por Àlex Fabregat Tomàs y Aleyois Haro Peralta

Peter F. Drucker, “Lo que no se puede medir (o no se mide) no se puede mejorar”

La relación positiva entre innovación, crecimiento económico y competitividad es ampliamente reconocida; de ahí que resulte clave elaborar sistemas de medida de factores que influyan en la primera de ellas. Ciertamente, como identifica el Manual de Oslo, la capacidad innovadora de las empresas se ve significativamente afectada por agentes y factores regionales, como la presencia de universidades, institutos de investigación, centros tecnológicos y de innovación, clústeres empresariales, fondos de financiación privada e iniciativas de dinamización territorial. Por tanto, es crucial identificar, medir y gestionar los principales elementos que favorecen la actividad innovadora y el desarrollo de sectores específicos a escala regional, para orientar las políticas públicas hacia la innovación y el emprendimiento. En esta línea, los estados y las regiones deben desarrollar estrategias para la especialización inteligente (RIS3, acrónimo inglés de Research Innovation Strategies for Smart Specialisation). Se pretende así que las regiones potencien las especializaciones económicas y de conocimiento que mejor se ajusten a su potencial de innovación, sobre la base de sus activos y capacidades.

Conforme al actual criterio de división territorial, las métricas utilizadas para evaluar la capacidad de innovación se presentan desagregadas a escala NUTS2, lo que, en el caso del Estado español, se corresponde con las comunidades autónomas. Así, Cataluña aparece como una de las regiones europeas de nivel NUTS2 con más peso desde el punto de vista demográfico y macroeconómico. Como resultado, los estudios presentan una limitación fundamental, pues no permiten reflejar las grandes variaciones socioeconómicas que se dan dentro del territorio catalán. Extender los resultados a escalas más reducidas (NUTS3/provincia) resulta, pues, imprescindible para definir políticas regionales destinadas a maximizar las posibilidades de crecimiento de acuerdo con las potencialidades y características propias.

Disponer de un sistema de indicadores a escala NUTS3 permitiría (i) elaborar un análisis a nivel regional incrementando la granularidad de los resultados, (ii) medir la evolución y el efecto de las políticas de innovación y (iii) realizar ejercicios de benchmarking a fin de identificar las fortalezas y debilidades regionales y las buenas prácticas de otros sistemas. En definitiva, se trata de elaborar un cuadro de mando que apoye la toma de decisiones, tanto en el ámbito público como en el privado, en materia de innovación y desarrollo regional.

El Regional Innovation Scoreboard (RIS) es el instrumento reconocido para medir el impacto de las políticas de innovación; así, parece natural que, en un primer estadio, para incrementar la granularidad del análisis, este reproduzca los indicadores de innovación del RIS a nivel NUTS3. Los datos con que se elabora el RIS provienen de la principal base de datos estadística europea, el Eurostat. Esta, a su vez, se alimenta principalmente de datos procedentes de los estados miembros. Si nos centramos en el ámbito de la innovación, las métricas que cumplen y estructuran tanto los estados miembros como Eurostat se obtienen a partir de modelos de tipo input-output, que a menudo presentan notables limitaciones para capturar las complejas dinámicas que determinan el nivel de innovación de una región. Más recientemente, las bases de datos se han complementado con indicadores e índices compuestos diseñados para proporcionar una imagen más rigurosa del mapa de innovación europeo.

El cuadro 1 muestra, para cada uno de los 18 indicadores compuestos del RIS, cuál ha sido la fuente de datos a nivel NUTS2 utilizada y cuál es la disponibilidad de datos a nivel NUTS3. Como se puede apreciar en la tabla, no hay datos disponibles para estimar la mayor parte de los indicadores a nivel provincial. Esta limitación a la hora de ampliar los resultados del RIS a escala NUTS3 responde a dos problemáticas: (i) la disponibilidad de datos desagregados a escala provincial y (ii) la reproducibilidad del procedimiento para determinar el indicador compuesto.

Como ejemplo de la primera limitación, la Encuesta de la Comunidad sobre Innovación (CIS), al igual que la mayoría de las encuestas realizadas en el ámbito estatal o europeo, se hace a escala NUTS2. Típicamente, la desagregación a nivel provincial de los resultados de estas encuestas no permite obtener una representatividad de los datos satisfactoria. Una posible solución, que consiste en modificar la metodología de la encuesta y ampliar el ámbito territorial de la muestra, para corregir la falta de representatividad a nivel NUTS3, resulta casi inviable por el elevado coste asociado.

Cuadro 1. Indicador compuesto, fuente a nivel NUTS2 (RIS) y disponibilidad a nivel NUTS3

Por otro lado, la elaboración de algunos indicadores del RIS se ha externalizado a organizaciones que limitan el acceso a la metodología utilizada. Incluso con los datos disponibles, estas carencias en la descripción del procedimiento imposibilitan la reproducción del indicador a nivel NUTS3.

Para superar estas dos limitaciones a la hora de determinar algunos de los indicadores compuestos a escala regional, una alternativa consiste en utilizar herramientas de stadistical learning para construir algún tipo de modelo que permita establecer relaciones cuantificables entre estas variables dependientes (los indicadores) y un conjunto de variables independientes para las que se sospecha algún tipo de dependencia.

De entre la gran variedad de técnicas disponibles, los modelos lineales multivariable (MLR, por sus siglas en inglés) se perfilan como la opción más adecuada, pues permiten dilucidar las posibles relaciones entre variables, son de fácil interpretación y ayudan a determinar el peso específico de cada una de las variables independientes. De hecho, estas herramientas se han utilizado en el RIS para determinar el indicador compuesto Exportaciones de Alto Valor Añadido (RXA, en el documento original). Así, el MLR ha permitido investigar la dependencia entre este valor y 13 variables que incluyen, entre otros, el número de patentes, el producto interior bruto per cápita y la densidad de población.

Como ejemplo de este caso concreto, el gráfico muestra el valor de los coeficientes lineales para las 13 variables independientes en el conjunto de las regiones con especialización tecnológica de grado medio. El color representa el grado de confianza estadística en la estimación del coeficiente (mayor en color rojo). Estos resultados indican que, para esta muestra de regiones concreta, el RXA depende claramente del número de clústeres industriales y de la capacidad para patentar.

Figura 1. Valores de los coeficientes para el MLR de Exportaciones de Alto Valor Añadido

Otra ventaja de los MLR es que permiten hacer predicciones sobre el comportamiento de la variable dependiente bajo otras condiciones, de acuerdo con el modelo propuesto.

Así, este tipo de herramientas se perfila como la estrategia más adecuada para estimar los indicadores no disponibles a escala NUTS3. La principal dificultad estriba en encontrar cuál es el conjunto de variables con que el indicador en cuestión presenta una clara dependencia. La aproximación al problema consistiría, pues, en establecer un conjunto de regiones NUTS2 que, por sus características, sean muy similares a Tarragona y “entrenar” a los MLR para determinar cómo el indicador en cuestión depende de las variables elegidas.

Por último, uno de los retos que hay que tener en cuenta a la hora de construir un cuadro de indicadores pasa por medir el efecto de la innovación en ámbitos clave para el desarrollo regional, como la cultura, la sociedad, la salud o el medio ambiente.