per Àlex Fabregat Tomàs i Aleyois Haro Peralta

Peter F. Drucker, “El que no es mesura no es pot gestionar”

Donada l’àmpliament reconeguda relació positiva entre innovació, creixement econòmic i competitivitat, és clau elaborar sistemes de mesura dels factors que influeixen en la primera. Certament, i com ja identifica el Manual d’Oslo, la capacitat innovadora de les empreses es veu significativament afectada per agents i factors regionals com ara la presència d’universitats, instituts de recerca, centres tecnològics i d’innovació, clústers empresarials, fons de finançament privat i iniciatives de dinamització territorial. És per tant crucial poder identificar, mesurar i gestionar els principals elements que afavoreixen l’activitat innovadora i el desenvolupament de sectors específics a escala regional, amb la finalitat d’orientar les polítiques públiques cap a la innovació i l’emprenedoria. En aquesta línia, els estats membres i les regions han de desenvolupar les seves estratègies per a l’especialització intel·ligent (RIS3, de les sigles en anglès Research Innovation Strategies for Smart Specialisation). El que es pretén és que les regions potenciïn les especialitzacions econòmiques i de coneixement que s’ajustin millor al seu potencial d’innovació, sobre la base dels seus actius i capacitats.

Sota l’actual criteri de divisió territorial, les mètriques emprades per avaluar la capacitat d’innovació estan desagregades a escala NUTS2, que a l’Estat espanyol es correspon a comunitats autònomes. Així, Catalunya apareix com una de les regions europees a escala NUTS2 amb més pes des del punt de vista demogràfic i macroeconòmic. Com a resultat, els estudis presenten una limitació fonamental, ja que no permeten capturar les grans variacions socioeconòmiques dins del territori català. Estendre els resultats a escales més fines (NUTS3/província) resulta, doncs, imprescindible per poder definir polítiques regionals destinades a maximitzar les possibilitats de creixement d’acord amb les potencialitats i característiques de cada regió.

En aquest sentit, disposar d’un sistema d’indicadors a escala NUTS3 permetria (i) elaborar una anàlisi a escala regional incrementant la granularitat dels resultats, (ii) mesurar l’evolució i l’efecte de les polítiques d’innovació i (iii) realitzar exercicis de benchmarking a fi d’identificar les fortaleses i debilitats regionals i les bones pràctiques d’altres sistemes. En definitiva, es tracta d’elaborar un quadre de comandament que fonamenti la presa de decisions, tant en l’àmbit públic com privat, en matèria d’innovació i desenvolupament regional.

Atès el reconeixement a escala europea del Regional Innovation Scoreboard (RIS) com a instrument per mesurar l’impacte de les polítiques d’innovació, sembla natural que un primer pas per incrementar la granularitat de l’anàlisi sigui reproduir els indicadors d’innovació del RIS a escala NUTS3. Les dades amb què s’elabora el RIS provenen de la principal base de dades estadístiques en l’àmbit europeu, l’Eurostat. Aquesta, al seu torn, s’alimenta majoritàriament de dades provinents de cadascun dels estats membres. Si ens centrem en l’àmbit de la innovació, les mètriques que compilen i estructuren tant els estats membres com l’Eurostat s’obtenen d’acord amb models del tipus input-ouput, que sovint presenten notables limitacions per capturar les complexes dinàmiques que determinen el nivell d’innovació d’una regió. Més recentment, les bases de dades s’han complementat amb indicadors i índexs compostos dissenyats per proporcionar una imatge més acurada del mapa d’innovació europeu.

El quadre 1 mostra, per a cadascun dels 18 indicadors compostos del RIS, quina ha estat la font de dades a escala NUTS2 emprada i quina és la disponibilitat de dades a escala NUTS3. Com es pot apreciar a la taula, no hi ha dades disponibles per estimar la major part dels indicadors en l’àmbit provincial. Aquesta limitació a l’hora d’ampliar els resultats del RIS a escala NUTS3 respon a dues problemàtiques: (i) la disponibilitat de dades desagregades a escala provincial i (ii) la reproductibilitat del procediment per determinar l’indicador compost.ç

Com a exemple de la primera limitació, l’Enquesta comunitària d’innovació (CIS), igual que la majoria d’enquestes realitzades en l’àmbit estatal o europeu, es fa a escala NUTS2. Típicament, la desagregació provincial dels resultats d’aquestes enquestes no permet obtenir un nivell satisfactori de representativitat de les dades. Una possible solució consistent a modificar la metodologia de l’enquesta i ampliar l’àmbit territorial de mostra dirigida a corregir la falta de representativitat a escala NUTS3 resulta gairebé inviable per l’elevat cost associat.

Quadre 1. Indicador compost, font a escala NUTS2 (RIS) i disponibilitat a escala NUTS3

D’altra banda, l’elaboració d’alguns dels indicadors del RIS s’ha externalitzat en organitzacions que limiten l’accés a la metodologia emprada. Fins i tot, amb les dades disponibles, aquestes mancances en la descripció del procediment impossibiliten la reproducció de l’indicador a escala NUTS3.

Per tal de superar aquestes dues limitacions a l’hora de determinar alguns dels indicadors compostos a escala regional, una alternativa consisteix en l’ús d’eines de Statistical Learning per construir algun tipus de model que permeti establir relacions quantificables entre aquestes variables dependents (els indicadors) i un conjunt de variables independents per a les quals se sospita algun tipus de dependència.

D’entre la gran varietat de tècniques disponibles, els models lineals multivariables (MLR per les seves sigles en anglès) es posicionen com l’opció més adequada, ja que permeten dilucidar les possibles relacions entre variables, són de fàcil interpretació i permeten determinar el pes específic de cadascuna de les variables independents. De fet, aquestes eines han estat emprades en el mateix RIS per determinar l’indicador compost: exportacions d’alt valor afegit (RXA en el document original). Així, els MLR han permès investigar la dependència entre aquest valor i tretze variables que inclouen, entre d’altres, el nombre de patents, el producte interior brut per càpita, la densitat de població, etc.

Com a exemple per a aquest cas en concret, el gràfic mostra el valor dels coeficients lineals per a les tretze variables independents en el conjunt de regions amb especialització tecnològica de grau mitjà. El color representa el grau de confiança estadística en l’estimació del coeficient (més alt en color vermell). Aquests resultats indiquen que, per a aquesta mostra de regions en concret, el RXA depèn clarament del nombre de clústers industrials i de la capacitat de patentar.

Figura 1. Valors dels coeficients per als MLR d’exportacions d’alt valor afegit

Un altre avantatge dels MLR és que permeten fer prediccions sobre quin serà el comportament de la variable dependent sota unes altres condicions d’acord amb el model proposat.

Així, aquest tipus d’eines es perfilen com l’estratègia més adequada per estimar els indicadors no disponibles a escala NUTS3. La principal dificultat consisteix a trobar quin és el conjunt de variables amb què l’indicador en qüestió presenta una clara dependència. L’aproximació al problema consistiria, doncs, a establir un conjunt de regions NUTS2 que per les seves característiques són molt similars a Tarragona i “entrenar” els MLR per determinar com l’indicador en qüestió depèn de les variables escollides.

Per últim, convé afegir que un dels altres reptes a tenir en compte a l’hora de construir un quadre d’indicadors és mesurar l’efecte de la innovació en àmbits claus per al desenvolupament regional com la cultura, la societat, la salut o el medi ambient.