
factible porque la dotación de mano de obra efectiva crece con el tiempo e impulsa el
producto marginal del capital, lo que mantiene los incentivos para la acumulación.
Específicamente, la homogeneidad lineal de F:
lim F
n →∞
k ( KA , L)=0
la relación K/A permanece finita porque en estado estacionario K y A crecen a la misma
velocidad. Esta teoría se denomina mejor teoría con crecimiento más que teoría de
crecimiento porque el crecimiento surge de fuerzas estrictamente exógenas que la teoría no
intenta explicar. El gran avance de la teoría del crecimiento endógeno es precisamente
endogenizar el progreso técnico. Por ejemplo, en Romer (1986), el modelo innovador de
learning-by-doing, A es igual a K, y la tecnología se convierte en F ( K , KL ) . La
eliminación de los factores no reproducibles logra el mismo fin mediante un mecanismo
diferente. La idea clave es una implicación directa de la razón por la cual los factores no
reproducibles tienden a detener el crecimiento.
lim F k (K , L)=lim
n →∞ n→∞
( F ( KK , L) )= lim F (1 , KL )
n→ ∞
(∫ )
N σ−1
~ σ−1 σ
Y =B yi di
N −1
σ
~
donde B > 0. Todas las tareas y el bien final se producen de manera competitiva. El hecho
de que los límites de integración se ejecuten entre N-1 y N impone que la medida de las
tareas utilizadas en producción siempre se mantenga en 1. Una nueva tarea (más compleja)
reemplaza o actualiza la tarea de índice más bajo. Por lo tanto, un aumento en N representa
la mejora de la calidad (productividad) de la unidad de medida de tareas. Cada tarea se
produce combinando mano de obra o capital con un intermedio q i específico de la tarea,
que incorpora la tecnología utilizada para la automatización o para la producción con mano
de obra. Para simplificar la exposición, comenzamos suponiendo que estos intermedios se
suministran de manera competitiva y que se pueden producir utilizando ψ unidades del
producto final.
Por lo tanto, la teoría de Romer (1990) forma la parte fundamental de este documento,
siendo complementado por el enfoque de Solow, Aghion, Zeida, Acemoglu y Restrepo.
4. Antecedentes
Aghion et al. (2017) parten de un modelo simple de automatización de la producción de
bienes y servicios, similar a Acemoglu & Restrepo (2016), que compensan la pérdida de las
tareas que se realizan. En su modelo, la pérdida de tareas para el trabajo humano es
asumidas por la automatización, puede compensarse mediante el crecimiento de nuevas
tareas que vienen con la innovación. Esto se puede convertir en un modelo de crecimiento
que coincida con los hechos de Kaldor observados empíricamente cuando se introduce la
"enfermedad de costo" de Baumol en el modelo de crecimiento, es decir, los sectores de
rápido crecimiento que experimentan una participación en el PIB en disminución debido a
que el precio relativo de sus productos disminuye. En comparación con el precio de los
productos de los sectores de crecimiento lento que están menos sujetos a la automatización.
Aghion et al (2017) muestran que, en estas condiciones, y con una tasa de crecimiento
constante del PIB, la automatización que avanza rápidamente aún puede mantener
constantes las participaciones de capital y salarios en el PIB a largo plazo, incluso si la
automatización reemplaza a la mayoría de los empleos. La automatización ejerce una
presión al alza sobre la participación del capital en el PIB, pero esto se ve retrasado por la
disminución de los precios de la producción de los sectores automatizados.
El pensamiento económico sobre la automatización gira en torno a dos polos opuestos. Los
modelos que se centran en la complementariedad entre hombres y máquinas predicen que el
impacto del progreso tecnológico en el ahorro se compensa con salarios más altos,
crecimiento económico y más empleo en otros sectores. Por el contrario, los modelos de
sustitución afirman que la tecnología provoca el desplazamiento del trabajo y conduce a la
polarización, la pérdida de calificaciones y posiblemente una economía sin empleo (Autor,
2015; Agrawal, Gans y Goldfarb 2018).
