Embed Size (px)
Citation preview
1
TÍTULO DE LA COMUNICACIÓN:
PATRONES COMBINADOS DE USO DE TIC E INNOVACIÓN EN LAS
REGIONES EUROPEAS
AUTOR 1: Margarita Billón Currás
Email: [email protected]
DEPARTAMENTO: Estructura Económica y Economía del Desarrollo
UNIVERSIDAD: Universidad Autónoma de Madrid
AUTOR 2: Fernando Lera López
Email: [email protected]
DEPARTAMENTO: Economía
UNIVERSIDAD: Universidad Pública de Navarra
AUTOR 3: Rocío Marco Crespo
Email: [email protected]
DEPARTAMENTO: Economía Aplicada
UNIVERSIDAD: Universidad Autónoma de Madrid
ÁREA TEMÁTICA: Sociedad del conocimiento, universidades e investigación
2
RESUMEN:
Este documento investiga la relación conjunta entre la adopción de innovación y la
información y la comunicación (TIC) a nivel regional en la UE utilizando el análisis de
correlación canónica. Los resultados permiten identificar un patrón inicial definido por
regiones que combinan altos niveles de uso de las TIC e innovación en sectores de alta
tecnología y sectores TIC. Este patrón se explica principalmente por factores
institucionales, como la calidad gubernamental, así como por las características
específicas de la región, tales como el empleo total en servicios intensivos en
conocimiento, la I+D total, el aprendizaje a lo largo de la vida, el PIB y los recursos
humanos. También se ha identificado un segundo patrón que capta un alto nivel de
innovación en sectores que no son de alta tecnología ni asociados a las TIC. Este
segundo patrón viene determinado principalmente por la I+D y el empleo en el sector
manufacturero de alta tecnología. Los resultados inciden en la necesidad de
coordinación entre las políticas de difusión de las TIC a nivel regional, la innovación y
la investigación.
PALABRAS CLAVE: (máximo 6 palabras)
Innovación, TIC, regiones europeas, correlación canónica
3
PATRONES COMBINADOS DE USO DE TIC E INNOVACIÓN EN LAS
REGIONES EUROPEAS
1. Introducción
Dentro de la llamada Estrategia para la Sociedad de la Información 2011-2025, la Unión
Europea ha apostado decididamente por la creación de un entorno favorable que permita
su liderazgo futuro en el ámbito del desarrollo y uso de las Tecnologías de la
Información y la Comunicación (TIC) a través del fomento tanto de las TIC como de la
investigación, el desarrollo y la innovación (Comisión Europea, 2011). A su vez, la
Estrategia Europa 2020 enfatiza la importancia de reforzar y analizar las relaciones
existentes entre la I+D, la innovación y la educación, pilares fundamentales para el
crecimiento a largo plazo (Comisión Europea, 2010a).
En este contexto, y considerando la necesidad de avanzar en el desarrollo de la
economía del conocimiento, el estudio de las relaciones entre la I+D, la innovación y el
uso de las TIC se está convirtiendo en un área de investigación de creciente interés. La
mayoría de los estudios existentes hasta ahora se han centrado en analizar los
determinantes de la innovación y de la adopción de las TIC de forma separada. Solo
recientemente algunos proyectos europeos empiezan a abordar las relaciones entre
ambos procesos (De Panizza y De Prato, 2009). Estos estudios consideran
principalmente el análisis de los impactos de las TIC sobre la innovación (Clayton,
2008; Spiezia, 2010), haciéndose necesaria una mayor profundización en el estudio de
ambas relaciones (De Panizza y De Prato, 2009; Karlsson et al, 2010).
Por su parte, los escasos trabajos que analizan los impactos de la innovación sobre el
uso de las TIC se circunscriben a los efectos de la I+D sobre la adopción de las TIC,
para lo que se utilizan normalmente los gastos en I+D como principal variable. A nivel
regional los estudios son aún más escasos debido a la falta de datos (Vicente y López,
2011). No existen, sin embargo, investigaciones que expliquen la innovación y la
adopción de las TIC a nivel regional consideradas conjuntamente.
El objetivo de este artículo es examinar la relación conjunta entre la innovación y la
adopción de las TIC a nivel regional europeo. En primer lugar, se pretende investigar la
4
existencia de patrones combinados innovación/adopción de las TIC en las regiones
europeas. En segundo lugar, una vez identificados dichos patrones nuestro interés se
centra en determinar las principales variables que los explican, poniendo especial
énfasis en el papel jugado por la I+D, la educación y otros factores relevantes en la
economía del conocimiento. La principal aportación de esta investigación es que por
primera vez se abordan las relaciones entre innovación regional y la adopción de las
TIC conjuntamente y no de forma separada. A ello hay que unir que, dada la
complejidad de dichas relaciones, en este trabajo se utiliza además de las técnicas
comúnmente aplicadas en otros estudios (el análisis de correlación y el análisis
factorial) la correlación canónica, técnica que nos permite abordar por primera vez el
análisis conjunto de ambos ámbitos.
La siguiente sección se dedica a la revisión de la literatura. La sección 3 presenta el
modelo de investigación y la metodología empleada en el estudio. En las secciones 4 y
5 se exponen, respectivamente, los datos utilizados y los resultados de la investigación.
La sección 6 se dedica a mostrar los patrones obtenidos y por último la última sección
muestra las principales conclusiones e implicaciones de nuestro trabajo.
2. Revisión de la literatura
La literatura sobre la innovación regional ofrece distintas aportaciones teóricas acerca
de como se generan las innovaciones. Los enfoques basados en la economía evolutiva
(Dosi et al., 1988; Freeman, 1994) destacan que la innovación es el resultado de un
proceso interactivo y complejo de relaciones entre los distintos actores que en él
intervienen. En esta línea, el enfoque de los sistemas nacionales/regionales de
innovación (Cooke y Morgan, 1994; Lundvall, 1992; Nelson, 1993) considera el
proceso de innovación como el resultado de la interacción de diversos factores
económicos, sociales e institucionales en los que la capacidad de las regiones para
innovar está condicionada por sus características sociales, institucionales y estructurales
(Rodriguez-Pose y Crescenzi, 2008), lo que ha llevado a destacar la importancia de lo
que algunos autores denominan los filtros sociales (Rodriguez-Pose, 1999).
Otras corrientes de la literatura subrayan el papel que juega la localización y la
proximidad geográfica a la hora de generar efectos derrame del conocimiento
5
(knowledge spillovers) (Fujita y Mori, 2005; Tappeiner et al., 2008) destacados por la
literatura del crecimiento endógeno (Romer, 1986), así como la teoría de la difusión del
conocimiento tácito (Storper y Venables, 2004) para generar innovaciones regionales.
