La Inversión en I+D y el Crecimiento en la Productividad Laboral:

Una Revisión del Caso de Latinoamérica

Síntesis
Presentamos resultados parciales de una línea de investigación acerca del impacto de la inversión en
Investigación y Desarrollo, y la capacidad de innovación, sobre la productividad del trabajo y el capital en los
países de Ibero y Norteamérica. La intención es comprender de forma particular en el caso de México los
impactos que tienen las políticas de inversión en I+D, respecto a la observada en grupos de países
comparables (bajo diferentes criterios). Tomando como punto de partida investigaciones anteriores aplicadas
a nivel tanto micro como macro realizadas principalmente en Europa, Estados Unidos y Canadá, planteamos
un modelo econométrico orientado a evaluar el impacto de la inversión en las actividades de investigación y
desarrollo tecnológico, y de la capacidad de innovación, sobre la productividad del trabajo y del capital y,
con ello, el crecimiento económico.
Así, pretendemos establecer de forma clara la relación entre inversión en I+D, medida a través del gasto en
ciencia y tecnología (GCyT) y el incremento de la productividad del trabajo y posteriormente del total de los
factores, la cual ha sido ampliamente documentada en otras regiones, pero que para el caso de Latinoamérica
solamente ha recibido algún tratamiento menos sistemático.
El tema de la relación entre I+D y el aumento de la productividad no es novedoso. Dicha relación ha sido
documentada desde la década de los cincuentas. A pesar de esto, la carencia de información comparable entre
diversos países ha llevado a que los resultados obtenidos en investigaciones cuantitativas previas sean poco
concluyentes. Por esta razón, algunos autores plantean como problema central no ya la relación misma entre
I+D y la Productividad, sino encontrar el modelo econométrico más adecuado para verificar dicha relación.
En Latinoamérica y en México este tema ha tomado relevancia a partir de los 90’s y el registro de
indicadores científico-tecnológicos apenas inició en esa década, por lo que no pueden obtenerse fácilmente
series longitudinales significativas y homogéneas, lo que ha limitado el alcance de las investigaciones en la
región.
Aprovechando la homogeneidad de la base de datos de la Red de Indicadores de Ciencia y Tecnología
(RICYT), planteamos un modelo econométrico usando datos en panel, que mantiene como prioridad la
parsimonia y transparencia teórica. En el modelo se introduce un aspecto novedoso al tomarse en cuenta de
forma explícita, que no es la inversión en ciencia y tecnología la única variable explicativa que es importante
considerar. La capacidad de innovación, que en este trabajo denominamos Coeficiente de Invención (CI) es
también una variable con un fuerte papel como predictor de la productividad. Cuando se considera la
capacidad para la producción de innovaciones, tanto en productos como en procesos, el poder explicativo del
modelo aumenta significativamente.
El trabajo se ocupa en la parte final del análisis de las implicaciones de estos resultados para las políticas de
ciencia, tecnología e innovación para México y para países comparables bajo diversos criterios.

INTRODUCCIÓN

La presente investigación continúa la línea de trabajo acerca de la relación entre las actividades
de Investigación y Desarrollo (I+D) a nivel agregado y su impacto sobre la innovación
tecnológica y la productividad de los países de Ibero y Norteamérica, profundizando de forma
particular en el caso de México. Tomando como punto de partida investigaciones anteriores
aplicadas a nivel tanto micro como macro realizadas principalmente en Europa, Estados Unidos y





Canadá, se especifica un modelo econométrico que busca resumir el proceso que va desde el
establecimiento de un compromiso claro a nivel país en las actividades de investigación hasta el
uso de estas innovaciones en sus actividades de producción y su esperado impacto en la
productividad del trabajo.
Así, nuestro objetivo es establecer de forma clara la relación, en caso de que ésta exista, entre
inversión en I+D, medida a través del gasto en ciencia y tecnología (GCyT) y el incremento de la
productividad total de los factores (PTF), particularmente en la productividad del trabajo o
productividad laboral (PL), la cual ha sido ampliamente documentada, aunque con resultados
ambiguos, en otras regiones del planeta, pero para el caso de Latinoamérica solamente ha
recibido algún tratamiento residual.
El tema de la relación entre I+D y el aumento de la productividad no es novedoso, pues se ha
venido planteando la existencia de dicha relación desde la década de 1950, sin embargo, la
carencia de información longitudinal y/o transversal suficiente y comparable entre diversos países
ha llevado a que los resultados obtenidos en investigaciones cuantitativas previas sean poco
concluyentes, propiciando el que algunos autores planteen como problema central ya no la
relación misma entre I+D y la Productividad, sino el encontrar el modelo econométrico más
adecuado para verificar dicha relación (Balcombe, Bailey y Fraser, 2005).
En Latinoamérica y en México de forma particular, este tema ha tomado relevancia a partir de
principios de los 90’s por lo que la información e indicadores científico-tecnológicos no pueden
rastrearse a periodos anteriores, lo que ha limitado el alcance de las investigaciones en estos
países, e inclusive las investigaciones científicas en este campo para la región, se encuentran aún
hoy en proceso de formación.
Por todo lo anterior, y aprovechando la homogeneidad de la base de datos de la Red de
Indicadores de Ciencia y Tecnología (RICYT), planteamos un modelo econométrico usando
datos en panel, que mantiene como prioridad la parsimonia y transparencia teórica. En términos
concretos, en el modelo se introduce un aspecto novedoso al tomarse en cuenta de forma
explícita, que no es el input para innovar (el GCyT) la única variable explicativa que vale la pena
considerar, sino que la capacidad de innovación o lo que en este trabajo denominaremos el
Coeficiente de Invención (CI) del país en cuestión, afectara igualmente la productividad, pues el
invertir en investigación y desarrollo tiene como fin último la obtención de innovaciones tanto en
productos como en procesos, que contribuyan al aumento en la productividad.
La estructura del documento es la siguiente: en el primer apartado se presenta la revisión de la
literatura relevante de la relación entre inversión en investigación y desarrollo y la productividad,
tanto a nivel de empresas como en agregados nacionales. Posteriormente se presenta la
metodología empleada en la investigación: el modelo teórico-econométrico planteado y la
descripción de los datos. En el tercer apartado se exponen y comentan los principales hallazgos
de las estimaciones realizadas. Finalmente, se presentan las conclusiones de esta investigación y
se plantean posibles líneas de trabajo futuras en esta área.