A pesar del progreso tecnológico masivo y la sustitución del trabajo humano por máquinas
en casi todos los sectores, el empleo y los ingresos han aumentado sustancialmente en los
últimos dos siglos, aunque hay indicios de que la participación laboral del ingreso está
disminuyendo (Karabarbounis y Neiman, 2014). Si bien el empleo generalmente aumenta,
este no es necesariamente el caso. Además, si esta ganancia a largo plazo fue precedida por
un dolor a corto plazo, debemos entender los mecanismos para explotar los beneficios de
las transiciones tecnológicas. Y por supuesto, esta vez puede ser diferente.
Una discusión del modelo tradicional de sustitución de capital-trabajo donde se supone que
la tecnología aumenta los factores, lo que significa que el progreso tecnológico actúa como
si aumentara las unidades efectivas de uno de los factores de producción en el crecimiento
económico. Contrastamos este modelo con un modelo basado en tareas más reciente
(Acemoglu y Restrepo, (2016, 2017, 2018) que se ha convertido en un fuerte contendiente
en el debate sobre el impacto de la inteligencia artificial en el empleo. XSu modelo
reemplaza el aumento de factores con sustitución directa entre tareas humanas y
(automatizadas) ejecutadas por máquina. Aunque deja la posibilidad de aumentar la
demanda de mano de obra a través de los efectos de la productividad y la acumulación de
capital, la automatización no conducirá a una expansión proporcional de la demanda de
mano de obra debido a un poderoso efecto de desplazamiento. evidencia empírica sobre la
relación entre la proliferación de la IA y el empleo en el contexto de ambos modelos.
El análisis de la relación entre la Inteligencia Artificial y el crecimiento económico toma su
base en la evidencia empírica de crecimiento económico a largo plazo de Kaldor (Capital
Accumulation and Economic Growth, 1961) donde expone que las tasas de crecimiento y la
participación del capital en el ingreso general es estable la innovación tecnológica.
Actualmente, varios estudios sobre la afectación de la Inteligencia Artificial en el
Crecimiento Económico se han desarrollado, pues, se ha observado una relación entre la
innovación tecnológica y la producción en los bienes totales de un país, lo que puede ser de
utilidad para explicar el impacto.
Por otro lado, Acemoglu y Restrepo en su artículo “The Race Between Machine And Man:
Implications Of Technology For Growth (2013), Factor Shares And Employment” explican
que la automatización acelerada de las tareas realizadas por el trabajo plantea
preocupaciones de que las nuevas tecnologías harán que el trabajo sea redundante. Las
disminuciones en la participación laboral en el ingreso nacional y la relación empleo-
población a menudo se interpretan como evidencia de respaldo de las afirmaciones de que,
como la Inteligencia Artificial penetra en la economía. La importancia de comprender
cómo y cuándo la automatización transformará el mercado laboral, sino también del hecho
de que se han hecho afirmaciones similares con el crecimiento de la economía. Proponen
un marco unificado en el que las tareas realizadas anteriormente por el trabajo estén
automatizadas, mientras que al mismo tiempo otras tecnologías nuevas complementan el
trabajo, específicamente, en nuestro modelo esto toma la forma de la introducción de
nuevas tareas en las que el trabajo tiene una ventaja comparativa en tareas nuevas y más
complejas. el empleo y la participación laboral pueden permanecer estables a largo plazo,
incluso frente a la rápida automatización.
Mientras tanto, Bornmann y Mutz (2014) públican su análisis “Growth Rates of Modern
Science: A Bibliometric Analysis Based on the Number of Publications and Cited
References” sus resultados muestran que la tecnología y la ciencia está creciendo de
manera exponencial (en un cierto período en un cierto porcentaje) y duplica su tamaño cada
10 a 15 años. Para ello (a) utilizamos los datos actuales hasta la publicación. año 2012 y (b)
analizar los datos en todas las disciplinas y también por separado para las ciencias naturales
y para las ciencias médicas y de la salud. Además, los datos se analizan con una técnica
estadística avanzada (análisis de regresión segmentada) que puede identificar segmentos
específicos con tasas de crecimiento similares en la historia de la ciencia.
