https://doi.org/10.29059/cienciauat.v19i1.1843
Modelo
de regresión lineal PLS-SEM para evaluar el efecto de las capacidades dinámicas
en el proceso de mejoramiento de la competitividad en las empresas
PLS-SEM linear regression model to evaluate the effect
of dynamic capabilities in the process of improving competitiveness in
companies
Modelo de PLS-SEM para competitividad en empresas
Rafael García-Martínez1,
Eduardo Rafael Poblano-Ojinaga2*, Salvador Anacleto Noriega-Morales3
*Correspondencia:
e_poblano@yahoo.com/Fecha de recepción: 7 de octubre de 2023/Fecha de
aceptación: 8 de marzo de 2024/Fecha de publicación: 9 de abril de 2024
1Tecnológico Nacional de México, Instituto
Tecnológico de Hermosillo, Hermosillo, Sonora, México, C. P. 83246. 2Tecnológico
Nacional de México, Instituto Tecnológico de La Laguna, calle Sebastián Arteaga
326, colonia Álamos de San Lorenzo, Ciudad Juárez, Chihuahua, México, C. P.
32340. 3Universidad Autónoma de Ciudad Juárez, Ciudad Juárez,
Chihuahua, México, C. P. 32340.
RESUMEN
La innovación está
correlacionada positivamente con la competitividad de las empresas. Sus
conocimientos, caracterizados como sus capacidades
dinámicas, influyen en la innovación y la competitividad de las
mismas. El objetivo del presente trabajo fue determinar un modelo de regresión lineal, que permita determinar
el impacto que las capacidades dinámicas
tienen sobre la capacidad de innovación (CIn)
de las empresas. Se construyó un modelo de
regresión lineal multivariado en el que se estableció la relación causal de las capacidades dinámicas capital intelectual (CI); inteligencia
competitiva (IC); gestión del conocimiento
(GC) y capacidad de absorción (CA), con
la CIn; modelo con el que se identifican cuáles son
los factores críticos y su efecto sobre la CIn,
en la implementación del proceso de mejora de
la innovación. Dicho modelo, se
construyó utilizando el método de ecuaciones estructurales, con mínimos cuadrados parciales, con una muestra de 196 empresas ubicadas en la ciudad
de Hermosillo, Sonora, México. El modelo estimado presentó una adecuada capacidad explicativa y predictiva, en la
que la IC fue el factor crítico que mayor efecto tuvo sobre la CIn, seguido por la GC y el CI, mientras que CA no
tuvo efecto significativo sobre la CIn. El modelo
desarrollado es aplicable en la gestión e
implementación de mejoras en la CIn de empresas ubicadas en la zona estudiada, y
probablemente en otras regiones.
PALABRAS CLAVE:
innovación, inteligencia competitiva, capital intelectual, gestión del conocimiento, PLS-SEM.
ABSTRACT
Innovation is positively correlated with the
competitiveness of companies. The knowledge of companies, characterized by
their dynamic capabilities, influences their innovation and competitiveness. The objective of this work was to determine a linear regression model that allows determining the impact of dynamic capabilities on the Innovation
Capacity (CIn) of companies. A multivariate linear
regression model was built in which the causal relationship between
dynamic capabilities intellectual capital (CI), competitive intelligence (IC),
know-ledge management (GC), and absorption capacity (CA) was established with the CIn; model
with which the critical factors and their effect on CIn
are identified, in the implementing the innovation
improvement process. This model was
built using the structural equations model, with a partial least squares method, using a sample of 196 companies in the City of Hermosillo,
Sonora, Mexico. The estimated model
has an adequate explanatory and predictive capacity,
in which the IC was the critical factor that had the greatest effect on CIn, followed by CG and CI, while CA has no significant impact on CIn. The
developed model is applicable in the management and implementation of improvements in the CIn
of companies located in study zone and probably in other regions.
KEYWORDS: innovation, competitive intelligence, intellectual capital, knowledge management, PLS-SEM.
INTRODUCCIÓN
La
innovación, es un concepto, cuya implementación y desarrollo en el sector
empresarial cobra cada vez mayor importancia, dado que, al acrecentar la
innovación de la empresa, se incrementa su competitividad y su sostenibilidad en el
mercado (Heijs y col., 2020; Morales-Guerrero y Álvarez-Aros, 2021; Zhang y col.,
2023). Por lo que, el objetivo de toda empresa debe ser el aumentar la
innovación dentro de ella; para
lograr lo anterior, y como requisito
necesario, las tomas de decisiones gerenciales deben estar orientadas a
determinar, cuáles son las capacidades que
estimulan y/o desarrollan la innovación (Fernández-Jardón, 2012; Mathison y
col., 2022). Dentro del concepto de innovación, se identifican dos elementos
distintivos y complementarios: el proceso de innovación, que consiste en
el conjunto de la totalidad de las actividades o acciones que se ejecutan para lograr la innovación empresarial; e
innovación, que representa el resultado del proceso de innovación (Mathison y
col., 2022).
Las capacidades
empresariales que estimulan y/o desarrollan la innovación, y, con ello, la competitividad en las empresas, son llamadas capacidades
dinámicas. En el conjunto de estas capacidades, son dos las principales actividades de gestión a considerar al emprender
actividades de innovación: la estrategia competitiva o de innovación de una
empresa y las capacidades organizacionales y gerenciales utilizadas para implementar dicha estrategia
(OECD/Eurostat, 2018). Las capacidades: capacidad de innovación (CIn); gestión del conocimiento (GC); inteligencia competitiva (IC);
capital intelectual (CI); y capacidad de absorción (CA), son las
principales capacidades dinámicas que utilizan en el proceso para implementar
las estrategias de innovación. Estas
capacidades dinámicas, son llamadas variables latentes o constructos, ya
que no es posible medirlas directamente, y son medibles a través de indicadores, a los cuales se les denomina ítems, variables
manifiestas o indicadores.
La GC es el proceso de
identificar, crear, asimilar y aplicar el
conocimiento organizativo para explotar nuevas oportunidades de
innovación y mejorar el rendimiento de la organización (Cabrilo,
2020). Autores como Siregar y col. (2019) y Nabi y col. (2023), entre otros, determinaron que existe una relación causal entre
la GC y la CIn.