ANTECEDENTES

En el año de 1956 Abramovitz, en una investigación pionera en este campo, buscó identificar los
factores que propician el crecimiento de la productividad, concluyendo que el stock de
conocimiento en las organizaciones y las técnicas de producción habían crecido debido,
probablemente, a la inversión en investigación y educación, entre otros factores.
Posteriormente, el trabajo de Solow (1957) avanzó en este sentido, señalando que la inversión en
investigación y desarrollo (I+D) es una fuente de crecimiento de la productividad. Desde
entonces, se han realizado numerosos estudios sobre esta relación a nivel de empresas, industrias
y países. Obteniendo resultados que por lo general, tienden a respaldar el vínculo entre la
inversión en I+D y el aumento en la productividad de los factores, sin embargo, las dificultades e
inclusive contradicciones en las pruebas empíricas no han estado ausentes en este campo de
investigación.
Un primer aspecto que puede limitar el alcance de los hallazgos es la posible simultaneidad entre
estas variables, es decir, ¿son los países que más invierten en I+D los más productivos, o es el
mayor gasto en I+D el que permite aumentar la productividad? ¿Ocurren ambas relaciones al
mismo tiempo? Algunas investigaciones (Bravo-Ortega & García, 2008; Máñez, Rincón,
Rochina & Sanchis, 2005) se han ocupado de esta cuestión y han llegado a la conclusión de que,
en promedio, las empresas o países que realizan un mayor esfuerzo de I+D se vuelven más
productivos en el futuro, es decir, la inversión en I+D es la que conduce a una mayor
productividad y no de forma inversa.
Un segundo problema que ha tenido que enfrentar la investigación en este campo está dado por el
hecho de que, mientras la base empírica principal de que el crecimiento de la productividad total
de los factores (PTF) está influenciada fuertemente por los gastos en I+D, se ha puesto en duda
en el largo plazo, dados los movimientos conjuntos de la I+D y la PTF dentro de países de la
OCDE. Particularmente, Jones (1995a, b) observó que desde principios de la década de 1950 el
número de científicos vinculados a la I+D en Estados Unidos ha crecido más de cinco veces, sin
que esto haya traído como resultado algún aumento significativo en la tasa de crecimiento de
productividad laboral o de la PTF, lo que se contrapone a lo que podríamos considerar como la
primera generación de teorías basadas en la I+D. Según estas teorías, una mayor inversión en
I+D, medida a través de la cantidad de trabajo dedicado a las actividades de I+D debe conducir a
un mayor crecimiento de la PTF (Grossman & Helpman, 1991; Aghion & Howitt, 1992).
Los teóricos han respondido a este desafío desarrollando una segunda generación de teorías
basadas en la I+D consistente con estos resultados. Esta segunda generación puede dividirse en
dos grandes grupos, con fundamentos similares pero implicaciones de largo plazo radicalmente
diferenciadas. La primera es la teoría “semi-endógena” de Jones (1995b), que incorpora el
supuesto de rendimientos decrecientes del stock de conocimiento en I+D. Esto es, mientras que la
tecnología se desarrolla y llega a ser cada vez más compleja, se debe mantener un crecimiento
sostenido de la inversión en I+D para mantener la tasa de crecimiento de la PTF en un nivel dado.
La otra vertiente teórica plantea un modelo de crecimiento completamente endógeno (Peretto,
1998; Howitt, 1999). Estos autores han señalado que a medida que una economía crece, la
proliferación de una mayor variedad de productos conduce a una reducción de la efectividad
relativa de la I+D, debido a la distribución de los recursos en un número cada vez más grande de
sectores. Sin embargo, pese a estos efectos negativos del incremento en la complejidad de los





mercados sobre la productividad de la I+D, esta vertiente mantiene el supuesto de rendimientos
constantes del stock de conocimiento en I+D, siendo consistente con las tendencias observadas
entre el crecimiento fijo de la PTF y el crecimiento acelerado del trabajo en I+D, debido a que el
crecimiento en el trabajo en I+D es necesario para contrarrestar el efecto negativo de la
proliferación de productos en la productividad de la I+D (Ha y Howitt, 2006).
Estudios recientes han buscado comparar la calidad de ambos marcos analíticos, llegando a la
conclusión de que el modelo de crecimiento endógeno es más consistente con las tendencias
observadas en el largo plazo entre la I+D y la productividad, que la teoría de crecimiento semi-
endógeno (Zachariadis, 2003; Laincz y Peretto, 2004; Ulku, 2005).
Hasta este punto, se han revisado, aunque de forma somera, las principales discusiones teóricas
que se han generado en torno a la investigación de la relación entre I+D y productividad, sin
embargo, existe un espectro de discusión aún más amplio en las implicaciones metodológicas de
las investigaciones previas, que es lo que discutiremos a continuación.