Aghion, F. Jones y I. Jones (2017) en su artículo “Artificial Intelligence and Economic
Growth” consideran las implicaciones de la Inteligencia Artificial para el crecimiento
económico. La Inteligencia Artificial se puede definir como "la capacidad de una máquina
para imitar el comportamiento humano inteligente" o "la capacidad de un agente para lograr
objetivos en una amplia gama de entornos". Estas definiciones evocan inmediatamente
problemas económicos fundamentales. ¿qué pasa si Inteligencia Artificial permite que un
número cada vez mayor de tareas previamente realizadas por el trabajo humano se
automatice? Inteligencia Artificial pueden desplegarse en la producción ordinaria de bienes
y servicios, lo que podría afectar el crecimiento económico y la participación en los
ingresos. Pero A.I. También puede cambiar el proceso mediante el cual creamos nuevas
ideas y tecnologías, ayudando a resolver problemas complejos y escalando el esfuerzo
creativo. En versiones extremas, algunos observadores han argumentado que A.I. puede
convertirse rápidamente en auto-mejora, liderando
Mientras tanto, Goolsbee (2018) en su documento llamado “Public Policy In An Ai
Economy” reune a una combinación de académicos de tecnología y economía para pensar
ampliamente sobre el papel de la Inteligencia Artificial en la economía, la mayor parte de la
discusión sobre una economía dominada por la Inteligencia Artificial se ha centrado en los
robots y el futuro del trabajo. Sugieren que, en la investigación, los economistas
generalmente han sido menos pesimistas cuando piensan en el papel de la IA en los
empleos y aumentaron los salarios en la economía en general y destacaron las ventajas que
las nuevas tecnologías. El principal impacto económico de estas tecnologías será lo buenas
que son. Si los avances recientes continúan, Inteligencia Artificial tiene el potencial de
mejorar la calidad de nuestros productos y nuestro nivel de vida. Si Inteligencia Artificial
nos ayuda a diagnosticar mejor los problemas médicos, mejora nuestra seguridad en la
carretera, nos devuelve las horas de nuestro día que pasamos conduciendo en el tráfico.
5. Hipótesis
Existe una relación positiva entre la Inteligencia Artificial y el Crecimiento Económico de
los países top y el crecimiento económico en el periodo (2019-2025).
6. Objetivos
Objetivo General
Identificar la relación entre la Inteligencia Artificial y el Crecimiento Económico de los
países top/líderes (Estados Unidos, China e Israel) y durante el periodo (2019-2025)
7. Objetivos Específicos
Definir el concepto de la Inteligencia Artificial.
Identificar las variables correspondientes en la relación entre la Inteligencia Artificia y
Crecimiento Económico.
Reunir datos que permitan estructurar la relación de la Inteligencia Artificial a partir de los
estudios realizados.
Estructurar una base de datos en el modelo de medición de los países líderes, que permita
hallar la relación entre la Inteligencia Artificial y el Crecimiento Económico.
8. Diseño metodológico.
El presente trabajo de investigación tiene como propósito identificar la relación entre la AI
y el crecimiento económico, a partir del análisis de variables que influyen en la innovación
tecnológica que afectan los modelos económicos de países aquí tratados. Se realiza una
recolección y descomposición de datos, haciendo uso de herramientas estadísticas y
econométricas, siendo el presento trabajo es de naturaleza cuantitativa.
Así mismo, el enfoque es de índole investigativo, que no intenta dar explicación al uso de
nuevas tecnologías, sino identificar cual es la relación del uso de nuevas tecnologías y de
avances tecnológicos en el crecimiento económico respecto del problema investigado, con
varias sugerencias de aspectos ya relacionadas que explican el allegado comportamiento y
que puede indagarse con mayor amplitud en el futuro, pues el desarrollo tecnológico ligado
a la economía es una relación que apenas comienza y tiene evidencia que llego para
quedarse.
Para definir el concepto de la Inteligencia Artificial y de acuerdo a lo expuesto por los
pioneros Turing y McCarthy sobre Inteligencia Artificial y que se ha desarrollado a través
del tiempo, se revisará cada uno de los componentes integrados a la Inteligencia Artificial
que representan un afianzamiento del concepto, seleccionando uno que se adapte a la
relación que presenta la economía y la tecnología y que se ajuste a las aplicaciones de
avance tecnológico en los países seleccionados del top/líderes del uso de Inteligencia
Artificial.
