Según Greenaway y Kneller (2007), tanto la decisión de exportar como de innovar, deben controlarse por variables sectoriales. Dichos autores afirman que los efectos positivos de la entrada a mercados internacionales sobre la productividad serán menores si la brecha a la frontera tecnológica en la rama de actividad es menor. El potencial de aprendizaje varía entre industrias, dependiendo de la exposición previa a la competencia internacional y de la intensidad de I+D del sector.

En cuanto al comportamiento innovador de las firmas, las divergencias sectoriales son explicadas por diferencias en las posibilidades que cada industria tiene de beneficiarse de avances en el conocimiento científico y de los avances tecnológicos en ese y otros sectores relacionados (Marín y Petralia, 2018; Marín, Liseras, Calá y Graña, 2017).

El tamaño de la firma es una importante dimensión que incide sobre las decisiones tanto de exportar como de innovar (Golovko y Valentini, 2011; Neves et al., 2016). Tal como señalan Esteve-Pérez y Rodríguez (2013), es más probable que las empresas de mayor tamaño posean los recursos financieros y no financieros para implementar estas decisiones. Sin embargo, las firmas más pequeñas tienen otras ventajas, particularmente en actividades innovativas, por su mayor capacidad para reconocer oportunidades, su flexibilidad para adaptarse a entornos competitivos y por poseer estructuras menos rígidas (Rogers, 2004).

Hitt, Hoskisson y Kim (1997) plantean el aprendizaje organizacional que aporta a la empresa la gestión de productos diversificados. Así, la mayor experiencia que surge de la diversificación productiva contribuye al desarrollo de capacidades empresariales necesarias para la diversificación de las exportaciones. Una de las motivaciones principales de la diversificación productiva y exportadora, es el aprovechamiento de economías de alcance tecnológicas. Es decir, las empresas suelen innovar incorporando nuevos productos con el fin obtener ganancias de eficiencia en el uso compartido de las habilidades técnicas de la empresa (Lien y Klein, 2009; Farjoun, 1998; Markidesy Williamson, 1994).

Respecto del gasto en actividades innovativas, su efecto sobre la obtención de resultados de innovación ha sido ampliamente establecido (Chudnovsky, López y Pupato, 2006; Klevorick, Levin, Nelsony Winter, 1995; Crépon, Duguet y Mairesse, 1998). La relación entre el gasto en actividades innovativas y la exportación también se menciona en Petelski, Milesi y Verre (2016). Utilizar el gasto en actividades innovativas más allá de la I+D permite abarcar un espectro más amplio de actividades que buscan mejoras productivas al interior de la firma (Bitran, González, Greve y Villena, 2014).

Por su parte, las ganancias en productividad que hacen a la firma más propensa a exportar o a innovar, pueden controlarse teniendo en cuenta si la firma ha invertido en el período. Aw et al. (2011) citan numerosos trabajos que han medido el rol potencial de la inversión sobre la relación productividad-exportación. Dada la importante erogación que implican tanto las inversiones como los gastos en innovación, en ocasiones, las empresas utilizan programas públicos para financiar dichas actividades. Existe evidencia que documenta el efecto positivo del financiamiento obtenido a través de programas públicos en la inversión (Petelski, Milesi y Verre, 2017; Moori Koenig, Carugati, Ortiz Ibáñez y Wainfel, 2017; Milesi y Aggio, 2008).

Por último, en relación con las mejoras de gestión, la literatura sobre management ha prestado especial atención al desarrollo de capacidades organizacionales como base para la competitividad (Collis, 1994; Day, 1994). El mismo es el resultado de un proceso dinámico e interactivo en el que nuevos conocimientos y recursos se integran a los existentes en la firma y se convierten en una fuente sustentable de ventajas competitivas, necesarias para las empresas a la hora de innovar y exportar (Barney, 2001).

Así, las hipótesis a contrastar en este trabajo son:

H1. Las decisiones de exportar e innovar no son independientes entre sí.