La relación I+D - Productividad

El análisis empírico de la relación entre I+D y productividad se lleva a cabo habitualmente a

partir de la estimación de una función de producción en la que se incluye como variable
explicativa el “capital tecnológico” concepto que puede encontrarse en el trabajo de Griliches
(1979) que sostiene que en la función de producción, además de los factores productivos
habituales, existe otro factor productivo diferenciado que puede denominarse capital de
investigación, capital tecnológico o “capital I+D”.
En este sentido, la existencia de diferencias de productividad entre empresas que llevan a cabo
actividades de I+D y empresas que no las realizan es consistente con la hipótesis de rendimiento
de las actividades de I+D, la cual encuentra su referente teórico en el mencionado “R&D capital
stock model” (Griliches, 1979). Este modelo considera los gastos de I+D como una inversión de
la que se deriva un stock de conocimientos (o capital tecnológico) susceptible de ser incorporado
por la empresa como un input más en su actividad productiva. Como tal, tiene un impacto
positivo sobre la productividad de la empresa.
Las implicaciones empíricas del R&D capital stock model puede resumirse de la siguiente
manera: la puesta en marcha de actividades de I+D da lugar a un proceso de divergencia en
términos de productividad entre las empresas que inician estas actividades y las que no lo hacen,
con el resultado de mayores productividades para las primeras.
Hasta ahora, los trabajos realizados acerca de la relación entre productividad y gasto en I+D han
estimado fundamentalmente funciones de producción. Partiendo de estas funciones, determinan
la elasticidad de la producción respecto al capital tecnológico. El problema subyacente es que los
análisis de este tipo requieren datos sobre el stock de capital de investigación, los cuales no están
disponibles.
Por este motivo es preciso realizar una estimación del stock de capital tecnológico.
Habitualmente se utiliza el método del inventario perpetuo. Es decir, el capital de cada período se
halla a partir del capital del período anterior menos la depreciación y más la inversión de ese





capital en el período. Este procedimiento requiere hacer hipótesis sobre el valor de la tasa de
depreciación del capital y tomar un valor inicial de dicho capital.1
Algunos ejemplos de estudios previos que han analizado la influencia de los gastos en I+D sobre
la productividad, intentando estimar la tasa de rendimiento de los gastos en I+D a partir de datos
de empresas individuales son los siguientes:
• Clark y Griliches (1984) para el período 1970-1980 con datos de 924 empresas
manufactureras norteamericanas.
• Lichtenberg y Siegel (1991) se utilizan datos de panel para la industria estadounidense en
el período 1972-1985.
• Bessen (2000) parte de una muestra de 471 empresas norteamericanas entre 1983 y 1989.
• Odagiri e Iwata (1986) para Japón, utilizando datos de empresas individuales en dos
períodos distintos: desde 1966 hasta 1973 y desde 1974 hasta 1982.
• Fecher (1990) para empresas belgas, entre 1981 y 1983.
• Hall y Mairesse (1995) analizan el caso de Francia para el período muestral desde 1980
hasta 1987, con información de 351 empresas.
• Wakelin (2001) analiza el Reino Unido usando información proporcionada por 170
empresas británicas durante los años 1988-1996.
• Parisi, Schiantarelli y Sembenelli, (2002) estudian 941 empresas italianas y se refiere a
1992-1997.
• Goedhuysa, M., Janza, N., y Mohnena, P. (2008) estudian empresas de Tanzania con
datos del World Bank Investment Climate Survey (ICS) del 2002.
• En lo que respecta a nuestro país, el único caso de análisis a nivel empresa que pudo
encontrarse en la literatura es el de Pérez, P., Dutrénit, G., & Barceinas, F. (2005), que
usan datos de la Encuesta Nacional de Innovación 2001, y emplearon una muestra de 234
empresas de alta tecnología (y dicho sea de paso, no encontraron evidencia de una
relación entre inversión en I+D y productividad.
En todos estos casos, las estimaciones de la tasa de rendimiento que se han encontrado son
dispares, derivado principalmente, del modo en que se miden las diferentes variables incluidas en
las estimaciones y del tratamiento que se da a las mismas, de las fuentes de datos utilizadas
además de la diversidad en los métodos de estimación empleados.
De forma paralela, se han desarrollado algunas investigaciones que realizan un esfuerzo
comparativo entre un mayor número de países, en algunos casos empleando información a nivel
empresa y algunos otros, a nivel agregado, buscando probar mediante modelos econométricos la
existencia de la relación entra la inversión en I+D y la productividad de las economías
nacionales. Sin embargo, las dificultades en este sentido parecen ser mucho mayores que las que
se pueden tener a nivel de empresas en un solo país, pues se debe enfrentar la inexistencia de
datos para algunos casos y el reducido tamaño de los datos existentes en otros, además de la
heterogeneidad de los que sí se encuentran disponibles, volviendo difícil su comparación. Una
descripción de algunos ejemplos de estas investigaciones se presenta a continuación:
• Griliches y Mairesse (1983) analizan y comparan los casos de Estados Unidos y Francia,
entre 1973 y 1978.

1
En esta investigación emplearemos el ‘Coeficiente de invención’ de cada país como una variable proxy del capital
tecnológico con el que se cuenta. Para más detalles véase la sección de Metodología.





 • Coccia, M. (2007) hace un análisis comparativo de Alemania, Austria, Bélgica, Bulgaria,
Croacia, Chipre, República Checa, Dinamarca, Estonia, Finlandia, Francia, Grecia,
Hungría, Islandia, Irlanda, Italia, Japón, Latvia, Lituania, Luxemburgo, Malta, Países
Bajos, Noruega, Polonia, Portugal, Rumania, Eslovaquia, Eslovenia, España, Suecia,
Suiza, Turquía, Reino Unido, Estados Unidos, con datos de Eurostat (2007) empleando
OLS y 2SLS.
• Raffo, J., Lhuillery S. & Miotti, L. (2008), comparan los casos de Francia, España, Suiza,
Argentina, Brasil, y México, empleando datos obtenidos de cuestionarios derivados del
Manual de Oslo y del Manual Bogotá, mediante modelos de tipo TOBIT, PROBIT y OLS
Como se señala anteriormente, los mayores problemas devienen precisamente de la dificultad
para obtener y comparar los datos entre los países, lo que provoca que los resultados, aunque
valiosos e intuitivos, sean cuestionables. Así, aunque las investigaciones en este campo tienden a
conclusiones similares, las estrategias de contrastación empírica y las variables usadas suelen ser
diversas, trayendo como consecuencia un grave problema para comparar y replicar resultados en
contextos variados.