El CI, es una
capacidad dinámica, considerada como un bien intangible de la empresa, en la
que se consideran tres dimensiones: capital humano; capital estructural; y
capital relacional, con los que es posible crear y modificar los activos y las
relaciones sociales (Ali y col., 2021).
El Instituto LISA
(2023) establece que la IC tiene como objetivo general hacer más competitiva a
la empresa; y tiene siete objetivos secundarios principales: “proporcionar las
estrategias y tácticas de los
competidores directos e indirectos para
anticiparse a ellos a las oportunidades; analizar toda la información disponible
(interna y externa) para coadyuvar a la mejor
toma de decisiones; comprender las futuras necesidades del mercado y de
los clientes; identificar las tendencias del sector a nivel de producto y servicios; monitorizar las innovaciones tecnológicas que pueden provocar
un cambio en el mercado; ir de la mano del
departamento de seguridad: proteger la información, el conocimiento y al
personal (actual y anterior) para evitar el
espionaje; monitorizar las oportunidades, riesgos y vulnerabilidades a nivel político, económico y social
a nivel internacional”.
La CA de una empresa,
se define como la colección de habilidades que dispone una empresa para
identificar la importancia de la información, asimilarla y aplicarla con fines
comerciales (Cohen y Levinthal, 1990). Amir (2017)
describe a la CA como la capacidad de la
empresa para identificar el conocimiento externo que se requiere, y combinarlo
con el conocimiento interno con el fin de aplicarlo para satisfacer las necesidades, actuales y futuras, de los
clientes. Zahra y George (2002), establecen que el desarrollar y mantener la CA es vital para la supervivencia y el éxito
a largo plazo de una empresa, ya que esta capacidad
puede fortalecer, complementar o reorientar la base de conocimientos de
la empresa.
La CIn,
es una condición que permite fortalecer la capacidad de reconfigurar los
recursos que posee la organización en el campo de la innovación, como respuesta
a los cambios que se presentan en el entorno en el que se desarrolla la empresa (Inków,
2020; Jalil y col., 2022). El cuantificar la CIn,
le proporciona a la empresa, una base para medir su nivel de competitividad y
posicionamiento dentro del mercado y, por ende, la posibilidad de sobrevivir en un mercado altamente competitivo (Escobar
y col., 2017; Astudillo y col., 2018; de-las-Heras
y Herrera, 2021).
Calof y Sewdass (2020), Aljuboori y col.
(2021), Lam y col. (2021), Poblano (2021), Silvianita
y Pradana (2022), construyeron modelos de relaciones causales, en los que la CIn aparece como variable endógena y como variables
exógenas: una, dos o hasta tres de las capacidades dinámicas IC, CI, CA y GC,
es decir, dichos autores, no incluyen al menos a una de estas cuatro variables
exógenas en los modelos considerados. En la literatura revisada, no se encontró
ningún modelo que contemple la relación causal para esas cinco capacidades
dinámicas.
Los administradores de
las empresas, en las que se gestiona el mejoramiento de la innovación, en la
que están presentes estas cinco capacidades dinámicas, deben decidir cuántos
recursos asignar a cada una de ellas con el fin de optimizar el proceso. El conocer, cuánto valor se incrementa en la
innovación, por cada unidad que se eleve el
valor en cada capacidad dinámica, es
una información útil para los
tomadores de decisiones, ya que, los recursos deben ser asignados a
aquellas capacidades cuyo aumento en su valor, generen un mayor aporte al incremento en la CIn de la empresa. Dicha información, se puede obtener mediante una
estimación del modelo de regresión lineal
multivariante, donde se considera a la CIn
como endógena y a CI, IC, GC, y CA como exógenas. Es importante incluir las
cuatro variables exógenas, ya que al excluir una de ellas puede ocurrir que la
decisión sobre a cuál capacidad a la que se le asigne recurso, puede resultar no óptima: dado que precisamente esta(s)
capacidad(es) dinámica(s) ignorada(s) en el modelo, es(son) la(s) que mayor
beneficio genere(n) en la innovación; o que esta(s),
genere(n) un mayor beneficio o crecimiento en la innovación, a través
del efecto indirecto sobre el resto de las variables exógenas (Chen y col.,
2018).
El objetivo del
presente trabajo fue desarrollar un modelo de regresión lineal multivariado que
permitiese establecer la magnitud del efecto que tienen las capacidades
dinámicas IC, CI, GC, CA (variables exógenas) en la capacidad dinámica CIn (variable endógena)
de las empresas, identificando los factores críticos y su efecto en la
innovación.
MATERIALES Y MÉTODOS
Metodología
Se utiliza con un
enfoque cuantitativo, con alcance correlacional. El diseño de la investigación es de tipo observacional; y es transeccional o transversal de tipo correlacional-causal.
Validación
de contenido del instrumento de medición
El
Instrumento de Medición (IM), incluye cinco variables
latentes o constructos de naturaleza reflexiva: CIn,
GC, IC, CI, y CA, y cada una de ellas consta,
respectivamente, de cinco, seis, cinco, siete y cuatro ítems. Los ítems
pertenecientes a las primeras cuatro variables latentes,
son traducidos y adaptados de Poblano (2021), mientras los ítems correspondientes al constructo CA, son traducidos y adaptados
de los trabajos presentados por: Nazarpoori, 2017, Popescu y col., 2019, Miroshnychenko y col., 2021 y Müller y col., 2021. La validación de
contenido del IM, se somete a la valoración de un
grupo de cinco expertos en el área, quienes evalúan cuatro rubros: suficiencia,
relevancia, claridad y coherencia (Escobar-Pérez y Cuervo-Martínez, 2008).
Después de que los expertos emiten su juicio, se cuantifica el grado
de acuerdo entre ellos en sus valoraciones para cada uno de estos cuatro
rubros, para ello se prueban cuatro hipótesis nulas H0: existe concordancia entre los jueces en la valoración de la: suficiencia;
relevancia; claridad; y coherencia, lo cual se lleva a cabo con la prueba de
Friedman, con un nivel de significancia P = 0.05. Los ítems correspondientes y sus respectivas codificaciones considerados en
el IM, se muestran en la Tabla 1.