H2. La probabilidad conjunta de exportar e innovar difiere según las características estructurales de las firmas.

H3. La probabilidad conjunta de exportar e innovar difiere según las acciones que llevan las empresas.

Los datos provienen de un relevamiento a empresas industriales marplatenses llevado a cabo durante el segundo semestre del año 2013, en el que se encuestaron un total de 312 empresas industriales, con una tasa de respuesta promedio del 62%. La falta de un padrón actualizado del cual extraer la muestra, hizo que se partiera de un padrón 2006 ajustado por altas y bajas. A partir del mismo se seleccionó una muestra de empresas estratificada por rama, con selección aleatoria en el estrato de hasta 100 ocupados e inclusión forzosa de las firmas de mayor tamaño. El cuestionario de encuesta se encuentra disponible en línea (http://nulan.mdp.edu.ar/2478/1/grana.etal.2016.pdf ).

Las variables a utilizar en el modelo econométrico se detallan en la Tabla 1.

Tabla 1. Definición de variables

Tabla 1.
Definición de variables

En cuanto a la categorización de rama, la misma se detalla en la Tabla 2. La rama Alimentos y bebidas se divide en pesquera y no pesquera, teniendo en cuenta la importancia relativa de la primera de ellas en el Partido de General Pueyrredon, así como sus características distintivas. En Otras actividades se agrupan ramas disímiles que por el escaso número de casos no pueden conformar categorías independientes.

Tabla 2.
Rama de actividad agrupada

La estrategia adoptada para determinar la existencia de simultaneidad entre las decisiones de innovación y de exportación por parte de las firmas industriales, consiste en la estimación de un modelo probit multivariado (Girma et al., 2008; Neves et al., 2016). Siguiendo a Greene (2003), el mismo consiste en una extensión del modelo univariado que permite modelar errores correlacionados, como en un modelo de regresión aparentemente no relacionado -seemingly unrelated regression or SUR model-. En este caso, se modela la probabilidad conjunta de dos variables indicadoras binarias (De Luca, 2008).

Partiendo de la formulación con variable latente, la especificación general del modelo con 2 ecuaciones resulta:

En cuanto a los términos de error, su distribución es normal bivariada, con esperanza condicional igual a cero, varianza unitaria y coeficiente de correlación ρ:

Si bien las ecuaciones pueden ser estimadas por separado, resulta más eficiente estimarlas en forma conjunta cuando $\rho \ne 0$ (De Luca, 2008). Respecto de las matrices de covariables, pueden ser iguales o distintas. Asimismo, es posible que $y_2\epsilon x_1$, dando lugar a un modelo recursivo. No obstante, los parámetros del modelo resultan identificados mientras exista algún regresor exógeno que aporte variabilidad a los datos (Wilde, 2000).

En un modelo SUR lineal se supone que la esperanza condicional del error de cada ecuación es nula, dado que ciertos momentos muestrales no convergen en probabilidad a los parámetros poblacionales con variables endógenas (Wooldridge, 2002). Sin embargo, la presencia de variables explicativas endógenas en el modelo probit bivariado puede ignorarse al formular la log-verosimilitud (Greene, 2003).

La distribución normal acumulada bivariada es:

siendo la función de densidad:

A partir de este modelo es posible obtener 4 resultados, los cuales corresponden a las 4 posibles realizaciones de las dos variables indicadoras binarias (Hardin, 1997; De Luca, 2008):

Para construir la función de log-verosimilitud, sea $q_{i1}={2y}_{i1}-1$ y $q_{i2}={2y}_{i2}-1$, tal que $q_{ij}=1$ si $y_{ij}=1$ y $q_{ij}=-1$ si $y_{ij}=0$. Sean $z_{ij}=x\genfrac{}{}{0ex}{}{\text{'}}{ij}{\beta }_j$, $w_{ij}=q_{ij}{z}_{ij}$ y $q_{i1}{q}_{i2}\rho$. Las probabilidades que entran en la función de verosimilitud son:

lo cual requiere de un cambio de signos para el cálculo de las probabilidades de que las variables dependientes asuman los valores de 0 y 1. Así, la función de log-verosimilitud, siendo ${\varnothing }_2$ la función de densidad normal bivariada y ${\text{Φ}}_2$ la función de densidad acumulada normal bivariada, resulta:

Los estimadores de máxima verosimilitud se obtienen simultáneamente igualando a cero las derivadas parciales. El estadístico del multiplicador de Lagrange permite contrastar la ausencia de correlación en el modelo. Bajo la hipótesis nula de $\rho =0$, el modelo consiste en ecuaciones probit independientes que pueden estimarse por separado, éste es igual a:

Hay distintos efectos marginales que puede ser interesante evaluar en este modelo. Sean $x=x_1\cup x_2$ y $x\genfrac{}{}{0ex}{}{\prime }{1}{\beta }_1=x^{\prime }{y}_1$, donde $y_1$ contiene a todos los elementos distintos de cero de ${\beta }_1$ y posiblemente algunos ceros en las posiciones de las variables explicativas que aparecen sólo en la otra ecuación. $y_2$ se define de la misma forma. La probabilidad bivariada es:

Así, los efectos marginales del cambio de x en esta probabilidad están dados por:

A continuación, se presenta un análisis descriptivo de los 312 casos activos en la muestra. La Tabla 3 observa la distribución muestral por rama agrupada, con un tercio de las empresas correspondientes a Alimentos y bebidas.

En cuanto a la distribución de la muestra según el tamaño de las empresas, ésta resulta con un 19% de microempresas (hasta 5 empleados), un 68% de pequeñas empresas (6 a 50 empleados), un 10% de empresas medianas (50 a 200 empleados) y 3% de empresas grandes.

Con respecto a la inserción en el mercado externo, el 22% de las empresas encuestadas han exportado parte de su producción en los últimos tres años. Los datos de exportaciones muestran que existen diferencias significativas por rama de actividad. Las ramas que lideran la participación en el mercado externo son: Alimenticia pesquera, donde el 70% de sus firmas exportan, y Maquinarias, equipos y aparatos eléctricos en la cual exporta un 47,1% de sus empresas (Tabla 4). En cuanto a los resultados de la innovación, el 55% de las empresas han obtenido en el período un producto o un proceso nuevo o mejorado.

Tabla 3
Distribución de las empresas por rama de actividad (según número de locales)

Tabla 4
Porcentaje de empresas por rama de actividad agrupada que realizaron exportaciones y/o innovaron en el período

Nota: las celdas pintadas indican residuos estandarizados superiores a 2 en valor absoluto.

Para medir diversificación productiva se preguntó a los empresarios cuáles son los productos que la firma ofrece (fabricados o comercializados con marca propia), los cuales fueron luego clasificados según el Sistema Armonizado versión 2007 (SA07). En la Tabla 4 se muestran diferentes medidas de diversificación productiva: la cantidad de productos, tanto a 2 como a 4 dígitos del nomenclador, y la media de las medidas de entropía con el mismo nivel de apertura. La primera representa la medida más simple de diversificación productiva, mientras que la segunda contempla también la participación de cada producto en el total de ventas de la empresa.

Asimismo, la apertura a 2 dígitos suele indicar que la firma ofrece productos diferentes entre sí (diversificación no relacionada), mientras que a 4 dígitos muestra más bien la diversificación relacionada. En la Tabla 5 se observa que, ya sea que se mida en cantidad de productos o según el índice de entropía, la diversificación no relacionada es mayor en las ramas Productos metálicos y Química, caucho y plástico, mientras que la diversificación relacionada resulta más elevada en la rama Textil.

Tabla 5
Medias de entropía y cantidad de productos por rama de actividad agrupada

Nota: estas medidas se calculan para 300 observaciones.