METODOLOGÍA

Esta sección se centra en la descripción del modelo econométrico utilizado para analizar la
relación existente entre el gasto en ciencia y tecnología y la productividad laboral. Se hace uso
del análisis de cluster y los datos del panel.

Datos de panel y análisis de conglomerados

Se realizó una búsqueda de bases de datos con información que permitiera medir la relación entre
gasto en ciencia y tecnología y productividad laboral para México y el resto de países de América
y la península ibérica. Las series estadísticas disponibles por país tienen la limitante de contar con
un número pequeño de observaciones (18 observaciones cuando la serie está completa, lo que no
sucede en todos los casos), situación no propicia para realizar análisis por país a través de
técnicas como series de tiempo, o de corte transversal ya que sólo se tienen 23 unidades de
análisis. El uso de datos de panel que son conjuntos de datos que combinan series temporales con
unidades de sección cruzada o de corte transversal (Greene 1999).
Autores como Baltagi (2001) destacan entre las ventajas del uso de los datos de panel: el control
sobre la heterogeneidad individual, una mayor variabilidad, menor colinealidad entre las
variables, más grados de libertad y mayor eficiencia, así como una mejor adecuación al estudio
de las dinámicas de ajuste, además de que permiten identificar y medir efectos que no son
detectables en datos de sección cruzada o de series temporales.
Entre las limitantes se presenta el problema de recolección de datos, distorsiones por errores de
medida y la corta dimensión temporal que se tiene, generalmente, en los conjuntos de datos. En
nuestro caso, estas limitaciones se superan debido a que se dispone de una base de datos
elaborada bajo la misma metodología, 2además de que el análisis no se limita a uno o dos años
sino a dieciocho, situación que permite un panorama temporal más amplio.






























































2
Una descripción detallada de la base de datos se presenta en la siguiente sección.





Antes de aplicar la técnica de datos de panel se buscó establecer una clasificación adecuada de
los países considerados (dadas las diferencias que existen entre ellos), para lo cual se utilizó el
análisis de cluster, también conocido como análisis de conglomerados, taxonomía numérica o
reconocimiento de patrones, que es una técnica estadística multivariante cuya finalidad es dividir
un conjunto de elementos en grupos de manera que los perfiles de los elementos en un mismo
grupo sean similares entre sí (Kaufman y Rousseeuw, 1990).
Cabe destacar que los países considerados para el análisis de conglomerados son distintos desde
el punto de vista económico, así como desde la perspectiva de sus políticas de ciencia y
tecnología. Por un lado, se encuentran países desarrollados como EUA y Canadá, países
iberoamericanos (España y Portugal), las economías latinoamericanas más importantes como
México, Brasil, Argentina y Chile. Es necesario considerar estas diferencias al momento de
plantear el modelo econométrico, ya que se requiere examinar países con características similares
para que el análisis de corte cuantitativo proporcione estimaciones más confiables.
De esta forma, se obtuvieron clusters de acuerdo al criterio de productividad laboral y de gasto en
ciencia y tecnología con el paquete estadístico SPSS.3 Se utilizó el método de conglomerados
jerárquicos de distancia euclídea al cuadrado.4 Alternativamente, se consideró una clasificación
de tipo económico–regional como se presenta en la Tabla 1.

Tabla 1: Agrupación de Países para Análisis de Regresión.

Clasificación económico - regional
México y el resto de América Latina
México, Estados Unidos y Canadá
(TLCAN)
México, Argentina, Brasil y Chile.


Clasificación basada en el análisis de clusters
México, España, Canadá y Argentina.
México, Portugal, Argentina, Venezuela, Bolivia, Chile y
Colombia.
México, Portugal, Argentina, Venezuela, Perú, Chile y
Colombia.
México, Argentina, Colombia y Venezuela.
México, Canadá y España.

De estos grupos se seleccionan aquí los tres primeros, que representan distintos criterios de
carácter económico - regional y el último de los conglomerados identificados por SPSS, con el
fin de determinar si los criterios de homogeneidad en los datos que ese método genera
proporcionan alguna evidencia en favor de los modelos aquí propuestos. Aunque los resultados
resultan consistentes para todos los grupos, aquí presentamos, por razones de espacio, sólo los
casos más ilustrativos.
Modelo econométrico
Después de obtener los clusters de países, se puede proceder al uso de los datos de panel
mediante la estimación del modelo pooled5, el cual supone que la variable dependiente responde
de igual manera a todas las variables explicativas, incluida la constante. De esta forma, se






























































3
Una de las ventajas del análisis de conglomerados es que se puede crear una taxonomía que resulte útil, ajustada al
objetivo del análisis, en caso de que ésta no exista.
4
Con el uso de este método se busca la mayor semejanza entre los elementos o grupos más cercanos.
5
También están los modelos de efectos fijos y efectos aleatorios, que no son considerados para los fines de esta
investigación.





obtienen coeficientes homogéneos para los países considerados a través de una estimación por
Mínimos Cuadrados Ordinarios (MCO).
Mediante la estimación de los modelos que se exponen a continuación se busca evidencia
empírica que sustente la hipótesis de que el gasto en ciencia y tecnología y la innovación han
mantenido una relación directa con los niveles de productividad laboral para el caso de los países
de América e Iberoamérica durante el periodo 1990-2007.
El primer modelo estimado se representa de la siguiente forma:






























Donde:
- Yit es la productividad laboral del país i en el periodo t.
-
es la constante.
- ’ es el vector de coeficientes de la variable explicativa gasto en ciencia y tecnología.
- Xit es el gasto en ciencia y tecnología del país i en el periodo t.
- uit es el término de error.
El segundo modelo se presenta como:






























Donde:
- Yit es la productividad laboral del país i en el periodo t.
-  es la constante.
- ’ es un vector de coeficientes de las variables explicativa gasto en ciencia y tecnología y
coeficiente de invención.
- Xit es el gasto en ciencia y tecnología, y el coeficiente de invención del país i en el periodo t.
- uit es el término de error.
El tercer modelo se especifica como:






























Donde:
- Yit es la productividad laboral del país i en el periodo t.
-
es la constante.
- ’ es un vector de coeficientes de la variable explicativa gasto en ciencia y tecnología.
- Xit es el gasto en ciencia y tecnología del país i en el periodo t - k.
- uit es el término de error.
Y el cuarto modelo se define como:






























Donde:
- Yit es la productividad laboral del país i en el periodo t.