Los resultados empíricos sugieren que cuanto mayor sea el grado de aglomeración,
mayor será la capacidad de las actividades de I+D para promover la innovación (Fritsch,
2002; Keller, 2002).
Por su parte, muchos economistas, en el marco de la Función de Producción del
Conocimiento han utilizado las inversiones en I+D como uno de los principales inputs
que junto con el capital humano explican los outputs de la innovación, normalmente
medidos a través de la patentes, a pesar de sus limitaciones como indicador. Son
numerosos los estudios que han confirmado la relación positiva entre los gastos de I+D
y las patentes (Gössling y Rutten, 2007; Buesa et al., 2010).
Por lo que respecta a la literatura sobre la adopción de las TIC, ésta se enmarca
principalmente en la teoría de la difusión de las innovaciones (Rogers, 2003). Por el
lado de la demanda, los modelos epidémicos explican la difusión de la tecnología por la
diseminación de la información y el aprendizaje asociado a su uso (Geroski, 2000;
Karshenas y Stoneman, 1995). Los modelos de heterogeneidad (Rosenberg, 1972) por
su parte destacan la importancia de las diferencias de los usuarios (renta, educación,
características demográficas) al explicar la adopción y difusión de las tecnologías. Por
el lado de la oferta, la disponibilidad de infraestructuras, los costes de acceso y uso de
las TIC (Kiiski y Pohjola, 2002) así como la estructura del mercado y el nivel de
competencia local (Grubesic, 2006) son algunos de los factores que según la evidencia
empírica determinan la adopción de estas tecnologías.
A lo anterior hay que añadir que dentro de la literatura de los spillovers de
conocimiento, los estudios han demostrado que la difusión y el uso de ciertas
tecnologías es mayor en áreas de mayor densidad de población, como las ciudades, en
las que los efectos derrame y la transmisión de conocimiento, especialmente del
conocimiento tácito, desde los usuarios a los no usuarios suele ser transmitido más
fácilmente (Gaspar y Glaeser, 1998; Schleife, 2010). A ello hay que sumar los menores
costes de acceso y difusión que se registran en áreas más pobladas, lo que también
facilita su transmisión (Karshenas y Stoneman, 1995).
6
Por último, en la adopción de las TIC la proximidad geográfica también ha demostrado
ser un factor clave. Muchos autores han demostrado que el uso de TIC se distribuye de
forma desigual en el espacio geográfico, creando lo que Zook (2006) denomina las
“geografías de internet” y destacando una vez más la importancia de las economías de
aglomeración asociadas a la difusión de estas tecnologías. Sin embargo, la mayor parte
de la evidencia empírica a nivel regional ha venido referida a Estados Unidos
(Grubesic, 2006; Kolko, 2000) dada la escasez de datos para el caso europeo. Milecevic
y Gareis (2003) subrayan la importancia de las características regionales a la hora de
explicar el uso de algunas tecnologías en las regiones europeas. Billón et al. (2008,
2009) demuestran la existencia de efectos vecindad en la adopción de internet a nivel
regional en Europa. Vicente y López (2011) han analizado la brecha digital de las
regiones europeas, utilizando los indicadores de TIC disponibles y demostrando el papel
clave desempeñado por la renta y los factores culturales e institucionales. Finalmente,
Scheifle (2010) muestra que la brecha digital en el uso de internet en Alemania está
relacionada con las diferencias en las características individuales entre zonas rurales y
urbanas.
Por último, por lo que se refiere a los estudios que abordan conjuntamente las relaciones
entre las TIC y la innovación, éstos se refieren fundamentalmente a los impactos de las
primeras sobre la segunda. Los escasos estudios que analizan el impacto de las
relaciones del uso de las TIC sobre la innovación utilizan los gastos en I+D como
principal variable, demostrándose que a mayor gasto, más probable es que se adopten
las nuevas tecnologías (Cohen y Levinthal, 1989).
A nivel de países, Vicente y López (2006) han obtenido para un conjunto de 179 países,
incluida la Unión Europea, que aquellos con mayor gasto en I+D tienen más
probabilidades de adoptar las nuevas tecnologías. Sin embargo, no existen estudios que
analicen los impactos de la gastos de I+D sobre la adopción de las TIC y la innovación a
nivel regional cuando se registran conjuntamente.
Considerado todo lo anterior, el estudio de las interrelaciones entre innovación y
adopción de las TIC y la posible explicación de sus determinantes, resulta un área de
gran interés no desarrollada aún en la literatura que requiere de la utilización de un
7
amplio abanico de enfoques y técnicas que permitan captar el carácter multidimensional
del fenómeno.
3. Modelo de investigación y metodología
Las preguntas de investigación que se pretenden responder a través de este estudio son
las siguientes:
1. ¿Existe una relación entre las actividades de innovación y el uso de las TIC a
nivel regional en la Unión Europea?
2. De ser así, ¿pueden identificarse patrones combinados de innovación y uso de
las TIC en las regiones europeas?
3. ¿Qué factores explican dichos patrones?
Para responder a estas cuestiones se propone un modelo de investigación que persigue,
como se señaló con anterioridad, captar la complejidad y el carácter multidimensional
del fenómeno a estudiar. El desarrollo conjunto de actividades de innovación y el uso de
las TIC a nivel regional viene explicado por un conjunto de variables que incluyen lo
que la evidencia empírica ha demostrado que mejor explica tanto la innovación como el
uso de las TIC. Así, por lo que respecta a la innovación regional, seguimos parcialmente
el modelo presentado por Navarro et al. (2009), y por lo que respecta a la adopción de
las TIC consideramos los principales factores destacados en la literatura para los que
haya disponibilidad de datos a nivel europeo. Por tanto, como factores explicativos
incluimos los inputs de innovación, las características estructurales de la región y los
denominados “filtros sociales” (Rodriguez-Pose, 1999), especialmente los asociados al
capital humano, y por último, una serie de factores institucionales.
La complejidad propia de los procesos de innovación y de uso de las TIC, y de sus
interrelaciones, requiere que para su correcto análisis se consideren diversas técnicas
estadísticas. El análisis de correlación canónica (ACC) junto con el análisis factorial son
las técnicas empleadas para dar respuesta a los objetivos de investigación propuestos.