Definición,
análisis y validación de la muestra
Definición
y análisis
El tamaño
de la muestra fue de 196 empresas ubicadas en la ciudad de Hermosillo, Sonora,
México, a las cuales se les aplicó el IM, y para cada ítem se utilizó una
escala de medición Likert del 1 a 5, donde el 1, representa estar totalmente en
desacuerdo y el 5, representa estar totalmente de acuerdo. La recolección de la
muestra se llevó a cabo por el método de conveniencia, mediante una encuesta de manera presencial, a la persona con
más alta jerarquía, de cada una de estas empresas, que estuviera en condiciones,
en cuanto al conocimiento necesario dentro de la empresa para responder el IM. La información que se recopiló no es información crítica o confidencial
de las empresas, y es por ello, que no fue necesario establecer acuerdos de
confidencialidad con los entrevistados, a quienes, se les hizo énfasis que, en
este IM no había respuesta correctas ni incorrectas, por lo que se les invitaba a contestarlo lo más apegado a la realidad. Se asumió que la muestra
era homogénea, es decir, no posee heterogeneidad observada, ni no observada,
esta suposición se plantea debido a que en la literatura no se considera
variable alguna, que pueda generar estratos o conglomerados en la población.
Caballero (2006) y Hair y col. (2011), establecieron
que el tamaño mínimo de la muestra debe ser igual al valor más alto que resulte
de: a) multiplicar por 10 la
cantidad de variables latentes en el
modelo, que en este trabajo fueron 5; o b) del número total de ítems de
la variable latente con mayor cantidad, que
fueron 7. En este estudio su multiplicación correspondería a 50 y 70,
respectivamente, por lo que este último, sería el tamaño mínimo de la muestra a
considerar. Por otro lado, acorde al criterio del método recomendado por Kock y Hadaya (2018), de la raíz cuadrada inversa del
tamaño de la muestra (n = 196), se obtiene que 0.202 es el valor mínimo para que los parámetros estimados del modelo de regresión lineal,
sean significativos a un nivel del 5 %, y con una potencia de prueba de
hipótesis de al menos del 80 %.
Validación
Para la validación de
la muestra se trabajó con tres fases: primera, eliminación de datos atípicos,
este tipo de datos son eliminados de la muestra, si el valor numérico de su
distancia de Mahalanobis, calculada con la función Mahalanobis del
software RStudio, versión 4.3.2. (2023-1031 ucrt), es mayor que
el valor del percentil 97.5 de la distribución chi cuadrada con 27
grados de libertad; segunda, aplicación del
criterio de Kaiser-Meyer-Olkin (KMO), valor que se calcula con la función KMO
del paquete psych del software RStudio, versión 4.3.2. (2023-1031 ucrt),
el cual, establece que los datos de la muestra son apropiados para usarlos en
análisis factorial, si el valor del KMO ≥ 0.70; tercera, prueba de esfericidad
de Bartlett, aquí se pone a prueba, la hipótesis nula en la que se afirma que
la matriz de varianza covarianza de los datos de la muestra, es igual a la
matriz identidad, lo cual implica una nula correlación entre las variables de
la base de datos de la muestra. El nivel de significancia que se usa para esta
prueba de hipótesis es del 5 %, dicha prueba de hipótesis se ejecuta con
la función cortestbartlett
del paquete psych del software RStudio, versión
4.3.2 (2023-10-31 ucrt).
Construcción
del modelo de regresión lineal multivariante o modelo estructural
La
construcción del modelo estructural, se llevó
a cabo en cinco etapas: primera, se evaluó la calidad del IM o
del modelo “outer”, para lo cual, se debe cumplir que
el IM es confiable y válido; segunda, se construyó el modelo de regresión
lineal o modelo “inner”, por ello, se estimaron y
validaron los valores del modelo; tercera, se determinó la bondad de ajuste del
modelo, en donde se midió su capacidad explicativa y predictiva; cuarta, se
evaluó la colinealidad de las variables latentes; quinta, se determinó la
presencia de heterogeneidad no observada (Hair y col., 2011; 2012;
Ghasemy y col., 2020).
Determinación
de la confiabilidad y validez del IM
Confiabilidad
Se establece que el IM
es confiable, si los valores numéricos de las cargas factoriales de cada ítem
del IM, y de los indicadores alfa de Cronbach y rho de Dillon-Goldstein, para
cada variable latente del IM es ≥ 0.070 (Aldás y Uriel, 2017).
Validez
Se
dice que el IM tiene validez si posee: validez convergente, esto ocurre cuando
el valor numérico del Promedio de la Varianza Extraída (AVE, por sus
siglas en inglés: Average Variance
Extracted), para cada variable latente del IM es ≥
0.50; validez discriminante, si se cumple
el criterio de Fornell y Lacker,
el cual ocurre si, el valor de la
correlación para cualquier pareja de variables latentes, es menor que el valor de la raíz cuadrada del AVE de cada una
de las parejas de estas variables (Aldás y Uriel, 2017).
Construcción y
validación del modelo estructural
Estimación
de parámetros
Las
ecuaciones lineales (1), (2), (3), y (4), representan
el modelo de regresión lineal multivariante propuesto.
CIn = k1IC
+ k2CI + k3GC + k4CA (1)
CA = k5IC + k6CI + k7GC
(2)
CI = k8IC
(3)
GC = k9IC
(4)
Los valores numéricos
de los parámetros ki (i
= 1, 2, 3, y 4) corresponden a la magnitud con la que varía, acorde al signo de
ki, el valor de la CIn. Por ejemplo, si el valor numérico de k1
es igual a 0.875, esto es un indicador de que por cada unidad en que se
incremente el valor de la IC, el valor numérico de la CIn
se incrementa en 0.875 unidades; dicha información es importante para los
administradores de las empresas que decidan implementar un proceso para el
mejoramiento de la CIn en la empresa, ya que este
modelo le permite visualizar cuál de esas cuatro capacidades dinámicas tiene un
mayor efecto en el incremento en el valor de
la variable CIn. Situación similar representan
los valores de los parámetros ki (i = 5, 6, 7), k8,
y k9, respectivamente, para las variables endógenas CA, el
CI, y la GC, de las ecuaciones (2), (3), y (4).
Para
estimar y validar los valores numéricos de los parámetros ki
(i = 1, 2,…, 9), se utilizó el método de Modelos de Ecuaciones Estructurales, con Mínimos Cuadrados Parciales (PLS-SEM, por sus siglas en inglés: Partial Least
Squares Structural Equation Modeling), el cual
tiene las siguientes características: no requiere que las variables latentes o
manifiestas del modelo, asuman alguna distribución de probabilidad; proporciona una adecuada capacidad predictiva,
lo que lo convierte en una herramienta administrativa apropiada; funciona eficientemente con muestras de tamaño pequeño,
en comparación con otros métodos (Hair, 2019).