Finalmente, se presentan las medidas resumen por rama de actividad agrupada de las restantes variables explicativas del modelo de regresión que se presenta en la siguiente sección (Tabla 6).

Tabla 6
Medias de las variables explicativas del modelo por rama de actividad agrupada

Nota: las celdas pintadas indican residuos estandarizados superiores a 2 en valor absoluto.

En la Tabla 7 se presenta el modelo estimado en STATA con 300 observaciones -12 observaciones se pierden por no disponer de datos para la variable entropía-, donde ambas ecuaciones poseen las mismas variables explicativas.

Tabla 7
Salida del modelo de regresión biprobit

Nota: niveles de significatividad *** 1%, ** 5% y * 10%.

En primer lugar, cabe señalar la significatividad del parámetro auxiliar rho que mide la correlación entre los residuos de ambas ecuaciones, el cual asume un valor alto y próximo a 0,5. Esto valida la modelación conjunta de las decisiones de innovar y de exportar suponiendo simultaneidad entre las mismas, aportando evidencia a nuestra primera hipótesis (H1), según la cual las decisiones de inversión y exportación no son independientes entre sí.

En la primera ecuación, incrementa la probabilidad de que la firma exporte: el mayor gasto en actividades innovativas; la mayor diversificación productiva; que la empresa sea mediana o grande; la diversificación productiva con base en habilidades tecnológicas; el uso de programas públicos; la introducción de mejoras de gestión.

En la segunda ecuación, incrementa la probabilidad de que la firma innove: el mayor gasto en actividades innovativas; la mayor diversificación productiva; la diversificación productiva con base en habilidades tecnológicas; que la empresa invierta; la introducción de mejoras de gestión.

Respecto de la rama de actividad, en la ecuación de exportación, el coeficiente de la rama Pesquera resulta estadísticamente distinto al de Alimenticia no pesquera. Ello es consecuencia del comportamiento netamente exportador de las empresas pesqueras del PGP. Los coeficientes negativos y altos de Madera y muebles y de Otras actividades se explican porque ninguna empresa de estas ramas agrupadas exporta. Por último, que una firma pertenezca a Maquinarias y equipos eleva su probabilidad de exportar, manteniendo las demás variables constantes. Por su parte, en la ecuación de innovación, las ramas Textil, Madera y muebles, Química, caucho y plástico, y Otras actividades tienen un efecto significativamente distinto al de la rama Alimenticia no pesquera.

La diversificación productiva tiene un efecto positivo tanto en la probabilidad de exportar como en la de innovar. Lo mismo ocurre con la motivación tecnológica como explicación de la diversificación productiva. Es decir, que las empresas diversifiquen su producción con base en el aprovechamiento de las habilidades tecnológicas acumuladas (economías de alcance tecnológicas) incrementa la probabilidad tanto de exportar como de innovar.

En cuanto al tamaño de las firmas, el mismo tiene un efecto positivo en la ecuación de exportación, pero no significativo en la de innovación. Es decir, a medida que el tamaño de las empresas aumenta la probabilidad de exportar, siendo el tamaño de la firma un factor relevante en la actividad exportadora.

La realización de inversiones tiene un efecto positivo sobre la probabilidad de innovar, pero no de exportar. Lo opuesto sucede con el uso de programas públicos.

En la Tabla 8 se presentan los resultados de la prueba que permite contrastar si el efecto de las variables es el mismo en ambas ecuaciones. En todos los casos se concluye que el impacto en la ecuación de exportación y en la innovación no difiere significativamente (H2 y H3).

Con respecto a las probabilidades conjuntas estimadas por el modelo, éstas se sintetizan en la Tabla 9. La media de las probabilidades conjuntas prácticamente no difiere de las proporciones muestrales presentadas en la sección anterior.

Tabla 8
Prueba de Wald de igualdad de efectos

Tabla 9
Probabilidades conjuntas estimadas

nliseras@mdp.edu.ar