-
es la constante.
- ’ es un vector de coeficientes de las variables explicativas gasto en ciencia y tecnología y
coeficiente de invención.
- Xit es el gasto en ciencia y tecnología del país i en el periodo t - k, y el coeficiente de
invención del país i en el periodo t.
- uit es el término de error.
Para los modelos (3) y (4) se hace uso de variables rezagadas (t-k), dado que se debe considerar
que el impacto del gasto en ciencia y tecnología sobre el aumento de la productividad del trabajo
no es inmediato. Además de que este efecto, una vez desencadenado, puede que no se limite a un
único periodo, por lo que dichos impactos se distribuyen en el tiempo. Se consideraron hasta
siete rezagos.
La estimación del modelo con datos de panel se realizó con el paquete estadístico STATA. Cabe
aclarar que se utilizó un panel desbalanceado ya que algunos países no cuentan con el mismo
número de observaciones. Además, la información se manejó mediante la transformación de los
datos en logaritmos naturales.6
Base de datos
La información se obtuvo de la base de datos de la Red de Indicadores Ciencia y Tecnología –
Iberoamericana e Interamericana- (RICYT), que contiene series históricas de 1990 a 2007 para
los países de América, además de España y Portugal. Las variables consideradas se describen a
continuación:
• La productividad laboral se calculó de acuerdo a la metodología de Hernández Laos, E.,
Garro Bordonaro, N. y Llamas Huitrón, I. (2000), quienes la definen como el producto por
trabajador. De esta forma, esta variable se obtuvo de la división del Producto Interno Bruto
(PIB) expresado en Paridad de Poder de Compra (PPC) entre la Población Económicamente
Activa (PEA).
• El Gasto en Ciencia y Tecnología (GCyT) se obtuvo sumando los conceptos de actividades
científicas y tecnológicas así como el de investigación y desarrollo, también expresados en
PPC.
• Coeficiente de invención (CI) que indica el número de patentes solicitadas por residentes por
cada 100,000 habitantes.
La elección de las variables GCyT y el coeficiente de invención como variable Proxy del
coeficiente de innovación se realizó en base a la revisión de literatura ya expuesta, dado que éstas
permiten representar de manera más aproximada el concepto de inversión en investigación y
desarrollo. La operacionalización de la productividad laboral se ajusta a los parámetros de las
mediciones tradicionales en este ámbito.

EVIDENCIA EMPÍRICA

En esta sección se describen los principales resultados obtenidos al estimar el modelo

econométrico para algunos de los grupos de países descritos en la sección metodológica. Estos






























































6
Se realizó esta transformación para eliminar la tendencia y estabilizar la varianza de las series.





grupos fueron seleccionados del conjunto como ilustrativos de la validez de la relación postulada
entre PL, GCyT y CI en distintas condiciones de homogeneidad/heterogeneidad de los niveles y
patrones de desarrollo en ellos.
En primer término, para el conglomerado en el que se agrupa a México junto al resto de los
países de América Latina, se encuentra una relación directa entre el GCyT y la PL, además de ser
significativa la regresión, sin embargo, se tiene un R2 cuadrado de aproximadamente 0.10, por lo
que el modelo tiene un bajo poder explicativo. Al aplicar rezagos a la variable GCyT la relación
se mantiene, incluso significativamente, pero se reduce el poder explicativo.
Por otro lado, cuando al modelo se agrega como segunda variable explicativa el CI, se incrementa
significativamente el poder explicativo de modelo, con valores cercanos a 0.20, y con
coeficientes significativos. Al aplicar rezagos los coeficientes de las variables independientes
continúan siendo significativos. Destaca el sexto rezago, en donde el valor explicativo del modelo
es el mayor de los obtenidos (24%). Como habremos de ver, y de acuerdo con lo que otros
investigadores han planteado, esto es consistente con el rezago en el impacto que el GCyT tiene
en el desarrollo económico.

Cuadro 1. México y resto de América Latina

Modelos 1 y 3
t t-1 t-2 t-3 t-4 t-5 t-6 t-7
GCyT 0.07*** 0.07*** 0.07*** 0.06*** 0.06*** 0.06*** 0.06*** 0.06***
t 5.96 5.54 5.37 4.95 4.49 4.23 3.84 3.44
2
R 0.14 0.13 0.13 0.12 0.11 0.1 0.1 0.09
F 35.57 30.64 28.86 24.46 20.13 17.91 14.72 11.85
Prob > F 0 0 0 0 0 0 0 0
Modelos 2 y 4
GCyT 0.05*** 0.05*** 0.04*** 0.04*** 0.04*** 0.04** 0.03** 0.03**
t 4.04 3.52 2.96 2.82 3 2.46 2.21 2.03
CI 0.09*** 0.09*** 0.11*** 0.09*** 0.09*** 0.11*** 0.12*** 0.10***
t 3.61 3.31 4.04 3.51 3.45 4.15 4.11 3.74
2
R 0.21 0.19 0.22 0.19 0.19 0.23 0.24 0.21
F 26.62 21.13 23.61 18.14 17.25 19.32 18.09 14.43
Prob > F 0 0 0 0 0 0 0 0
Nota: *: p<0.1, **: p<.05, ***: p<.01

El segundo grupo está integrado por los países miembros del TLCAN. A pesar de la evidente
desigualdad en sus niveles y rutas de desarrollo económico y social, en este grupo se observa
también una relación positiva entre el GCyT y la PL con un poder explicativo del 70%
aproximadamente, principalmente a partir del quinto rezago de la variable explicativa. Al
incorporar el CI como una segunda variable exógena, aunque aumenta el poder explicativo del
modelo y se encuentra una relación directa y significativa entre esta nueva variable y la





dependiente, sin embargo, el GCyT ya no es significativo y conforme aumentan los rezagos se
encuentra una relación negativa entre éste y la PL.