La estimación de
parámetros se llevó a cabo utilizando
la función plspm del paquete PLSPM del
software estadístico de acceso libre RStudio,
versión 4.3.2. (2023-1031 ucrt). La validación estadística de estos parámetros,
se realizó con la ejecución de la función boots-trapping,
con 200 remuestreos, del mismo paquete estadístico, y
se estableció que cada parámetro estimado es
estadísticamente significativo si, el intervalo del 95 % de confianza estimado
para el valor de cada parámetro, no contiene al cero (Sánchez, 2013).
Evaluación
de la bondad de ajuste del modelo estimado
Para
evaluar la bondad de ajuste del modelo, se midieron dos características: la
capacidad explicativa del modelo, que mide la precisión de los parámetros
estimados o el porcentaje de la variación observada en la variable endógena que es
explicada por sus correspondientes variables
exógenas, capacidad que fue cuantificada con el coeficiente de determinación (R2), misma que es clasificada
como: baja, si R2 <
0.30; moderada, si 0.30 ≤ R2 ≤ 0.60; alta, si R2 > 0.60, no existe consenso en
estos rangos de clasificación, por lo que también se consideró este rango de clasificación alternativo: baja, si R2 < 0.20;
moderada, si 0.20 ≤ R2 ≤ 0.50; alta, si R2 >
0.50. La capacidad predictiva del modelo,
fue evaluada a través del indicador Pseudo Bondad de Ajuste (GoF, por su siglas en
inglés: Goodness of Fit) (Sánchez, 2013). La capacidad
de predicción bajo este indicador, se clasifica como
pequeña, si GoF < 0.10; mediana, si 0.10 ≤ GoF ≤
0.25; alta, si GoF > 0.25 (Wetzels y
col., 2009).
Análisis
de la heterogeneidad no observada en la muestra
El análisis de
heterogeneidad, del modelo global, es un análisis que se lleva a cabo posterior
al análisis estructural del modelo, y tiene como objetivo validar el supuesto
de que los datos de la muestra son homogéneos, esto es determinar si no existen categorías o conglomerados en la muestra que pudieran afectar los resultados que se obtienen bajo la hipótesis de que la muestra es homogénea. En
este trabajo, el análisis de heterogeneidad se ejecuta con el método Respuesta
Basado en Unidades de Segmentación en SEM-PLS (REBUS, por sus siglas en inglés:
Response Based procedure for detecting Unit Segments in PLS-PM), el cual es un algoritmo que detecta clases
latentes dentro del SEM-PLS, este método, no requiere asumir distribuciones de probabilidad para las variables involucradas en
el modelo, y una de sus utilidades, al descubrir estas clases, es mejorar la
capacidad de predicción. La muestra se
declara heterogénea, si el valor del indicador GoF
del modelo global, es menor, al menos en un
25 %, que el valor del Índice de
Calidad Grupal (GQI, por sus siglas
en inglés: Group Quality Index) (Vincenzo y col.,
2010). El valor de numérico de GQI se obtiene con la función rebus.pls, de la función plspm
del software de acceso libre RStudio, versión 4.3.2. (2023-1031 ucrt).
RESULTADOS
Análisis
y adecuación de la muestra
Análisis
En la Tabla 2, se
presenta el número de empresas entrevistadas, de acuerdo al
sector económico al que pertenecen y por su tamaño o número de empleados que
laboran en ella, en donde, el 73 % corresponde al sector manufactura y el 27 %
restante al sector servicio; por otro lado, el 57.1 % de ellas son clasificadas como grandes empresas, mientras que
el resto, el 42.9 % son clasificadas como Pequeñas
y Medianas Empresas (PyMES).
Adecuación
La
adecuación de la muestra, se evaluó en tres etapas: primera, de
los 196 datos de la muestra, se identificaron y eliminaron 18 datos atípicos,
por lo que el análisis final se llevó a cabo con una muestra de 178 datos,
donde el valor de cada variable latente es ≥
0.212, resultó significativa al nivel del 5 %, y con una potencia de
prueba de hipótesis del 80 %; segunda, el valor del KMO para estos 178 datos es
igual 0.82, lo cual implica que los datos son útiles para análisis de correlación;
tercera, en la prueba de hipótesis de la esfericidad
de Bartlett, el valor de la variable aleatoria chi cuadrada con 406
grados de libertad genera un “P-value” con valor a 0.000 04, por lo que, con un
nivel de significancia del 5 %, se rechaza la hipótesis nula que establece que,
la matriz varianza covarianza de los datos de dicha muestra es igual a la matriz
identidad. De los resultados anteriores, se llegó a comprobar que la
muestra es adecuada para analizarse a través de los modelos de ecuaciones
estructurales.
Análisis
descriptivo de los ítems y las variables latentes del IM
Los valores más bajos
de la media aritmética corresponden a los ítems de la variable latente CIn. Los valores mínimos y máximos para cada uno de todos los ítems del IM, son iguales a 1 y 5. Los valores de los cuartiles 1 y 3 para los ítems de la variable
latente CIn, son,
respectivamente, igual a 1 y 5, y los
valores correspondientes para las
cuatro variables latentes restantes, son de 3 a 5, lo que implica que la
varianza en la variable CIn,
es mayor que la variable correspondiente al resto de las variables latentes IC,
CI, GC y CA. Para cada uno de dichos ítems, no fue posible afirmar que sigan
una distribución normal, dada la diferencia entre los valores de la media aritmética, la moda, y la mediana
(Tabla 3).
Las
variables latentes del IM presentaron valores estandarizados
pertenecientes al intervalo de números reales [- 3.3], y sus rangos intercuatílicos ≥ 1, esto último, aunado al hecho de que,
los valores de la media aritmética, la moda, y la mediana no coinciden, no permiten establecer que dichas variables latentes
sigan una distribución normal (Tabla 4). Dado que el método de análisis PLS-SEM
que fue utilizado, es un método no paramétrico,
no se verificó la normalidad de estas variables.
Determinación
de la confiabilidad y validez del instrumento de medición
Confiabilidad
El
IM es confiable, dado que se cumple con los criterios establecidos (≥ 70) en
los valores del alfa de Cronbach, del rho de
Dillon-Goldstein y de la carga factorial
para cada ítem (Tabla 5).