El ACC permite identificar las interrelaciones entre múltiples variables dependientes y
múltiples variables independientes (Hair et al., 2010). De forma general el ACC puede
expresarse como:
8
F(y1, y2, …yq) = G(x1, x2, …xp)
siendo y1, y2, ..yq el conjunto de variables dependientes y x1, x2, … xp el conjunto de
variables independientes. El ACC compone pares de combinaciones lineales de
variables, una en cada conjunto, denominadas variables canónicas y denotadas por x* e
y*:
x* = X
p
i
ii x1
y*= Y
q
j
jj y1
Esta técnica desarrolla funciones canónicas que maximizan la correlación entre cada
pareja de variables canónicas. Este coeficiente de correlación es denominado
correlación canónica, :
21
21
''''
''*)*,(
YYEXXE
YXEyxCorr [1]
La primera función canónica proporciona dos variables canónicas (*
1
*
1 , yx
) con vectores de
coeficientes y óptimamente calculados para maximizar la correlación en [1]. La
segunda función canónica proporciona dos nuevas variables canónicas (*
2
*
2 , yx
) con vectores
de coeficientes y calculados de forma óptima para maximizar la correlación en
[1] y para ser ortogonales a la primera pareja de variables canónicas, y así
sucesivamente. Como cada función canónica es independiente del resto, cada una
representa diferentes relaciones identificadas entre los conjuntos de variables
dependientes e independientes. En definitiva, la técnica trata de resumir las relaciones
multidimensionales entre dos conjuntos de variables reduciéndolas a unas pocas
dimensiones: aquellas funciones canónicas con significación práctica.
4. Variables y datos
Las variables utilizadas en este estudio se han seleccionado teniendo en cuenta las
contribuciones teóricas mencionadas anteriormente, aunque la selección final ha estado
condicionada por la disponibilidad de datos fiables para las regiones europeas así como
por motivos estadísticos. El Anexo 1 proporciona las principales estadísticas
descriptivas, el año de referencia y las descripciones completas y fuentes para cada
variable.
9
Con respecto a las variables de medición de la adopción de las TIC, hemos incluido las
siguientes: hogares que tienen acceso a internet en casa (HI), hogares que usan conexión
de banda ancha (HB), personas que acceden a internet en promedio al menos una vez
por semana (UI), individuos que han utilizado un ordenador (UPC), y personas que han
adquirido bienes o servicios por internet para uso privado en el último año (IB). Por lo
que se refiere a las patentes hemos considerado las solicitudes de patentes de TIC (PAT
TIC), solicitudes de patentes de alta tecnología (PAT AT) y otras patentes (Otras PAT).
La distinción entre tres tipos de patentes nos va a permitir examinar las potenciales
diferencias en las relaciones entre el uso de las TIC y la innovación según cada grupo de
patentes. Como se mencionó anteriormente, las patentes han sido ampliamente
utilizadas como proxy para medir la innovación, a pesar de sus limitaciones (Eurostat,
2009; Buesa et al., 2010).
En términos de las variables explicativas, debe señalarse que, de acuerdo con la
evidencia empírica disponible, innovación y adopción de las TIC comparten un
conjunto común de factores explicativos. En primer lugar, hemos incluido los gastos
totales de I+D, como principal input de la innovación; el PIB regional per cápita (PIB) y
la especialización de empleo de la región, medida como porcentaje del empleo total en
el sector manufacturero de alta tecnología (EMAT), así como el empleo total en sectores
de servicios intensivos en conocimiento (ETSC). Para examinar el efecto de la
estructura demográfica de la región, así como las características de los usuarios de las
TIC, se han incluido el porcentaje de población entre 15 y 64 años (PopEdad) y la
densidad de población (PopDen).
Además, se ha incorporado una variable binaria (CAPITAL) que distingue qué regiones
europeas son capital del país. Con esta variable, se pretende medir la posible influencia
de los efectos derrame en la difusión de las TIC.
Como variables que captan los filtros sociales, hemos examinado la influencia de los
investigadores totales en todos los sectores (IT), el aprendizaje a lo largo de la vida
(Aprend) y la proporción de la población activa con educación terciaria (PAET). Estas
dos últimas variables se han utilizado para probar lo que esperamos que sea la influencia
positiva del nivel de educación y los recursos humanos sobre la innovación (Lundvall,
1992), así como el uso de las TIC (Schleife, 2010). La literatura ha demostrado que las
10
personas con mayor nivel educativo tienen más probabilidades de adoptar innovaciones
(Rogers, 2003) y presentan un mayor uso de las TIC y competencias en el uso de estas
tecnologías. Sin embargo, la evidencia empírica dista mucho de ser concluyente (Kiiski
y Pohjola, 2002; Hargittai, 1999; Quibria et al., 2003).
La calidad gubernamental (CG) y el índice de descentralización (DC) se han
incorporado como variables institucionales. La primera mide la calidad de gobierno en
tres servicios públicos generales a nivel regional en la UE: la educación, la salud y la
aplicación de la legislación (Comisión Europea, 2010b). Algunos estudios empíricos
han analizado la relación entre este indicador y ciertas variables de innovación
mostrando que la calidad gubernamental está fuertemente correlacionada con el acceso
a internet y el uso de ordenadores (Comisión Europea, 2010b).
El índice de descentralización (DC) mide el nivel de descentralización en cada país
europeo a través básicamente de cuatro grandes dimensiones: financiera, política,
funcional y administrativa, junto con el número de niveles administrativos existentes
(Klipp, 2009). A mayores competencias de las regiones, mayor descentralización y
mayor resultaría el valor del índice.
Con respecto a los datos, estos vienen referidos a el primer nivel de desagregación de
las regiones de la UE-27 según la nomenclatura Nomenclature d´Unité Territoriales
Statistiques (NUTS 1) de Eurostat. La versión 2006 subdivide el territorio de la Unión
Europea y sus 27 Estados miembros en 97 regiones NUTS 1.
Las variables dependientes están referidas al 2007 para patentes y 2010 para los
indicadores de uso de las TIC. En ambos casos, estos son los últimos años con
información regional. Aparte de disponibilidad de datos, también hemos asumido un
desfase entre las patentes y el uso de las TIC. Asumimos que las patentes tardan en
materializarse en innovaciones comerciales que más tarde podrán ser utilizadas por los
usuarios de las TIC. Este retardo también se ha aplicado al análisis del impacto de las
variables independientes en uso de las TIC, según estudios previos sobre la adopción de
las TIC en las regiones de la UE (Billón et al., 2008).
Las variables independientes vienen referidas principalmente a la media del periodo
2003 a 2007, excepto para las variables capital, calidad gubernamental e índice de
descentralización debido a la falta de información para todos los años. En estos casos,
11
utilizamos el último año con datos disponibles. Se ha considerado la media del periodo
2003-2007 con el fin de tener en cuenta el tiempo que transcurre en materializarse la
inversión en I+D en patentes, en consonancia con la evidencia empírica disponible
(Gurmu y Sebastian, 2008; Eurostat, 2009). Además, el uso de valores retardados de las
variables independientes nos permite evitar posibles problemas de endogeneidad, a la
vez que se reducen al mínimo los posibles efectos del ciclo económico sobre los
resultados de nuestro análisis.