Cuadro 2. México, Estados Unidos y Canadá (TLCAN)

Modelos 1 y 3
t t-1 t-2 t-3 t-4 t-5 t-6 t-7
GCyT 0.24*** 0.24*** 0.25*** 0.25*** 0.25*** 0.25*** 0.25*** 0.24***
t 10.46 10.37 10.09 9.83 9.53 9.28 8.98 8.6
2
R 0.68 0.69 0.69 0.69 0.69 0.7 0.7 0.7
F 109.32 107.47 101.79 96.72 90.75 86.17 80.58 73.93
Prob > F 0 0 0 0 0 0 0 0
Modelos 2 y 4
GCyT 0.004 0.01 0.01 0.004 -0.008 -0.01 -0.02 -0.02
t 0.18 0.38 0.48 0.2 -0.34 -0.49 -0.69 -0.71
CI 0.23*** 0.23*** 0.23*** 0.23*** 0.24*** 0.25*** 0.25*** 0.25***
t 10.24 10.29 10.61 11.04 11.9 12.09 12.92 12.96
2
R 0.89 0.9 0.91 0.92 0.93 0.94 0.95 0.96
F 216.31 221.8 230.48 245.34 275.81 285.31 320.42 319.36
Prob > F 0 0 0 0 0 0 0 0
Nota: *: p<0.1, **: p<.05, ***: p<.01

La relación entre GCyT y PL que se establece en el grupo de las economías más importantes de
Latinoamérica (México, Argentina y Chile)7 es directa, además de significativa, con un R2 de
aproximadamente 30%. Sin embargo, al incluir rezagos de la variable explicativa el poder
explicativo del modelo decrece, y el GCyT deja de tener un impacto estadísticamente
significativo. Con todo, al incorporar como variable exógena el CI, nuevamente el modelo mejora
su poder explicativo, y tanto el GCyT como el CI presentan un impacto significativo en la PL,
principalmente cuando se considera el rezago de los años 2 al 4.
Es digno de mencionar que, si bien la economía brasileña es una de las más grandes de la región,
y ha tenido un comportamiento sobresaliente en los últimos años, lamentablemente no fue posible
incluirlo en el grupo que buscaba incluir a las economías más grandes y dinámicas de la región.
La disponibilidad de los datos en las series de tiempo de este grupo de países también hace que la
estimación de los rezagos en los modelos sea más corta. Sin embargo, también este caso arroja
resultados significativos.

7
No se incluyó Brasil debido a la limitación en el número de observaciones.





 Cuadro 3. México, Argentina y Chile
Modelos 1 y 3
t t-1 t-2 t-3 t-4 t-5
GCyT 0.13*** 0.10*** 0.08*** 0.07** 0.05* 0.03
t estadístico 5.29 4.4 3.49 2.59 1.96 1.39
2
R 0.36 0.29 0.21 0.13 0.09 0.05
F 28.01 19.4 12.17 6.7 3.83 1.94
Prob > F 0 0 0 0.01 0.06 0.17
Modelos 2 y 4
GCyT 0.20*** 0.19*** 0.18*** 0.17*** 0.14*** 0.12***
t estadístico 7.04 7.11 6.66 5.57 4.72 4.13
CI 0.14*** 0.17*** 0.18*** 0.18*** 0.16*** 0.15***
t estadístico 3.83 4.73 5.07 4.69 4.29 4.14
2
R 0.51 0.52 0.5 0.43 0.38 0.36
F 25.25 25.3 22.27 15.98 11.95 9.98
Prob > F 0 0 0 0 0 0
Nota: *: p<0.1, **: p<.05, ***: p<.01

En el grupo que incluye a México, Canadá y España, se presenta una relación directa y
significativa entre las variables independientes y PL, así como valores de R2 altos, especialmente
en los modelos 3 y 4, en donde destacan el quinto y sexto rezago.

Cuadro 4. México, Canadá y España

Modelos 1 y 3
t t-1 t-2 t-3 t-4 t-5 t-6 t-7
GCyT 0.50*** 0.51*** 0.52*** 0.52*** 0.53*** 0.53*** 0.53*** 0.53***
t 9.1 8.69 7.97 7.65 7.22 6.97 6.54 6.24
2
R 0.61 0.61 0.58 0.58 0.57 0.57 0.56 0.56
F 82.77 75.45 63.58 58.46 52.1 48.61 42.77 38.9
Prob > F 0 0 0 0 0 0 0 0
Modelos 2 y 4
GCyT 0.23*** 0.24*** 0.24*** 0.22*** 0.20*** 0.18*** 0.16*** 0.15***
t 6.71 7.5 7.43 6.76 5.89 5.22 4.42 3.73
CI 0.20*** 0.20*** 0.21*** 0.21*** 0.22*** 0.22*** 0.22*** 0.23***
t 13.03 14.29 15.34 15.42 16.11 16.06 15.89 15.17
2
R 0.91 0.93 0.93 0.94 0.94 0.95 0.95 0.95
F 261.39 296.38 311.32 309.12 324.22 321.94 305.93 278.38
Prob > F 0 0 0 0 0 0 0 0
Nota: *: p<0.1, **: p<.05, ***: p<.01





Este último resultado es sorpresivo e interesante, pues corresponde al grupo integrado por el
análisis de conglomerados determinado estadísticamente, siendo que la relativa homogeneidad
entre sus variables económicas no salta a la vista. Sin embargo, todas las versiones del modelo
para este caso resultan tener el valor explicativo más alto que en el resto de los grupos.