Una vez se tenga la definición del concepto de Inteligencia Artificial, se identificará las
variables que correspondan y acercar la causalidad en la relación entre la Inteligencia
Artificia y Crecimiento Económico. Se construirán con base a otras investigaciones
realizadas en el empleo de tecnología, desarrollos tecnológicos e innovación en la
economía, en esta parte se deberá definir cuál de los avances de tecnología e innovación se
tendrá encuentra para que se pueda medir la relación en el crecimiento económico en el top
de países líderes en el uso de la Inteligencia Artificia.
Cuando se haya seleccionado las innovaciones para la construcción de la base de datos, se
iniciará la búsqueda de datos que conformarían las variables que definirían cada una de
estas, dicha búsqueda requiere que los datos reflejen un alto grado de confianza.
Después de haber definido el concepto de Inteligencia Artificial, se hayan identificado las
variables y se encuentre información para constituir una base de datos que pueda
fundamentar el problema expuesto, se continuara con la estructuración de la base de datos
para con un modelo de medición de los países líderes (Estados Unidos, China e Israel),
permita determinar una causal de relación entre la Inteligencia Artificial y el Crecimiento
Económico.
9. Metodología.
El presente trabajo de investigación tiene como propósito hallar una relación positiva entre
la AI y el crecimiento económico, a partir del análisis de implementación de tecnología en
la economía de Estados Unidos, China e Israel. Este trabajo es de naturaleza cuantitativa,
dado que se realiza una recolección y descomposición de datos, haciendo uso de
herramientas estadísticas y econométricas.
Con un enfoque exploratorio y de investigación, pues, no se quiere dar explicación respecto
a la implementación de la innovación en estas economías, sino sólo recolectar e identificar
como afecta las variables macroeconómicas mediante la definición de AI antecedentes
generales, números y cuantificaciones, temas y tópicos respecto del problema investigado,
dejando un camino abierto de aspectos relacionados que puede ser examinado a
profundidad en futuras investigaciones.
Para la recolección y el análisis de la información, este trabajo se empezará a desarrollar a
partir del documento “Artificial Intelligence and Economic Growth” (Aghion, B. Jones y
Charles Jones, 2018), el cual hace una descripción de los modelos implementados por
economistas como Zeira, Schumpeter.. quienes a partir de su modelo de crecimiento
económico han implementado la tecnología o la innovación. Se revisa cada aspecto
impuestos en el documento y así determinar la manera en como en cada modelo partiendo
de la restricción de información estadística con la que se podría contar y tomando como
guía aplicaciones empíricas que se hayan desarrollado con dichos modelos en otros países.
Una vez se tenga seleccionado el modelo que se va a emplear para el conocimiento de la
relación, iniciará la construcción de dimensiones, las cuales8 se construirán en base a otras
investigaciones ajustadas a la realidad nacional, en esta parte se deberá definir las
dimensiones para Colombia que mejor se adapten a las exigencias normativas que se
requieran.
Una vez seleccionadas las dimensiones para la construcción del MDM se iniciará la
búsqueda de datos que conformarían las variables que definirían cada una de estas, dicha
búsqueda requiere que los datos reflejen un alto grado de confianza, por lo que las
encuestas realizadas por el Departamento Nacional de Estadística (DANE) resultan ser un
elemento apropiado para dicho fin.
A partir de los datos obtenidos, se construirá la matriz con la cual se desarrollará el índice
de desigualdad multidimensional para Colombia, dicha matriz estará compuesta por:
10. Descripción de datos
La descripción de datos se toma como base la información otorgada por WIPO IP Statistics
Data Center, se extraen de la base de datos estadísticos de propiedad intelectual de la
OMPI y de la edición de primavera de 2018 de la base de datos PATSTAT de la Oficina
Europea de Patentes.
La recopilación de estos datos abarca información global y regional de propiedad
intelectual (intellectual property IP), importante herramienta de política, negociación y
tecnologia a nivel mundial. La encuesta periódica sobre propiedad intelectual de la OMPI
abarca patentes, modelos de utilidad, marcas, diseños industriales y variedades de plantas.
.
Cobertura de la encuesta de la oficina de PI Se solicita a las oficinas de PI que informen los
datos por origen (país o territorio) de las solicitudes, subvenciones o registros.