5. Análisis empírico
5.1. Análisis factorial exploratorio
Antes de aplicar el ACC, conviene realizar una primera exploración de las posibles
interrelaciones entre las variables de uso de TIC y de innovación. Para ello es calculada
la matriz de correlaciones bivariantes entre los ocho indicadores que conforman el
conjunto de variables dependientes del modelo, matriz presentada en la Tabla 1.
Tabla 1. Coeficientes de correlación entre las variables de innovación y uso de TIC
HI HB IR IU IB PAT TIC PAT AT Otras PAT
HI 1 0,931** 0,942** 0,937** 0,913** 0,582** 0,585** 0,550**
HB 0,931** 1 0,886** 0,886** 0,844** 0,580** 0,594** 0,551**
IR 0,942** 0,886** 1 0,979** 0,907** 0,566** 0,587** 0,477**
IU 0,937** 0,886** 0,979** 1 0,926** 0,535** 0,552** 0,496**
IB 0,913** 0,844** 0,907** 0,926** 1 0,547** 0,555** 0,517**
PAT TIC 0,582** 0,580** 0,566** 0,535** 0,547** 1 0,981** 0,606**
PAT AT 0,585** 0,594** 0,587** 0,552** 0,555** 0,981** 1 0,527**
Otras PAT 0,550** 0,551** 0,477** 0,496** 0,517** 0,606** 0,527** 1
Nota: cálculo de coeficientes de correlación por parejas: n menor es 93 y mayor 97 * Correlación significativa a nivel de 0,05 (dos colas) ** Correlación significativa a nivel de 0,01 (dos colas) Fuente: elaboración propia
Es destacable que todos los coeficientes de correlación son estadísticamente
significativos al nivel 1%. En la Tabla 1 pueden identificarse fácilmente dos
subconjuntos de variables, dado por un lado el alto grado de correlación entre los cinco
indicadores de uso de TIC (con valores entre 0,84 y 0,98), y de otro, entre los tres
indicadores de innovación. La tabla también muestra que, aunque elevada, el grado de
correlación entre los indicadores de innovación no es uniforme. Existe una fuerte
12
relación entre las patentes TIC y las de alta tecnología (PAT TIC y PAT AT, correlación
0,98) mientras que Otras PAT mantiene un menor grado de asociación con las dos
previas.
Este análisis exploratorio permite intuir que, aunque relacionados, los procesos de uso
de TIC y de innovación pueden estar dirigidos por diferentes factores subyacentes.
Como resultado del análisis exploratorio y del marco conceptual y teórico mencionado
con anterioridad se decide aplicar la técnica de análisis factorial en cada uno de los
subconjuntos de variables dependientes: indicadores de uso de TIC e indicadores de
patentes. Esta aproximación nos permite investigar los factores subyacentes en cada
fenómeno y además ofrece una ventaja de cara a la aplicación del modelo de ACC,
evitando problemas de estimación inherentes a una posible colinealidad entre variables.
El tratamiento factorial independiente en cada proceso puede también facilitar la
interpretación en posteriores análisis.
Se realiza un primer análisis factorial exploratorio sobre los cinco indicadores de uso de
las TIC. El valor del estadístico Kaiser-Meyer-Olkin (KMO) es 0,85 y el test de
esfericidad de Barlett es significativo al nivel 0,01. Estos resultados muestran la
adecuación de los datos a la técnica. El método de extracción utilizado en todas las
aplicaciones es el de componentes principales. En línea con lo observado en la matriz de
correlación (ver Tabla 1), la gran cantidad de información compartida por las cinco
variables de uso de TIC permite que ésta se resuma en un único factor. La calidad de
los resultados se evidencia por el alto grado de varianza que logra captar el factor, un
93,2%, y porque las comunalidades de todas las variables se encuentran entre un 89% y
un 96%. Se calculan las puntuaciones del factor para cada región y el factor resultante
se denomina F_USO TIC. Los resultados del análisis factorial identifican una única
dimensión o factor latente que capta el proceso de uso de las TIC en las regiones
europeas.
De forma similar, se realiza un análisis factorial exploratorio sobre las tres variables de
patentes. El valor del KMO es 0,63 y el test de Barlett es significativo al nivel de 0,01.
Teniendo en consideración varios criterios (autovalores mayores que 1 y gráfico de
sedimentación) se obtiene una solución de factor único que recoge el 81% del total de la
varianza. Este factor recoge altos porcentajes de la variabilidad de las patentes TIC
13
(PAT TIC) y de las patentes de alta tecnología (PAT AT) (95% y 90%,
respectivamente) pero la comunalidad para la variable Otras PAT es solo de un 58%.
Estos resultados muestran que Otras PAT es relativamente independiente de lo que el
factor está midiendo, y que el resumen del proceso de innovación en un solo factor no
es apropiado.
Consecuentemente, la variable original Otras PAT se selecciona para posteriores
análisis mientras que PAT TIC y PAT AT son resumidas en un factor único. En
consonancia con la alta correlación entre las dos variables (0,98, ver Tabla 1), el factor
resultante recoge el 99% del total de la varianza, siendo ambas comunalidades del 99%.
El factor estimado con las puntuaciones para cada región es denominado F_ATIC PAT
y resume la información de las variables PAT TIC y PAT AT.
Tras el análisis factorial, el conjunto inicial de variables dependientes se ha visto
reducido a tres indicadores: un factor que capta el uso de las TIC (F_USO TIC), un
factor que capta la innovación relativa a los sectores de TIC y de alta tecnología
(F_ATIC PAT) y la variable original que mide otras patentes (Otras PAT).
Antes de pasar al ACC es interesante examinar las relaciones entre el conjunto de
variables potencialmente explicativas y los indicadores que tras el análisis factorial
representan ahora los procesos de innovación y uso de TIC. La Tabla 2 muestra los
coeficientes de correlación entre ambos grupos. La suma de los valores absolutos de los
coeficientes de correlación figura en la última fila de la tabla. Dicha suma ofrece
información de qué variables explicativas podrían exhibir un mayor poder explicativo
en el modelo de correlación canónica. Estas variables son I+D, calidad gubernamental
(CG), empleo total en sectores de servicios intensivos en conocimiento (ETSC) y PIB.
Por el contrario, aquellas variables que podrían ser menos relevantes en la exploración
de las relaciones con los indicadores de innovación y TIC son la densidad de población
(PopDen), la edad de la población (PopEdad), la proporción de la población activa con
educación terciaria (PAET) y el grado de descentralización (DC).