DISCUSIÓN Y CONCLUSIONES

En resumen, se encontró evidencia que señala que el GCyT y el CI tienen una influencia positiva
en los niveles de PL, y que su impacto es discernible estadísticamente a lo largo de varios años,
como consecuencia natural del tiempo necesario para que la inversión en ciencia y tecnología
fructifique, mediada por la capacidad de innovación, en productividad económica.
Cabe señalar que los resultados más consistentes desde el punto de vista econométrico se
obtuvieron en el caso del grupo integrado mediante el uso de la herramienta estadística de análisis
de clusters, probablemente como consecuencia de que esto permite agrupar a México con países
que presentan una mayor similitud en cuanto a los criterios de GCyT y niveles de PL.
Por oposición, y si consideramos el caso de México y el resto de América Latina, encontramos un
modelo con relativamente bajo poder explicativo, que muestra una relación directa y significativa
entre el GCyT, el CI y la PL), aunque de mucho menor nivel que en el caso anteriormente
mencionado. Esto puede deberse, precisamente, a que en este caso se agrupan países con tamaños
de población, de economía y rutas de desarrollo de una diversidad extrema. A pesar de ello, el
modelo permite estimar que incrementos del 1% en el GCyT y el CI, se traducen en aumentos del
0.05% y 0.09% en la PL, respectivamente.
El caso de los países miembros del TLCAN es sobresaliente por el hecho de que la enorme
desigualdad de Estados Unidos respecto a Canadá y México no parece invalidar el impacto de las
variables independientes, aunque sí resalta el papel mucho más importante que tiene la capacidad
de innovación sobre el simple GCyT en cuanto a explicar el crecimiento de la productividad.
Mientras que en los modelos (1 y 3), que utilizan simplemente la inversión en ciencia y
tecnología, tienen un poder explicativo importante, esto palidece al incluir el CI en la ecuación, lo
que incrementa mucho ese poder explicativo, pero hace decrecer en importancia al GCyT.
Por otro lado, y también de manera sorprendente, el caso que pretendía agrupar economías
intuitivamente similares es el que resulta más débil de todos en cuanto a poder explicativo, pues
éste se reduce a valores entre 0.3 y 0.5. Lamentablemente, Brasil no pudo ser incluido en este
grupo debido a que las series de tiempo no son suficientemente largas para permitir estimaciones
confiables, por lo que queda la incertidumbre respecto al efecto que esos datos podrían tener en
los resultados de los modelos propuestos para ese grupo de países.
Entre los diversos factores que potencialmente pueden explicar los cambios en la productividad
del trabajo según los recientes desarrollos teóricos y empíricos— tecnología, capital humano,
entorno institucional— en esta investigación se ha reflejado el efecto indiscutible del esfuerzo
inversor en I+D nacional, corroborando la relevancia del potencial innovador de los países como
un impulsor de la productividad a nivel internacional.
Concretamente, se pudo contrastar positivamente la hipótesis del efecto de la inversión en
investigación y desarrollo a través de la significancia y el signo positivo del coeficiente de la




variable de gasto total en ciencia y tecnología. A su vez, la hipótesis del efecto del capital
tecnológico y la capacidad innovadora, aproximado mediante el coeficiente de invención, se
confirmó mediante la significancia y el signo positivo del coeficiente de la variable de los países
estudiados.
Mediante la combinación de la técnica de análisis de clusters y la estimación del modelo a través
de datos de panel, se obtuvieron resultados que confirman una influencia directa del GCyT y el
CI sobre los niveles de PL. Específicamente, es de resaltarse el impacto que la incorporación de
la variable CI tiene en la capacidad explicativa del modelo. Esta situación destaca especialmente
en el caso del grupo integrado por México, Canadá y España y en el caso del grupo integrado por
México, Canadá y Estados Unidos. En ambos casos resulta evidente que la inversión en ciencia y
tecnología por sí misma no tiene un impacto tan importante en la productividad como cuando es
acompañada por programas y políticas destinados a desarrollar la capacidad de innovación. Esta
es una lección de indiscutible valor para los países latinoamericanos.
En estas condiciones, nuevas posibles líneas de investigación pueden contemplarse. Por un lado,
resultará valioso incrementar el número de variables explicativas en el modelo, conforme la
longitud de las series de tiempo lo permita (como hace resaltar el caso de Brasil, por ejemplo), a
fin de contar con modelos más completos y de estimar causalidades de manera más confiable. Por
otro lado, es necesario ampliar el análisis econométrico a nivel de firmas e industrias entre los
países de la región, para profundizar en la comprensión de las particularidades que se presentan
entre los mismos bloques que puedan formarse en la zona y con respecto a otras regiones.
Por otra parte, es necesario ir más allá del análisis cuantitativo y documentar un análisis de fondo
de las particularidades que comparten los países de un cluster y que los diferencian del resto, ya
sea a nivel de historia, política económica, política científico-tecnológica o inclusive, a nivel
cultural. De acuerdo con los resultados que aquí presentamos, es indiscutible que los efectos
positivos de estas inversiones no son sólo función directa de su volumen, sino que dependen de la
naturaleza y efectividad de los programas y políticas diseñados para implementarlas. Conocer
cualitativamente las razones de su efectividad es importante para los países de la región.

BIBLIOGRAFÍA

ABRAMOVITZ, M. Resource and output trends in the United States since 1870. American
Economic Review, v. 46, n. 2, p. 5–23, 1956.
AGHION, P.; HOWITT, P. A Model of Growth Through Creative Destruction. Econometrica,
n. 60, p. 323-351, 1992.
BALCOMBE, K.; BAILEY, A,; FRASER, I. Measuring the impact of R&D on Productivity
from an Econometric Time Series Perspective. Journal of Productivity Analysis, n. 24, p. 49–
72, 2005.
BALTAGI, B.H. Econometrics Analysis of Panel Data, 2nd edition, John Wiley & Sons, United
States, 2001.