Sin embargo, algunas oficinas no pueden proporcionar un desglose detallado. No obstante,
estas oficinas informan un total agregado o un desglose simple por el total de residentes y el
total de no residentes. Por esta razón, los totales para cada origen no se reportan. Sin
embargo, las acciones de origen desconocido de los totales de 2017 son bajas: solo el 0,8%
para solicitudes de patentes, el 0,8% para recuentos de clase de solicitud de marca
registrada y el 0,7% para recuentos de diseño de aplicaciones.
Estimación de totales mundiales
Los totales mundiales para solicitudes y subvenciones / registros de patentes, modelos de
utilidad, marcas, diseños industriales y variedades de plantas son estimaciones de la OMPI.
Los datos no están disponibles para todas las oficinas de propiedad intelectual para cada
año. Los datos faltantes se estiman utilizando métodos como la extrapolación lineal y el
promedio de puntos de datos adyacentes. El método de estimación utilizado depende del
año y la oficina en cuestión. Cuando una oficina proporciona datos que no están
desglosados por origen, la OMPI calcula los recuentos de residentes y no residentes
utilizando las partes históricas de esa oficina. Los datos están disponibles para la mayoría
de los más grandes
oficinas; solo se estiman pequeñas cuotas de los totales mundiales.
Por ejemplo, la estimación del número total de patentes
Aplicaciones en todo el mundo cubren 156 oficinas. Los datos son
Disponible para 120 de ellos, que representan el 99,5% de
El total mundial estimado.
Datos nacionales e internacionales Los datos de solicitud y de concesión / registro incluyen
datos tanto de solicitudes directas como de solicitudes a través de sistemas internacionales
administrados por la OMPI (cuando corresponda). Para patentes
y modelos de utilidad, los datos incluyen presentaciones directas en las oficinas nacionales
de patentes, así como entradas de la fase nacional PCT. Para las marcas registradas, los
datos incluyen presentaciones en oficinas nacionales y regionales y designaciones recibidas
por las oficinas pertinentes a través del Sistema de Madrid. Para los diseños industriales, los
datos incluyen aplicaciones nacionales y regionales combinadas con designaciones
recibidas por las oficinas pertinentes a través del Sistema de La Haya.
Comparabilidad internacional de los indicadores Se han realizado todos los esfuerzos para
compilar estadísticas de PI basadas en las mismas definiciones y para facilitar la
comparabilidad internacional. Aunque los datos se recogen de
las oficinas que utilizan cuestionarios de la encuesta anual armonizada de propiedad
intelectual de la OMPI, las leyes y reglamentos nacionales para presentar solicitudes de
propiedad intelectual o para emitir derechos de propiedad intelectual, así como las prácticas
de información estadística, pueden diferir entre las distintas jurisdicciones. Debido a la
continua actualización de datos y
En la revisión de estadísticas históricas, los datos de este informe pueden diferir de los
datos de ediciones anteriores y de los datos disponibles en el sitio web de la OMPI.
Cambio en el método de conteo de aplicaciones IP por parte de CNIPA Debido a un cambio
en el método por el cual la Administración Nacional de Propiedad Intelectual de la
República Popular China (CNIPA) calcula el número de solicitudes de patente, modelo de
utilidad y diseño industrial.
Los datos sobre el número de solicitudes presentadas en China en 2017 no son comparables
con los datos de años anteriores. Antes de 2017, estos datos incluían todas las solicitudes
recibidas; sin embargo, a partir de 2017,
solo incluyen las solicitudes para las cuales la oficina ha recibido las tarifas de solicitud
necesarias. Como resultado, no es significativo informar las tasas de crecimiento en el
número de solicitudes de patentes, modelos de utilidad y diseño industrial presentadas en
China en 2017 en comparación con 2016.
Además, dado que China representa una proporción tan grande de aplicaciones IP a nivel
mundial, no es significativo informar las tasas de crecimiento en el número de solicitudes
presentadas en todo el mundo en 2017 en comparación con 2016.