En suma, el análisis factorial exploratorio revela la existencia de tres grupos diferentes
de variables en el conjunto inicial de variables dependientes: aquellas relativas al uso de
las TIC, las relativas a innovación en sectores de alta tecnología y TIC, y finalmente, la
innovación en otros campos. También hemos determinado qué variables independientes
14
tienen un mayor potencial explicativo sobre los procesos de innovación y uso de TIC,
siendo la densidad de población, la edad de la población y la descentralización las de
menor potencial explicativo.
Tabla 2. Matriz de correlaciones entre el conjunto de variables dependientes e independientes
Rxy I+D Aprend EMAT ETSC PIB IT PAET CG PopDen PopEda DC
F_USO TIC 0,682** 0,721** 0,300** 0,846** 0,631** 0,568** 0,573** 0,849** 0,212* 0,081 0,455**
F_PAT ATIC 0,809** 0,465** 0,302** 0,543** 0,450** 0,509** 0,372** 0,520** 0,117 0,074 0,235*
Otras PAT 0,624** 0,201 0,629** 0,337** 0,480** 0,291** 0,135 0,503** 0,063 0,255* 0,505**
∑ rjk 2,12 1,39 1,23 1,73 1,56 1,37 1,08 1,87 0,39 0,41 1,19
Nota: cálculo coeficientes de correlación por parejas: n menor es 92 y mayor 97 * Correlación significativa a nivel de 0,05 (dos colas) ** Correlación significativa a nivel de 0,01 (dos colas) Fuente: elaboración propia
5.2. Análisis de correlación canónica
Teniendo en cuenta todo el análisis previo, diseñamos el siguiente modelo para
responder a las preguntas de investigación:
y*= Y1 F_USO TIC + 2 F_ATIC PAT + 3 Otras PAT
x* = X1 I+D + 2 Aprend + 3 EMAT + 4 ETSC + 5 PIB +
6 IT + 7 PAET + 8 CG
Y denota la combinación lineal de variables dependientes y X denota la combinación
lineal de variables independientes. Dos de las variables dependientes son obtenidas del
análisis factorial previo (F_USO TIC, factor de uso de las TIC, y F_ATIC PAT, factor
de patentes en alta tecnología y TIC) mientras que la tercera es Patentes en el resto de
sectores (Otras PAT). Para evitar el riesgo de sobreestimación y en aras a obtener un
modelo parsimonioso se han introducido aquellas variables explicativas consideradas
relevantes tanto por la revisión de la literatura como por el análisis exploratorio: gasto
total en I+D (I+D), el aprendizaje a lo largo de la vida (Aprend), empleo total en el
sector manufacturero de alta tecnología (EMAT), empleo total en sectores de servicios
15
intensivos en conocimiento (ETSC), PIB regional per cápita (PIB), investigadores
totales en todos los sectores (IT), proporción de la población activa con educación
terciaria (PAET) y calidad gubernamental (CG). Otras variables como densidad de
población (PopDen), edad de la población (PopEdad), grado de descentralización (DC)
y Capitalidad se han introducido en el análisis posteriormente.
La Tabla 3 contempla diversos tests multivariantes que contrastan la adecuación general
del modelo de correlación canónica. La hipótesis nula (los dos conjuntos de variables no
están linealmente relacionados) es rechazada al nivel =0,01 en los cuatro contrastes
de ajuste global.
Table 3. Análisis de Correlación Canónica
Contrastes multivariantes de significación
Estadístico Valor F-valor p-valor
Lambda de Wilks 0,024 25,942 0,000
Traza de Pillai 1,879 17,381 0,000
Traza de Hotelling-Lawle 11,587 38,464 0,000
Mayor raíz de Roy 9,394 97,459 0,000
Contrastes de Correlación Canónica Análisis de Redundancia
Función Canónica
Correlación Canónica
Test Chi 2
secuencial p-valor
Correlación al cuadrado
Variance extraída en el conjunto Y
Índice de Redundancia
y*i /x*i
1 0,951 318,744 0,000 0,904 0,642 0,580
2 0,789 119,742 0,000 0,623 0,215 0,134
3 0,593 36,901 0,000 0,352 0,143 0,050
Índice de Redundancia total Y/X 0,764
Fuente: elaboración propia
El coeficiente de correlación canónica mide la fuerza de la relación entre cada par de
variables canónicas. Todos los coeficientes son mayores que 0,5, valor requerido para
que la función canónica cuente con significación práctica (Hair et al., 2010). Los tests
Chi2 rechazan la hipótesis nula en los tres contrastes secuenciales, indicando que las tres
funciones canónicas son estadísticamente significativas (ver Tabla 3).
Es destacado por varios autores, como Stevens (2002) y Hair et al. (2010), que la
selección del número de funciones canónicas relevantes en una investigación no debería
estar basada únicamente en tests de significación estadística sino también en el análisis
16
de redundancia de las mismas. Por ello se han calculado los índices de redundancia
Stewart-Love. El índice de redundancia total alcanzado en el conjunto de variables
dependientes es 76,4%. Este índice muestra la proporción del total de la varianza del
conjunto de variables dependientes (Y) explicado por el conjunto de variables
independientes (X), considerando las tres funciones canónicas. Es destacable que la
primera dimensión canónica explica la mayor parte de la variabilidad (58%) mientras
que la segunda explica un adicional 13,4%. La tercera función canónica puede ser
ignorada debido a su limitado poder explicativo (5%). Por tanto las dos primeras
funciones canónicas con significación práctica son relevantes en el análisis, explicando
entre ambas un 71,4% del total de la varianza del conjunto de variables dependientes.
Estas funciones canónicas representan diferentes patrones de relaciones entre las
variables dependientes e independientes.
La Tabla 4 presenta las cargas canónicas necesarias para interpretar las dos funciones
canónicas relevantes. La carga canónica de una variable es la correlación entre ella y su
respectiva variable canónica, y representa la contribución relativa de la variable en cada
función canónica (Hair et al., 2010).
Como ya se ha mencionado, la primera variable canónica combinación de variables
independientes (*
1x
) explica un 58% de la variabilidad del conjunto de variables
dependientes. Del análisis de esta primera dimensión canónica se pueden extraer
algunos resultados. En primer lugar, todas las variables dependientes (F_USO TIC,
F_PAT ATIC y Otras PAT) tienen una relación positiva con su correspondiente variable
canónica, *
1y
(cargas positivas, ver Tabla 4). F_USO TIC tiene el mayor peso en esta
primera dimensión, como indica su carga próxima a la unidad (0,975). En segundo
lugar, la primera variable canónica *
1y
mayormente capta el uso de TIC pero también es
importante la representación de patentes en alta tecnología y TIC (F_PAT ATIC, con
carga 0,725) y, en menor medida, la información del resto de patentes (Otras PAT, con
carga 0,670). Por todo ello, la relación entre las variables en el conjunto dependiente
esta principalmente definida por el uso de las TIC, y en menor grado, por la innovación
en sectores de TIC y de alta tecnología.