Validez
El IM es válido, dado
que tiene validez convergente, ya que los valores del AVE para cada
variable latente es ≥
0.50 (Tabla 5), y también tiene validez discriminante, dado que, el
valor numérico de la correlación entre cualquier pareja de variables latentes,
es < que el valor de la raíz cuadrada del que corresponde a cualquiera de
estas dos variables latentes (Tabla 6). Dado
que el IM es confiable y válido, se procede al análisis del modelo
estructural.
Estimación
y validación del modelo estructural
En la Tabla 7, se
presentan los valores de los parámetros ki
(i = 1, 2, …, 9) correspondientes a las ecuaciones (1), (2), (3), y (4), que son estimados a través de los efectos directos
que las variables exógenas tienen sobre la variable endógena, y validados, con
un nivel de significancia del 5 %. Y se
muestran en las siguientes ecuaciones:
CIn = 0.342IC + 0.242CI
+ 0.328GC (5)
CA = 0.293IC + 0.230CI + 0.555GC (6)
CI = 0.557IC (7)
GC = 0.575IC (8)
También, en la Tabla
7, se presentan los valores de los parámetros ki
(i = 1, 2, …, 9) correspondientes a las ecuaciones (1), (2), (3), y (4),
que son estimados a través de los efectos
totales que las variables exógenas tienen sobre la variable endógena, y validados, con un nivel de
significancia del 5 %. Y se muestran en las siguientes
ecuaciones:
CIn = 0.741IC + 0.266CI
+ 0.386GC (9)
CA = 0.740IC + 0.230CI + 0.577GC (10)
CI = 0.555IC (11)
GC = 0.575IC
(12)
Del valor 0.741, que
representa la magnitud del efecto total, que la capacidad dinámica IC tiene sobre la CIn,
las cantidades 0.342 y 0.399 (Tabla 7), corresponden, respectivamente al
efecto directo, y al efecto indirecto que la IC tiene sobre la CIn. El efecto directo, con referencia al modelo de
regresión lineal multivariado representado
por las ecuaciones (1), (2), (3), y (4), se refiere al impacto o efecto
que tiene la IC, sobre la CIn, sin interactuar sobre
ninguna de las restantes variables exógenas
del modelo; mientras, que el efecto indirecto, es referido, en este caso, como el efecto directo que la IC,
tiene sobre el CI y la GC, el cual genera que
el efecto de CI y la GC sobre la CIn se vea
incrementado o amplificado como efecto de la relación lineal representados por
las ecuaciones (3) y (4).
Evaluación de la
bondad de ajuste del modelo estimado
Capacidad
explicativa del modelo multivariado estimado
Los valores numéricos
0.692, 0.780 0.308 y 0.330 (Tabla 5), que
corresponden, respectivamente a los coeficientes de determinación (R2), para las variables endógenas de CIn, CA, CI y GC, consideradas, respectivamente, en
las ecuaciones (1), (2), (3), y (4), son valores estadísticamente
significativos con un nivel del 5 %. Dichos resultados numéricos, y bajo los
criterios establecidos por Sánchez (2013) para los valores de este indicador,
permitieron establecer que la capacidad explicativa para las ecuaciones (1) y
(2) es alta. Esto implica, para el caso de la ecuación (1), que de las
variaciones que se observan en la CIn, el 69.2 % de ella se explica, o se genera por efecto de las variaciones en las variables exógenas
IC, CI y GC, por lo que el incremento en los niveles o valores de estas tres
variables exógenas o capacidades dinámicas, genera un
incremento en la capacidad dinámica CIn. Para el caso
de la ecuación (2), el 78 % de la variación en la variable endógena CA, se
explica, o es atribuible, a variaciones en las variables exógenas IC, CI, y GC
de este modelo. En los valores para las ecuaciones (3) y (4), los porcentajes respectivos, de la variación de las
variables endógenas CI y GC, que se justifica por la variación de la variable exógena IC, es del 30.8 % y del 33.0 %, por lo que la capacidad explicativa de estas dos
últimas ecuaciones se clasifica en moderada.
Con
estos resultados, se considera que el modelo multivariante estimado, tiene una
capacidad explicativa de moderada a alta (de acuerdo al
valor de R2: Tabla 5). Lo que a su vez lleva a establecer que los
valores de los parámetros del modelo, no presentan grandes
diferencias con los valores del parámetro poblacional (si se aplica a la
totalidad de empresas en la región).
Capacidad
predictiva del modelo multivariante estimado
El
valor numérico del índice Pseudo bondad de ajuste (GoF),
para este modelo de regresión lineal multivariante estimado en la presente
investigación es igual 0.659 (Tabla 5), por lo que la capacidad de predicción
de este modelo, es clasificada como alta, de acuerdo
al criterio establecido por Wetzels y col. (2009).
Dicha clasificación, implica que, si se conocen los niveles o valores de las
variables exógenas IC, CI y GC, en los que están operando o que corresponden a
la empresa, entonces el valor de la CIn, que se estima con
el modelo lineal representado por la ecuación (1), es aproximadamente igual al
valor que corresponde, al nivel de la CIn en el que
opera la empresa.
La capacidad
explicativa y predictiva del modelo de regresión multivariante estimado, lleva
a establecer que este modelo es adecuado para representar las relaciones
causales entre las capacidades dinámicas de
las empresas: CIn;
IC; CI; GC. De lo anterior, se afirma que la IC, es la que mayor impacto o efecto,
tiene sobre la CIn, esto como consecuencia de su
efecto directo, más los efectos indirectos
que genera en las capacidades CI y GC.
Análisis de la
heterogeneidad no observada en la muestra
La
aplicación de la función rebus.pls a la muestra
determina únicamente dos posibles estratos que pudieran generar diferentes
modelos de regresión lineal. De la evaluación del par de modelos de regresión
que se estiman en cada uno de los estratos,
el valor del Índice de Calidad Grupal es igual a 0.679, el cual, no
cumple con la condición de ser mayor en al menos el 25 % del valor GoF del modelo global, cuya magnitud es igual a 0.659. De lo anterior, se establece que
la muestra es homogénea. Lo que permite garantizar
que, no existen factores de ruido o estratos que afecten el análisis
estadístico al utilizar los datos de esta muestra. Lo que lleva a establecer
que, ninguna variable o característica concerniente a las personas o a las
empresas encuestadas, que, no fueron consideradas en el IM, por ejemplo: el
tamaño de la empresa; el género de las
personas que contestan la encuesta; el giro de la empresa; la antigüedad de la empresa o cualquier otra variable de esta naturaleza, no tienen efecto sobre la CIn.