CNIPA ha informado una tasa de crecimiento del 14,2% en el número de solicitudes de
patente presentadas en 2017 en comparación con 2016, sin ningún desglose entre las
presentaciones de residentes y no residentes. La tasa de crecimiento del 14.2% se calcula
con base en el nuevo método. Recalculando el numero
El número de solicitudes de patente presentadas en China en 2016 de acuerdo con el nuevo
método sugiere una tasa de crecimiento estimada del 5,8% en el número de solicitudes de
patente presentadas en todo el mundo en 2017 en comparación con 2016.
Este informe proporciona tasas de crecimiento promedio a largo plazo en el número de
solicitudes de patentes, modelos de utilidad y diseño industrial, ya que se espera que el
impacto del cambio en la metodología descrita anteriormente sea relativamente limitado a
largo plazo.
11. Variables.
Deloitte Insights, January 22, (2018). https “The Fourth Industrial Revolution is here are
you ready?”, https://www2.deloitte.com/insights/us/en/deloitte-review/issue-22/
industry-4-0-technology-manufacturing-revolution.html.
Acemoglu, D., Autor, D.,(2011) Skills, Tasks and Technologies:Implications for
Employment andEarnings. Handbook of Labor Economics,Volume 4b, Chapter 12.
Aghion, P., Howitt, P., (1992). “A Model of Growth Through Creative Destruction."
Econometrica 60, no. 2: 323-351. http://nrs.harvard.edu/urn-
3:HUL.InstRepos:12490578.
Fernández, E., Gómez, E., Hernández, J., Sheng, L., Martens, B., Martínez, F., y Tolan S.,
(2017) “A multidisciplinary task-based perspective for evaluating the impact of AI
autonomy and generality on the future of work” Joint Research Centre, European
Commission, Universitat Pompeu Fabra, Universitat Politécnica de Valencia,
University of Cambridge
Accenture, (2017). “Cómo la inteligencia artificial puede generar crecimiento en
Sudamérica”.
Dauthy, W., Findeisenz, S., Suedekum, J., Woessner, N., (2018) “Adjusting to Robots:
Worker-Level Evidence”.
P. Aghion, B. F. Jones y C. I. Jones (2017), “Artificial Intelligence And Economic Growth”
NATIONAL BUREAU OF ECONOMIC RESEARCH 1050 Massachusetts Avenue
Cambridge, MA 02138 October 2017. http://www.nber.org/papers/w23928.
Asgard, (2018), “Artificial Intelligence – A strategy for European startups”.
McKinsey Global Institute (2017), “Artificial intelligence: The time to act is now”
Advanced Electronics December 2017.
Kaldor, N., (1962), “Capital accumulation and economic growth” Seminar on the
programming of economic development, Cambridge College.
Alvarez-Cuadrado, F., Van Long, N., and Poschke, M., (2017), “Capital–labor substitution,
structural change, and growth”. The Econometric Society. Licensed under the
Creative Commons Attribution-NonCommercial License 4.0. Available at
http://econtheory.org. DOI: 10.3982/TE2106.
Peretto, P., Seater, J., (2013), “Factor-eliminating technical change” Journal of Monetary
Economics 60 (2013) 459–473, journal homepage: www.elsevier.com/locate/jme.
Cohen, W., Levinthal, D., (1989), “Innovation and Learning: The Two Faces of R & D”
The Economic Journal, Vol. 99, No. 397. (Sep., 1989), pp. 569-596.
http://links.jstor.org/sici?
sici=00130133%28198909%2999%3A397%3C569%3AIALTTF%3E2.0.CO%3B2-
P.
Acemoglu, D., Restrepo, P., (2017), The Race Between Machine and Man: Implications of
Technology for Growth, Factor Shares and Employment” NBER Working Paper No.
22252 - Issued May 2016.
Romer, P., (1990), “Endogenous Technological Change” The Journal of Political Economy,
Vol. 98, No. 5, Part 2: The Problem of Development: A Conference of the Institute
for the Study of Free Enterprise Systems. (Oct., 1990), pp. S71-S102.
Gerald Destinobles, A.: (2007) Introducción a los modelos de crecimiento económico
exógeno y endógeno. Edición electrónica gratuita. Texto completo en
www.eumed.net/libros/2007a/243/.
Los datos están disponibles en el Centro de datos estadísticos de la OMPI en
www.wipo.int/ipstats.