CADENA DE VALOR, ESTRATEGIAS GENÉRICAS Y COMPETITIVIDAD: EL CASO DE LOS PRODUCTORES DE CAFÉ ORGÁNICO DEL MUNICIPIO DE TANETZE DE ZARAGOZA, OAXACA

5.4 Ecuaciones de regresión múltiple: Método del análisis factorial (AF).

Trabajar los datos recolectados a través de la metodología de Análisis Factorial (AF), resulta ser un poco complejo por los diversos cálculos que supone, por tanto a continuación se muestran los pasos y cálculos más fundamentales, de tal forma que pueda entenderse explícitamente, todo esto con la ayuda del programa SPSS Statistics 17.0 (Statistical Package for the Social Sciences).

El primer paso fue “quitar el error de selección” que por lo regular se manifiesta en datos que han sido recopilados con la escala Likert, para hacer esto se corrigen los datos de la base de datos original a través de una “recodificación” con el programa SPSS Statistics 17.0, a continuación se muestra la recodificación y los nuevos valores que adquirieron.

Tabla 5.6
Consideraciones de recodificación

Recodificación	Codificación anterior	Significado
Nada 1	1 2	Nunca La mayoría de las veces no
Regular 2	3	A veces sí, a veces no
Mucho 3	4 5	La mayoría de las veces si Siempre

Fuente: Elaboración propia con datos de encuesta

Los datos recodificados se incorporan a una nueva base de datos (segunda base de datos), los cuales fueron estandarizados, para su manipulación y comparación,  a través del método de puntuación Z o Z score (con el programa SPSS Statistics 17.0) y los datos normalizados se incorporan a una nueva base de datos (tercera base de datos), la fórmula para estandarizar es la siguiente:

  O bien, 

Una vez estandarizados los datos, se sometieron a las pruebas de fiabilidad (Alfa de Cronbach) y después al Análisis Factorial (AF).

De acuerdo a la metodología del Análisis Factorial, los pasos seguidos en el programa SPSS Statistics 17.0 se describen a continuación: 

El primer paso, consistió en la elección de la parte descriptiva o “descriptives”, en esta categoría se selecciona la prueba “KMO and Bartlett´s test of Sphericity”; el segundo paso comprendió la elección de la parte de extracción ó “Factor Extraction”, en esta categoría se selecciona el método de “Principal Components” ó componentes principales; en el tercer paso se seleccionó el apartado de “Rotation” ó rotación donde se considera la opción de “Method Varimax”; por último en el apartado de “Factor  Scores” se elige por defecto la opción de “Regression”.
             Estos pasos se siguieron para analizar los datos de la tercera base de datos, sin embargo, los datos arrojados se fueron depurando (quitando los ítems y valores que afectaran de forma negativa o no permitieran alcanzar los valores deseados) de tal forma que cada valor obtenido de cada paso fuera congruente y valido dentro de los rangos aceptados, por lo general se tomaron en cuenta valores mayores a 0.500 para todas las pruebas estadísticas. Este procedimiento se aplico para los valores (datos) que conforman las variables de cadena de valor, estrategias genéricas y competitividad.
A continuación, se muestran los ítems o preguntas que componen las variables latentes y los factores latentes de cada variable, esto con la finalidad de poder obtener las ecuaciones de regresión lineal múltiple de las variables de investigación y la proporción en que los factores se relacionan con las variables.

Los ítems que explican y/o componen la variable de cadena de valor latente:
Tabla 5.7
Ítems finales que conforman la variable cadena de valor latente (cadenalatente)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

Por consiguiente, la suma de los ítems anteriores generan la variable latente de cadena de valor. Quedando: cadenalatente = Zlogentrad5b + Zlogentrad6b + Zoper8e + Zoper8f + Zoper8m + Zoper9c + Zoper10a + Zlogsalid17.

Para la variable cadena de valor latente obtuvo en la prueba de KMO una medida de adecuación de la muestra con un valor de 0.791 que de acuerdo a Kaiser (1974, citado en SPSS, 2006:53) representa un “valor mediano o regular” e indica que es apropiado para el análisis factorial; la prueba de esfericidad de Bartlett se utiliza para probar la hipótesis nula (Ho) que afirma que las variables no están correlacionadas en la población (comprueba si la matriz de correlaciones es una matriz identidad, donde la matriz identidad indica que las intercorrelaciones entre variables son ceros), si las variables no están intercorrelacionadas la prueba de esfericidad de Bartlett presentará una significancia superior a 0.05, para nuestro caso, al obtener una significancia de 0.000 en la variable latente de cadena de valor indica que se rechaza la hipótesis nula y es factible el análisis factorial, ver Anexo 3.