DISCUSIÓN
El efecto existente
entre las diferentes variables de estudio, de acuerdo con el modelo
desarrollado puede apreciarse en la Figura 1. Se observa que la IC afectó de
manera directa y significativa a las capacidades dinámicas CI y GC,
consideradas como variables endógenas, y calculadas
con las ecuaciones (3) y (4), respectivamente. La IC, CI y la GC tuvieron un
efecto moderado y significativo sobre
la variable endógena CIn, de acuerdo con la ecuación (1), en tanto que la
IC lo tuvo alto y significativo de acuerdo con la misma ecuación. Lo anterior contrasta con los resultados
presentados por Poblano (2021) y Yuwono (2021), quienes estudiaron
las relaciones causales entre la variable
endógena CIn con tres variables exógenas,
seleccionadas de las cuatro capacidades dinámicas
IC, CI, GC, y CA, incluidas en el modelo. Ambos autores determinaron que el efecto del CI sobre la variable CIn no es significativo. Tratar de explicar esta
discrepancia en dichos resultados, no es una
tarea trivial, ya que las posibles causales de esa diferencia pueden ser múltiples: el error aleatorio; el
número y tipo de variables latentes consideradas
en el modelo; diferentes instrumentos de medición; métodos de análisis estadísticos utilizados; estructuración o
diseño del modelo de regresión lineal multivariante; cultura de la región
geográfica de donde se obtienen los datos para el análisis; tamaño y giro de
las empresas encuestadas, entre otros.
Además de las regiones geográficas
donde se estima el modelo y el número de
capacidades dinámicas consideradas, también es de destacar, que
estos dos autores utilizan el método de
Modelos de Ecuaciones Estructurales Basado
en la Covarianza (CB-SEM, por sus siglas en inglés: Covariance based Structural Equation Modeling),
el cual genera resultados diferentes a los
resultados que se generan con el método PLS-SEM. Hair
(2019), Dash y Paul (2021), Hair-Jr. y col. (2021) señalan que el método PLS-SEM, presenta, en relación al
método CB-SEM, que: no requiere asumir
distribución de probabilidad para las variables del modelo; funciona adecuadamente con muestras
pequeñas; funcionan óptimamente para estimar
modelos complejos y genera una mayor
capacidad de predicción (Figura 1).
Calof y Sewdass (2020), Aljuboori y col.
(2021), Lam y col. (2021), Poblano (2021), Silvianita y Pradana (2022),
contemplaron un análisis de la relación causal,
hasta en un máximo de cuatro de las
cinco variables latentes. El no contemplar a alguna de esas capacidades
dinámicas en el proceso del mejoramiento de la
CIn, puede llevar a resultados no óptimos o deficientes, en el sentido de que, por ejemplo,
puede ocurrir que la(s) variable(s) latente(s)
omitida(s) como variable(s) exógena(s) en
el análisis sea(n) las que mayor efecto tienen sobre la variable
endógena CIn, lo cual no permite lograr el máximo mejoramiento de la competitividad de
la empresa involucrada en este proceso.
La no significancia
estadística de la capacidad dinámica en la CA en los modelos de regresión lineal, implica que esta capacidad, no tiene efecto alguno
sobre la CIn de las empresas,
lo cual coincide con los resultados que obtiene Silvianita
y Pradana (2022). Las afirmaciones anteriores, contradicen a los resultados presentados por Bhadauria
y Singh (2023), Laachach y Ettahri (2023) y Maleski y col.
(2023), en los que establecen que la correlación
entre CA y CIn, es significativa, y que,
existe una alta dependencia o un alto efecto que la CA tiene sobre la CIn, de tal forma que declaran que el desarrollo de la CA
es esencial para el desarrollo de la CIn. Esta
discrepancia se explica por el hecho de que la significancia del efecto de la
CA sobre la CIn, estuviese en función o dependiere del número de capacidades dinámicas consideradas como variables exógenas en el modelo.
CONCLUSIONES
El modelo de regresión
lineal multivariante permitió establecer la
relación causal entre las variables exógenas o predictoras IC, CI, GC, y
CA con la variable endógena CIn. Es un modelo
estadístico útil en la gestión e implementación del proceso de mejoramiento de
la CIn de las empresas ubicadas en la ciudad de
Hermosillo, Sonora, México, dado que sus capacidades
explicativa y predictiva fueron adecuadas, lo que genera confianza en la
precisión y exactitud en las estimaciones del valor de la CIn,
en función de los valores de las variables predictoras IC, CI, y GC. Dicha
información resulta importante para asignar, de manera eficiente, los recursos
para mejorar los valores de estas capacidades dinámicas. En el presente modelo,
se observó que no es necesario destinar recursos para mejorar la CA, ya que
esta capacidad dinámica, no tuvo efecto alguno sobre la CIn.
Por otro lado, la IC, es la capacidad dinámica con mayor efecto, tanto directo
como total, sobre la CIn y por cada unidad que se
incremente en el valor del nivel de la IC, el valor del nivel de la CIn,
aumenta en más del doble que, cuando se incrementa una unidad en el CI o la GC.
La decisión final, sobre cuál de las tres variables exógenas del modelo de
regresión lineal multivariado es prioridad para asignarle recursos con el
objetivo de incrementar su nivel, está en función de lo que resulta del
análisis financiero que determine el costo de incrementar el nivel de cada una
de tres variables exógenas, contra el beneficio que se refleja en el incremento
de la variable endógena del modelo.
AGRADECIMIENTOS
Rafael García
Martínez, y Eduardo Rafael Poblano Ojinaga,
recibieron apoyo económico para la investigación, autoría y/o publicación de
este artículo por parte del Consejo Nacional de Humanidades Ciencia y
Tecnología (CONAHCYT) a través del Programa
de Estancias Posdoctorales en México 22 (1).
DECLARACIÓN DE CONFLICTO DE INTERESES
Los
autores declararon no tener conflictos de intereses de ningún tipo.