17
Tabla 4. Cargas canónicas
1ª función canónica 2ª función canónica
Conjunto Y y*1 y*2
F_USO TIC 0,975 -0,208
F_PAT ATIC 0,725 0,361
Otras PAT 0,670 0,686
Conjunto X x*1 x*2
I+D 0,827 0,324
Aprend 0,707 -0,396
EMAT 0,405 0,572
ETSC 0,861 -0,343
PIB 0,681 0,063
IT 0,619 -0,076
PAET 0,551 -0,324
CG 0,897 -0,172
Fuente: elaboración propia
En el análisis combinado de las relaciones entre uso de TIC e innovación en las regiones
europeas, los resultados muestran que en esta primera dimensión el uso de las TIC juega
un papel central, junto con la innovación relativa a sectores de alta tecnología y de TIC.
Respecto a las variables que explican esta primera dimensión, observamos que la
variable canónica dependiente *
1y
está positivamente relacionada con todas las variables
explicativas, aunque en diferentes grados. La relación combinada entre uso de TIC e
innovación en alta tecnología y TIC viene principalmente explicada por la calidad
gubernamental (CG), el empleo en sectores de servicios intensivos en conocimiento
(ETSC) y el gasto en I+D, variables que presentan las mayores cargas (0,897, 0,861 y
0,827, respectivamente). Esta combinación también es positivamente explicada, aunque
en menor medida, por el aprendizaje a lo largo de la vida (Aprend., carga de 0,707), PIB
per capita (0,681) y total de investigadores (IT, 0,619).
Las relaciones entre las variables dependientes en la segunda dimensión (*
2y
) están
dirigidas en gran medida por la innovación en otros sectores distintos a alta tecnología y
TIC (Otras PAT, carga de 0,686, ver Tabla 4), así como por un relativamente escaso uso
de TIC (F_USO TIC, carga de -0,208 en*
2y
). Esta combinación de alta innovación en
patentes en otro sectores (Otras PAT) y bajo uso de TIC es mayormente explicada por
18
un alto nivel de empleo en sectores manufactureros de alta tecnología (EMAT, carga de
0,572) y en menor medida por el gasto en I+D (carga de 0,324). Esta combinación
canónica es también negativamente explicada por el aprendizaje a lo largo de la vida
(Aprend), el empleo en sectores intensivos en conocimiento (ETSC) y la población
activa con educación terciaria (PAET) (con cargas negativas -0,396, -0,343 y -0,324,
respectivamente).
Estos resultados muestran que un nivel elevado de empleo en el sector manufacturero de
alta tecnología y un alto nivel de I+D, así como bajos niveles de aprendizaje, de empleo
en servicios intensivos en conocimiento y de población con educación terciaria, son los
principales factores que explican aquellas regiones caracterizadas principalmente por un
menor uso de las TIC y con altos niveles de patentes en sectores diferentes a TIC y altas
tecnologías.
Además de este modelo general que incluye las variables esenciales, se han estimado
otros modelos que incorporan alternativamente otras variables explicativas, como la
densidad de población, la edad de la población, el grado de descentralización y la
capitalidad. Los resultados hallados no justifican la inclusión final de alguna de estas
variables en el modelo final.
6. Patrones combinados de innovación y TIC en las regiones europeas
Una vez que hemos determinado la existencia de dos patrones diferentes entre el uso de
las TIC y el desarrollo de patentes (variables de innovación) a nivel regional, pasamos a
determinar qué regiones representan mejor los patrones identificados, definidos por las
primeras y segunda funciones canónicas. La Figura 1 ilustra el mapa de las regiones
europeas clasificadas según el uso de las TIC y el desarrollo de patentes en sectores de
alta tecnología y TIC (primera dimensión de la ACC).
19
Figura 1. Mapa de las regiones europeas de acuerdo a la primera dimensión de ACC
Las regiones que presentan en mayor medida la combinación de alto uso de las TIC y
un alto nivel de patentes en el sector de las TIC y alta tecnología son principalmente
regiones del norte de Europa y la Île de France (Francia). En particular, regiones
ubicadas en Suecia (Östra Sverige, Södra Sverige), Alemania (Baden-Württemberg,
Bayern y Hessen) y Holanda (Zuid-Nederland), así como las regiones danesas, están en
la parte superior de esta clasificación. En el extremo opuesto, encontramos regiones
ubicadas en el norte de Rumania (macroregiones trei, unu, patru y doi), Bulgaria
(Severna I iztochna Bulgaria, Yugozapadna I yuzhna centralna Bulgaria) y Grecia
(Nisia Aigaiou, Kriti, Voreia Ellada, Kentriki Ellada).
En cuanto al segundo patrón, que capta altos niveles de patentes en sectores no TIC
entre otros, las regiones con puntuaciones más altas corresponden a regiones alemanas,
como Baden-Württemberg, Bayern y Hessen, la región de Westösterreich de Austria y
las regiones del norte de Italia (Nord Est y Ovest). Por el otro extremo, es decir, niveles
bajos de patentes en estos sectores, son regiones del Reino Unido las más
representativas.
20
7. Conclusiones
El objetivo de este trabajo ha sido examinar las relaciones entre la innovación y el uso
de las TIC a nivel regional investigando la existencia de diferentes patrones que capten
conjuntamente ambos procesos en las regiones europeas, así como identificar los
factores que explican dicha combinación de innovación y uso de las TIC. Teniendo en
cuenta la complejidad y el carácter multidimensional de ambas áreas de investigación,
hemos empleado una variedad de variables y técnicas multivariantes, incluyendo, por
primera vez, el análisis de correlación canónica. Los resultados ponen de manifiesto la
estrecha relación que existe entre la innovación en sectores TIC y de alta tecnología y el
uso de las TIC. El patrón principalmente definido por regiones con alto uso de las TIC
y, en menor medida, por la innovación en sectores de alta tecnología y sectores TIC,
viene principalmente explicado por factores institucionales, tales como la calidad
gubernamental y las características específicas de la región, como el empleo en
servicios intensivos en conocimiento y la I+D total. En línea con la escasa literatura
existente que relaciona la adopción de las TIC y la I+D, los resultados muestran que la
I+D no solo explica la innovación sino también el uso de las TIC. Los resultados
obtenidos confirman, además, la importancia del contexto específico de la región para
explicar tanto la innovación como el uso de las TIC. El primer patrón detectado se
explica también por otras variables tales como el aprendizaje a lo largo de la vida, el
PIB y los recursos humanos en ciencia y tecnología, y en menor medida, por la
población activa con educación terciaria.