BESSEN, J. Adoption costs and the rate of return to research and development. Documento de
trabajo 1/00, Research on Innovation, Wallingford (PA), 2000. Disponible en
http://www.researchoninnovation.org.
BRAVO-ORTEGA, C.; GARCÍA MARÍN, A. Exploring the relationship between R&D and
productivity: a country-level study. Central Bank of Chile Working Papers N° 472; June 2008.
CLARK, K.; GRILICHES, Z. Productivity Growth and R&D at the Business Level: Results from
the PIMS Data Base. NBER Chapters, en: R & D, Patents, and Productivity, p. 393-416
National Bureau of Economic Research, 1984.
COCCIA, M. What is the optimal rate of R&D investment to maximize productivity
growth? National Research Council of Italy and Max Plack Institute of Economics, Alemania,
2009.
FECHER, F. Effects directs et indirects de la R&D sur la productivité: une analyse de l’industrie
manufacturière belge. Cahiers Économiques de Bruxelles, v. 128, p. 459-483, 1990.
GOEDHUYSA, M.; JANZA, N.; MOHNENA, P. What drives productivity in Tanzanian
manufacturing firms: technology or business environment? The European Journal of
Development Research, v. 20, n. 2, p.199–218, 2008.
GREENE, W.H. Análisis Econométrico, 3ª edición, Prentice Hall, España, 1999.
GRILICHES Z. Issues in Assessing the Contribution of Research and Development to
Productivity Growth. Bell Journal of economics, v. 10, n. 1, p. 92-116, 1979.
GRILICHES, Z.; MAIRESSE, J. Comparing Productivity Growth: An Exploration of French and
US Industrial and Firm Data. European Economic Review, v. 21, p. 89-119, 1983.
GROSSMAN, G. M.; HELPMAN, E. Quality Ladders in the Theory of Growth. Review of
Economic Studies v. 58, p. 43-61, 1991.
HA, J.; HOWITT, P. Accounting for Trends in Productivity and R&D: A Schumpeterian Critique
of Semi-Endogenous Growth Theory. Journal of Money, Credit and Banking, v. 39, no. 4, p.
733-774, Jun. 2007.
HALL B.; MAIRESSE J. Exploring the Relationship between R&D and Productivity in French
Manufacturing Firms. Journal Econometrics, v. 65, n. 1, p. 263-293, 1995.
HERNANDEZ LAOS, E., et al. Productividad y Mercado de Trabajo en México, Universidad
Autónoma Metropolitana y Plaza y Valdés Editores, México, 2000.
HOWITT, P. Steady Endogenous Growth with Population and R&D Inputs Growing. Journal of
Political Economy, n. 107, p. 715-730, 1999.
JONES, C. I. Time Series Tests of Endogenous Growth Models. Quarterly Journal of
Economics, v. 110, p. 495-525, 1995a.
JONES, C. I. R&D - Based Models of Economic Growth. Journal of Political Economy n. 103,
p. 759-784, 1995b.
KAUFMAN, L.; ROUSSEEUW, P.J. Finding Groups in Data: An Introduction to Cluster
Analysis, Wiley, New York, 1990.





LAINCZ, C. A.; PERETTO, P. F. Scale Effects in Endogenous Growth Theory: An Error of
Aggregation Not Specification. mimeo, 2006.
LICHTENBERG F. R.; SIEGEL, D. The Impact of R&D Investment on Productivity. New
Evidence Using Linked R&D-LRD Data. Economic Inquiry, v. 29, n. 2, p. 203-229, 1991.
MADSEN, J. B. Are there diminishing returns to R&D? Economics Letters, v. 95, n. 2, p. 161-
166, 2007.
MÁÑEZ, J.; RINCÓN, A.; ROCHINA, M.; SÁNCHIS, J. Productividad e I+D. Un análisis no
paramétrico. Revista de Economía Aplicada v. 13, n. 39, p. 47-86, 2005.
NIKZAD, R.; SEDIGH, G.; GHAZAL, R. The Effect of Government Performed R&D on
Productivity in Canada: A Macro Level Study, The Business Review, Cambridge, v. 9, n. 1,
2007.
ODAGIRI, H.; IWATA, H. The impact of R&D on productivity increase in Japanese
manufacturing companies. Research Policy, v. 15, p. 13-19, 1986.
PARISI, M.; SCHIANTARELLI, F.; SEMBENELLI, A. Productivity, innovation creation and
absorption, and R&D: micro evidence for Italy. Documento de trabajo nº 526. Department of
Economics, Boston College, Chestnut Hill (MA), 2002.
PERETTO, P. Technological Change and Population Growth. Journal of Economic Growth v.
3, p. 283-311, 1998.
PERETTO, P.; CONNOLLY, M. The Manhattan Metaphor. Journal of Economic Growth, v.
12, n. 4, p. 329-350, 2007.
PÉREZ, P.; DUTRÉNIT, G.; BARCEINAS, F. Actividad Innovadora y Desempeño
Económico: Un Análisis Econométrico del Caso Mexicano, en Indicadores de Ciencia y
Tecnología en Iberoamérica, Agenda, eds. M. ALBORNOZ & D. RATTO, p. 299–318, 2005.
RAFFO J.; LHUILLERY S.; MIOTTI, L. Northern and southern innovativity: a comparison
across European and Latin American countries. The European Journal of Development
Research; v. 20, n. 2, p. 219–239, 2008.
SOLOW, R. M. Technical change and the aggregate production function. Review of Economics
and Statistics, v. 57, p. 312-320, 1957.
ULKU, H. R&D, innovation and output: evidence from OECD - and nonOECD - countries.
Applied Economics, v. 39, n. 3, p. 291, 2007.
ULKU, H. An Empirical Analysis of R&D-Based Growth Models. mimeo, Manchester
University, 2005.
WAKELIN, K. Productivity growth and R&D expenditure in UK manufacturing firms. Research
Policy, v. 30, p. 1079-1090, 2001.
ZACHARIADIS, M. R&D-Induced Growth in the OECD? Review of Development Economics
v. 8, p 423-39, 2004.