Referencias
Agostineto, R. C., Soares, T. C., Mazon, G., & Soares, S. V. (2022). Influence of intellectual capital and individual absorptive capacity on
innovation performance. Revista de administração da UFSM, 15,
270-289.
Aldás, J.
y Uriel, E. (2017). Análisis Multivariante Aplicado con R. Editorial
Alfa-centauro. Ali, M. A., Hussin, N., Haddad, H.,
Al-Araj, R., & Abed, I. A. (2021). A multidimensional view of intellectual
capital: The impact on innovation performance. Journal of open innovation: technology,
market, and complexity, 7(4), 216. https://doi.org/10.3390/joitmc7040216
Aliasghar, O., Sadeghi, A., & Rose, E. L. (2023). Process innovation
in small-and medium-sized enterprises: The
critical roles of external knowledge sourcing and absorptive capacity. Journal
of small business management, 61(4), 1583-1610. https://doi.org/10.1080/00472778.2020.1844491
Algarni, M. A., Ali, M., Leal-Rodríguez, A. L., & Albort-Morant, G. (2023).
The differential effects of potential and realized absorptive capacity on
imitation and innovation strategies, and its impact on sustained competitive
advantage. Journal of business research, 158, 113674. https://doi.org/10.1016/j.jbusres.2023.113674
Aljuboori, Z. M., Singh, H., Haddad, H., Al-Ramahi, M. N., & Ali, M. A.
(2021). Intellectual capital and firm performance correlation: the mediation
role of innovation capability in Malaysian manufacturing SMEs perspective. Sustainability, 14(1); 154. https://doi.org/10.3390/su14010154
Amir, H. N. (2017). Survey the effects of intellectual capital and
absorptive capacity on innovation capability (case study of saipa
company in tehran). International journal of innovation
management, 21(03), 1750029.
Astudillo, M. M., Solis, N. J. y Maldonado, A. R. (2018). Innovación
y competitividad en sectores estratégicos. Editorial
Universidad Autónoma
de Guerrero, UAGro.
Ávila, M. M. (2022). Competitive Advantage and Knowledge Absorptive Capacity: the Mediating Role of Innovative Capability. Journal of the knowl economy, 13, 185-210. https://doi.org/10.1007/s13132-020-00708-3
Bhadauria,
S. & Singh, V. (2023). Blending absorptive capacity with open innovation: a
bibliometric review. Benchmarking: an international
journal, 30(4), 1110-1136. https://doi.org/10.1108/BIJ-02-2021-0111
Caballero, D. A. (2006). SEM vs. PLS: un enfoque basado en la
práctica. En E. Abascal-Fernández, V. Diaz-de-Rada-Igúzquiza
y I. Portilla-Manjón (Eds.), IV Congreso
de Metodologías de Encuestas (pp. 57-66). Ed. Universidad Pública de
Navarra.
Cabrilo, S. A. (2020). The Role of Multidimensional
Intellectual Capital and Organizational Learning Practices in Innovation
Performance. European management review, 17, 1-21. DOI: 10.1111/emre.12396
Calof,
J. & Sewdass, N. (2020). On the relationship
between competitive intelligence and innovation.
Journal of intelligence studies in business, 10(2), 32-43.
Chen, J., Yin, X., & Mei, L. (2018). Holistic innovation: An
emerging innovation paradigm. International journal of innovation studies,
2(1), 1-13. https://doi.org/10.1016/j.ijis.2018.02.001
Cohen, W. M. & Levinthal, D. A. (1990). Absorptive capacity: A new
perspective on learning and innovation. Administrative
science quarterly, 128-152.
Dash, G. & Paul, J. (2021). CB-SEM vs PLS-SEM methods for research in social
sciences and technology forecasting. Technological
forecasting and Social shange, 173, 121092. https://doi.org/10.1016/j.techfore.2021.121092.
De-las-Heras, R. C. & Herrera,
J. (2021). Innovation
and competitive intelligence in business. A bibliometric analysis. International Journal of financial studies,
9(2), 31. https://doi.org/10.3390/ijfs9020031.
Escobar, C. A., Velandia, P. G., Archibold, W. G. y
Hernández, P. E. (2017). GC e innovación en las PYME exportadoras del sector
industrial en Colombia. Revista espacios, 38(34).
Escobar-Pérez, J & Cuervo-Martínez, A. (2008). Validez de contenido y juicio de expertos: una aproximación
a su utilización. Avances en medición, 6, 27-36.
http://www.humanas.unal.edu.co/psicometria/files/7113/8574/5708/Articulo3_Juicio_de_expertos_27-36.pdf
Fecha de consulta: 25 de octubre de 2016.
Fernández-Jardón, C. M. (2012). Emprendedurismo y capital intelectual
(Entrepreneurship and Intellectual Capital). Available at SSRN 2254791,
in SSRN Electronic Journal. DOI:
10.2139/ssrn.2254791.
Ghasemy, M., Teeroovengadum, V., Becer,
J. M., & Ringle, C. M. (2020). This fast car can move faster: A review of
PLS-SEM application in higher education research. Higher education,
80(6), 1121-1152. https://doi.org/10.1007/s10734-020-00534-1
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing theory and practice. 19(2), 139-152. http://dx.doi.org/10.1016/j.envpol.2016.08.067
Hair-Jr, J. F., Sarstedt, M., Ringle, C. M.,
& Mena, J. A. (2012). An assessment of the
use of partial least squares structural equation modeling in marketing research. Journal of the academy of marketing
science, 40, 414-433. DOI 10.1007/s11747-011-0261-6.
Hair, J. F. (2019). When to use and how to report the results of
PLS-SEM. European business review, 31(1), 2-24. http://dx.doi.org/10.1108/EBR-11-2018-0203
Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N.
P., & Ray, S. (2021). Partial least squares structural equation modeling
(PLS-SEM) using R: A workbook (pp. 1-197). Springer Nature. https://doi.org/10.1007/978-3-030-80519-7
Heijs, J., Buesa, M., Vergara, D. M.,
Gutiérrez, M. C., Arenas, G. y Guerrero, A. J. (2020). Innovación, crecimiento
y competitividad: El papel de la política tecnológica en España. editorial
Funcas.