En segundo lugar, hemos identificado un segundo patrón, que capta un alto nivel de
innovación en áreas distintas a las TIC y sectores de alta tecnología. Este patrón viene
determinado por la I+D y el empleo manufacturero en sectores de alta tecnología.
El hecho de que combinaciones de innovación y uso de las TIC se expliquen por
factores comunes podría tener implicaciones en el diseño de políticas públicas de forma
que se aprovecharan las sinergias derivadas de la relación entre ambas. Considerando
que el sector de las TIC en la UE, concretamente el sector TIC de la empresa, es el actor
principal en la realización del esfuerzo en I+D, los resultados de la investigación
subrayan la importancia de continuar con un nivel significativo de inversión en I+D en
el sector TIC. Sin embargo, para fomentar un entorno favorable a la promoción tanto de
21
la innovación y como del uso de las TIC, al esfuerzo continuado en materia de I+D,
habría que unir otras medidas complementarias que incluyeran una regulación del
mercado laboral que favoreciera la creación de empleo en servicios intensivos en
conocimiento así como en sectores industriales de alta tecnología. Adicionalmente
convendría avanzar en el diseño de políticas que ayudaran a garantizar un mayor acceso
a la educación superior y el aprendizaje a lo largo de la vida. Aquellas regiones con
niveles bajos tanto de innovación como de uso de las TIC deberían mejorar la calidad
institucional y promover cambios en la estructura productiva para estimular el empleo
en lo sectores de alta tecnología y reforzar el esfuerzo de I+D, así como el papel de los
recursos humanos dedicados a la innovación.
Por último, los resultados apuntan hacia la necesidad de coordinar los esfuerzos en
materia de política de innovación, investigación y las acciones públicas a favor de la
difusión de las TIC.
Las principales limitaciones del estudio están relacionadas con la falta de datos a nivel
regional para las regiones europeas. Ello nos ha impedido incluir variables que afectan a
la oferta de la adopción de las TIC, como los costes y precios de las TIC, la estructura
de mercado y la infraestructura de telecomunicaciones. Además, dado que examinamos
ambos procesos en un solo modelo, no ha sido posible incluir algunas de las variables
generalmente asociadas con los sistemas regionales de innovación, como los recursos
financieros y las relaciones entre las instituciones. En futuras investigaciones se podrían
analizar los efectos de otras variables así investigar si las relaciones entre la innovación
y las TIC pueden variar en diferentes periodos de tiempo.
Referencias
Billón, M., Ezcurra, R., Lera-López, F. (2008): “The spatial distribution of the Internet
in the European Union: Does Geographical proximity matter?” European Planning
Studies, nº 16, p.119-142.
Billón, M., Ezcurra, R., Lera-López, F. (2009): “Spatial effects in website adoption by
firms in European regions”, Growth and Change, nº40, p.54-84.
Buesa, M., Heijs, J., Baumert, T. (2010): “The determinants of regional innovation in
Europe: A combined factorial and regression knowledge production function approach”,
Research Policy, nº39, p.722-735.
22
Clayton, T. (2008): Information Society: ICT impact assessment by linking data from
different sources, Eurostat Agreement No. 49102.2005.017-2006.128, p. 1-28, Eurostat.
Cohen, W., Levinthal, D. (1989): “Innovation and learning: The two faces of R&D”,
The Economic Journal, nº99, p.569-596.
Comisión Europea (2010a): EUROPA 2020 Una estrategia para un crecimiento
inteligente, sostenible e integrador. COM(2010) 2020. European Commission,
Luxembourg.
Comisión Europea (2010b): Measuring quality of government and sub-national
variation. Report for the EU Commission of Regional Development, Brussels.
Comisión Europea (2011): Orientations for EU ICT R&D innovation beyond 2013.
Report from the Information Society Technologies Advisory Group (ISTAG), European
Commission, Brussels.
Cooke, P., Morgan , K. (1994): “The Creative Milieu: A Regional Perspective on
Innovation”, en: Dodgson, Rotwell (Eds.), The handbook of Industrial Innovation,
Edward Elgar, Cheltenham, pp. 25-32.
De Panizza, A., De Prato, G. (2009): Streamlining microdata for the analysis of ICT,
innovation and performance, IPTS-IS Unit Methodological Report Series 1, European
Commission, Luxembourg.
Dosi, G. (1988): “Sources, procedures and microeconomic effects of innovation”,
Journal of Economic Literature, nº26, p.1120-1171.
Eurostat (2009). Eurostat regional yearbook 2009. Luxembourg.
Freeman, C. (1994): “Innovation and Growth”, en: Dodgson, R. (Ed.). The Handbook of
Industrial Innovation, Edward Edgar Publishing, Brookfiled, Vermont, pp. 27-39.
Fritsch, M. (2002): “Measuring the quality of regional innovation systems: a knowledge
production funciont approach”, International Retional Science Review, nº25, p.86-101.
Fujita, M., Mori, T. (2005): “Frontiers of the New Economic Geography”, Papers in
Regional Science, nº84, p. 377–405
Gaspar, J., Glaeser, E. (1998): “Information Technology and the Future of Cities”,
Journal of Urban Economics, nº43, p. 136-156.
Geroski, P. (2000): “Models of technology diffusion”, Research Policy, nº29, p. 603-25.
Gössling, T., Rutten, R. (2007): “Innovation in Regions”, European Planning Studies,
nº15, p.253-270.
23
Gubresic, T. (2006): “A spatial taxonomy of broadband regions in the United States”,
Information Economics and Policy, nº18, p. 423-448.
Gurmu, S., Pérez-Sebastián, F. (2008): “Patents, R&D and lag effects:evidence from
flexible methods for count panel data on manufacturing firms”, Empirical economics, nº
35, p. 507-526.
Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E. (2010): Multivariate data analysis
a global perspective (7th ed.), Pearson Prentice Hall, New Jersey.
Hargittai, E. (1999): “Weaving the Western Web: Explaining Differences in Internet
Connectivity Among OECD Countries”, Telecommunications Policy, nº23, p.701-718.
Karlsson, C., Maier, G., Trippl, M., Siedschlag, I., Owen, R., Murphy, G. (2010): ICT
and regional economic dynamics: A literature review. European Commission. JRC
scientific and Technical Reports, Brussels.
Karshenas, M., Stoneman, P. (1995): “Technological diffusion”, en: Karshenas, M.,
Stoneman, P. (Eds.), Handbook of the Economics of Innovation and Technological
Change, Blackwell, Oxford, pp. 265-97.