Inków,
M. (2020). Organizational innovation capability as a result
of knowledge management processes a literature review. Management,
24(1), 143-156. http://dx.doi.org/10.2478/manment-2019-0040
Jalil, M. F., Ali, A., & Kamarulzaman, R. (2022). Does innovation
capability improve SME performance in Malaysia? The mediating effect of
technology adoption. The International Journal of entrepreneurship and innovation,
23(4), 253-267. http://dx.doi.org/10.1177/14657503211048967
Laachach, A & Ettahri, Y. (2023). The effects of
venture capital on firm innovation: the role of absorptive capacity. International
journal of business innovation and research, 31(3), 407-432. http://dx.doi.org/10.1504/IJBIR.2023.132899
Kock, N. & Hadaya, P. (2018). Minimum sample size estimation in
PLS-SEM: The inverse square root and gamma-exponential methods. Information
systems journal, 28(1), 227-261. http://dx.doi.org/10.1111/isj.12131
Lam, L. Y. (2021). The Relation among Organizational Culture, Knowledge
Management, and Innovation Capability: Its Implication for Open Innovation. Journal
Open of Innovation. Technology. Mark. Complex, 1-16. http://dx.doi.org/10.3390/joitmc7010066
LISA Institute (2023).
Inteligencia Competitiva e Innovación. [En línea]. Disponible en:
https://www.lisainstitute.com/products/curso-de-inteligencia-competitiva-e-innovacion.
Fecha de consulta: 18 de febrero de 2023.
Maleski, S., Mazieri,
M. R., & Carneiro-da-Cunha, J. (2023). Investigating
innovation capacity, the relationship with absorptive capacity, and impact on
organizational performance. International journal of technology transfer and
commercialization, 20(2), 235-255. https://doi.org/10.1504/IJTTC.2023.130274
Mathison,
L., Gándara, J., Primera, C. y García, L. (2022). Innovación: factor clave para
lograr ventajas competitivas. Revista Negotium,
(7), 46-83.
Miroshnychenko, I., Strobl, A., Matzler, K.,
& De Massis, A. (2021). Absorptive capacity, strategic flexibility, and
business model innovation: Empirical evidence from Italian SMEs. Journal of business
research, 130, 670-682. https://doi.org/10.1016/j.jbusres.2020.02.015
Morales-Guerrero, R. E., y Álvarez-Aros, E. L. (2021). Innovación
abierta como acelerador de competitividad y resultados empresariales, un
estudio bibliométrico. Revista economía y política, (34), 1-16. http://scielo.senescyt.gob.ec/scielo.php?script=sci_arttext&pid=S2477-90752021000100001&lng=es&tlng=es
Müller, J. M., Buliga, O., & Voigt, K. I. (2021). The role of
absorptive capacity and innovation strategy in the design of industry 4.0
business Models-A comparison between SMEs and large enterprises. European management journal, 39(3), 333-343. https://doi.org/10.1016/j.emj.2020.01.002
Nabi, M. N., Liu, Z., & Hasan, N. (2023). Investigating the effects
of leaders’ stewardship behavior on radical innovation: a mediating role of
knowledge management dynamic capability and moderating role of environmental
uncertainty. Management research review, 46(2), 173-195. https://doi.org/10.1108/MRR-04-2021-0276.
Nazarpoori, A. H. (2017). Survey the effects of intellectual capital and
absorptive capacity on innovation capability (case study of Saipa
Company in Tehran). International journal of innovation management.
21(03), 1750029. https://doi.org/10.1142/S1363919617500293
OECD/Eurostat (2018). Oslo Manual 2018. Guidelines for Collecting,
Reporting and Using Data on Innovation. 4th Edition, The Measurement of
Scientific, Technological and Innovation Activities, OECD. Publishing,
Paris/Eurostat. https://doi.org/10.1787/9789264304604-en
Poblano, O. E. (2021). Competitive intelligence as a factor of the
innovation capability in Mexican companies:
A structural equations modeling approach. Journal of intelligence studies in business, 11(2), 69-79. https://ojs.hh.se/index.php/JISIB/article/view/JISIB
Popescu, D. I., Ceptureanu, S. I., Alexandru,
A., & Ceptureanu, E. G. (2019). Relationships
between knowledge absorptive capacity, innovation performance and information
technology. case study: The Romanian creative industries SMEs. Studies in informatics
and control, 28(4), 463-475. https://doi.org/10.24846/v28i4y201910
Sánchez, G. (2013). PLS Path Modeling with R. Berkeley: Trowchez Editions. [En línea]. Disponible
en: http://www.gastonsanchez.com/PLSPathModelingwithR.pdf. Fecha de consulta: 12 de junio de 2023.
Silvianita, A. & Pradana, M. (2022). Absorptive Capacity and Knowledge
Management As Antecedents To Innovation Capability. [En
línea]. Disponible en:
https://doi.org/10.21203/rs.3.rs-1430694/v1. Fecha de consulta: Fecha de consulta: 10 de enero de 2023.
Siregar, Z. M. E., Suryana,
E. A., Ahman, E., & Senen, S. H. (2019). Does Knowledge Management Enhance
Innovation: A Literature Review. International journal of scientific y technology
research, 8(9), 1991-1994.
Vincenzo, E. V., Laura, T., & Silvano, A.
(2010). PLS Path Modeling: From Foundations
to Recent Developments and Open Issues for Model Assessment and Improvement. s.
In W. W. Vincenzo-Esposito Vinzi; Wynne W. Chin; J.
Henseler; H. Wang (Eds.), Handbook of Partial Least Square (pp. 47-82).
Springer. https://doi.org/10.1007/978-3-540-32827-8_3
Wetzels, M., Odekerken-Schröder,
G., & VanOppen, C.
(2009). Using PLS path modeling for assessing hierarchical construct models:
Guidelines and empirical illustration. MIS quarterly, 177-195.
Yuwono,
W. (2021). Empirical analysis of intellectual capital, potential absorptive
capacity, realized absorptive capacity and cultural intelligence on innovation.
Management science letters, 11, 1399–1406. https://doi.org/10.5267/j.msl.2020.10.03
Zahra, S. A. & George, G. (2002). Absorptive capacity: A review,
reconceptualization, and extension. Academy
of management review, 27(2),
185-203. http://dx.doi.org/10.2307/4134351
Zhang, X., Chu, Z., Ren, L., & Xing, J. (2023). Open innovation and
sustainable competitive advantage: The role
of organizational learning. Technological forecasting and social
change, 186, 122114. https://doi.org/10.1016/j.techfore.2022.122114