Keller, W. (2002): “Geographic localization of international technology diffusion”,
American Economic Review, nº92, p.120-142.
Kiiski, S., Pohjola, M. (2002): “Cross-country diffusion of the Internet”, Information
Economics and Policy, nº14, p. 297-310.
Klipp, K. (2009): From subsidiarity to success: The impact of decentralisation on
economic growth, Assembly of European Regions and BAK Basel Economics.
Lundvall, B.A. (1992): National Systems of Innovation. Towards a Theory of Innovation
and Interactive Learning, Lundwall, London.
Milecevic, I., Gareis, K. (2003): Disparities in ICT take-up and usage between EU
regions, Workshop the regional effects of the New Information Society, Milano.
Navarro, M., Bilbao-Osorio, B., Gibaja, J. J. (2009): “Patterns of innovation in EU-25
regions: a typology and policy recommendations”, Environment and Planning C:
Government and Policy, nº27, p.815-840.
Nelson, R. (1993): National Innovation Systems: A Comparative Analysis, Oxford
University Press, Oxford and New York.
24
Quibria, M., Shamsun, N., Tschang, T., Reyes-Maquasaquit, M. (2003): “Digital divide:
Determinants and policies with special reference to Asia”, Journal of Asian Economics,
nº13, p.811-825.
Rodriguez-Pose, A. (1999): “Innovation prone and innovation averse societies.
Economic performance in Europe”, Growth and Change, nº30, p.75-105.
Rodriguez-Pose, A., Crescenzi, R. (2008): “Research and Development, Spillovers,
Innovation Systems, and the Genesis of Regional Growth in Europe”, Regional Studies,
nº 42, p. 51-67.
Rogers, E. M. (2003): Diffusion of Innovations, Free Press, New York.
Romer, P. (1986): “Increasing Returns and Long-run Growth”, Journal of Political
Economy, nº94, p.1002-37.
Rosenberg, N. (1972): “Factors affecting the diffusion of technology”, Explorations in
Economic History, nº10, p.3-33.
Schleife, K. (2010): “What really matters: Regional versus individual determinants of
the digital”, Research Policy, nº39, p.173-185.
Spiezia, V. (2010): Are ICT users more innovative? An analysis of ICT-enabled
innovation in OECD firms. DSTI/ICCP/IIS(2010)8/REV1, OECD.
Stevens, J.P. (2002): Applied multivariate statistics for the social sciences, Lawrence
Erlbaum Associates Publishers, Mahwah, New Jersey.
Stoper, M., Venables, A. (2004): “Buzz: Face-to-face contact and the urban economy”,
Journal of Economic Geography, nº4, p.351-370.
Tappeiner, G., Hauser, C., Walde, J. (2008): “Regional knowledge spillovers: Fact or
artifact”, Research Policy, nº37, p.861-874.
Vicente, M. R., López, A. J. (2006): “Patterns of ICT diffusion across the European
Union”, Economic Letters, nº93, p.45-51.
Vicente, M. R., López, A. J. (2011): “Assessing the regional digital divide across the
European Union-27”, Telecommunications Policy, nº35, p.220-237.
Zook, M. (2006): “The geographies of the Internet”, Annual Review of Information
Science and Technology, nº40, p.53-78.
25
Anexo: Tabla 1. Variables, estadísticos descriptivos y Fuentes
Variable Referencia temporal
n Mínimo Máximo Media Mediana Desviación
típica Descripción
HI 2010 96 29,00 92,00 68,846 69,000 14,681 Hogares que tienen acceso a internet en casa (porcentaje de hogares)
HB 2010 96 18,00 85,00 60,656 63,500 15,073 Hogares que usan conexión de banda ancha (porcentaje de hogares)
IR 2010 97 32,00 93,00 65,557 70,000 15,963 Individuos que acceden a internet en promedio al menos una vez por semana (porcentaje de hogares)
UPC 2010 96 43,00 96,00 77,346 81,500 14,347 Individuos que han utilizado ordenador (porcentaje de hogares)
IB 2010 96 3,00 75,00 40,271 41,000 22,181 Individuos que han adquirido bienes o servicios por internet para uso privado en el último año (porcentaje de hogares)
PAT TIC 2007 94 0,10 197,73 25,868 12,508 35,755 Solicitudes de patentes de TIC (por millón de habitantes)
PAT AT 2007 94 0,04 126,07 18,594 9,436 24,889 Solicitudes de patentes de alta tecnología (por millón de habitantes)
Otras PAT 2007 94 0,02 377,06 53,841 34,299 65,316 Otras patentes (biotecnología etc.) (por millón de habitantes)
I+D promedio 2003-07 97 0,15 4,23 1,434 1,200 0,987 Total gastos R&D intramuros por sector y región, como porcentaje del PIB
IT promedio 2003-07 97 0,15 2,59 0,895 0,806 0,472 Investigadores en todos los sectores, porcentaje del personal empleado
EMAT promedio 2003-07 93 0,71 18,09 6,038 5,860 2,953 Datos anuales de empleo en sectores manufactureros de alta y media tecnología
ETSC promedio 2003-07 96 11,97 52,86 32,295 32,023 8,970 Datos anuales de empleo en servicios intensivos en conocimiento NACE Rev. 1.1 código s61, 62, 64 a 67, 70 a 74, 80, 85 y 92 (% empleo total)
PopEdad promedio 2003-07 97 9,48 21,48 16,326 16,342 2,634 Población entre 15 y 64 años (porcentaje de individuos)
PopDen promedio 2003-07 97 5,90 6.306,72 392,575 135,140 904,619 Densidad de población (habitantes/km2)
PAET promedio 2003-07 96 9,07 47,60 26,143 27,475 7,970 Población económicamente activa (entre 25 y 64 años) con educación terciaria, niveles 5-6 (por cada 1.000 habitantes).
Aprend promedio 2003-07 97 ,89 26,79 9,148 7,553 6,266 Aprendizaje a lo largo de la vida - participación de los adultos de edad 25-64 en educación y formación (por 1.000 habitantes).
PIB promedio 2003-07 97 27,14 260,44 99,624 97,320 40,598 PIB a precios de mercado. PPA por habitante en % media EU
CG 2008 97 -2,37 1,62 0,229 0,512 0,953 Calidad gubernamental
DC 2007 93 25,00 66,00 49,753 49,000 10,583 Índice de descentralización
Capital 2010 97 0 1 - - - Variable binaria que indica si la capital está en la región NUT (1) o no (0)
Nota: Todas las variables están tomadas de la base de Estadisticas Regionales de Eurostat, excepto DC (BAK Basel Economics, Klipp, 2009) y CG (Comisión Europea, 2010b).
Fuente: Elaboración propia