La varianza total explicada de la variable cadena de valor latente se explica por medio de dos componentes principales, donde el primer componente explica el 65.673% de la varianza y el segundo componente explica en un 16.198% la varianza; esto quiere decir que el primer componente representa en un 65% la variable cadena de valor latente y que al ser mayor al 50% es factible su uso como componente para explicar la variable correspondiente, ver Anexo 3.

Por último, se tiene que la matriz de componentes obtenida contiene la correlación existente entre los ítems y los factores o componentes, es decir, que las cargas altas (mayores o iguales a 0.500) indican que los ítems son representativos para el respectivo factor o componente, en nuestro caso particular, podemos observar que los ítems: 5b, 6b, 8e, 8f, 8m, 9c, 10a y 17 son atribuibles al factor 1 (component 1) ya que en este componente se distribuyen las cargas factoriales que oscilan de 0.728 a 0.885, y por tanto estos ítems son representativos de la variable cadena de valor y adecuados para explicar a la variable latente (cadena de valor) , ver Anexo 3.

Todas estas observaciones y consideraciones estadísticas se toman en cuenta para describir las variables latentes e índices latentes siguientes.
Los ítems que explican y/o componen  mejor la variable de estrategias genéricas latente son:

Tabla 5.8
Ítems finales que conforman la variable estrategias genéricas latente (estrategiaslatente)

Fuente: Elaboración propia con resultados de análisis factorial (AF)
Consecuentemente, la suma de los ítems anteriores generan la variable de estrategias genéricas. Quedando: estrategiasgenlatente = Zlceconoescal39 + Zlcaprenydesbord42 + Zlcaprenydesbord43 + Zlcsubcap44.

La variable estrategias genéricas latente obtuvo en la prueba de KMO una medida de adecuación de la muestra el  valor de 0.655 que de acuerdo a Kaiser (1974, citado en SPSS, 2006:53) representa un “valor ordinario” e indica que es aceptable para el análisis factorial; la prueba de esfericidad de Bartlett se utiliza para probar la hipótesis nula (Ho), en nuestro estudio, al obtener una significancia de 0.028 en la variable latente de estrategias genéricas indica que se rechaza la hipótesis nula y se continua con el análisis factorial, ver Anexo 3.

La varianza total explicada de la variable cadena de valor latente se explica por solo un componente principal, este componente explica el 50.721% de la varianza y al ser mayor o igual a 50% es factible usar este componente para explicar la variable de estrategias genéricas latente, ver Anexo 3.

También, podemos observar que los ítems: 39, 42, 43 y 44 son atribuibles al factor 1 (component 1) ya que en este componente se distribuyen las cargas factoriales que oscilan de 0.617 a 0.752, ver Anexo 3. Por tanto, los ítems señalados son representativos para su uso en la explicación de la variable latente (estrategias genéricas).
La variable de competitividad latente, se compone de los siguientes ítems:
Tabla 5.9
Ítems finales que conforman la variable competitividad latente (competilatente)

Fuente: Elaboración propia con resultados de análisis factorial (AF)
La suma de los ítems anteriores generan la variable de competitividad. Quedando: competilatente = Zcomppmerc68 + Zcomppmerc69 + Zcompresti71 + Zcompresti72.

La variable competitividad latente obtuvo en la prueba KMO un valor de 0.698 y representa un valor “ordinario” e indica que es adecuado continuar con el análisis factorial; la prueba de esfericidad de Bartlett al obtener una significancia de 0.000 indica que se rechaza la hipótesis nula y se acepta el supuesto de que las variables están correlacionadas en la población y se continua con el análisis factorial, ver Anexo 3.

La varianza total explicada de la variable competitividad latente se explica por solo un componente principal, este componente explica el 71.715% de la varianza y al ser mayor a 50% es factible usar este componente para explicar la variable competitividad latente, ver Anexo3.

Asimismo, podemos observar que los ítems 68, 71 y 72 son atribuibles al factor 1 (component 1) ya que en este componente se distribuyen las cargas factoriales que oscilan de 0.808 a 0.872, ver Anexo 3. De esta forma se concluye el análisis factorial para la variable competitividad latente y los ítems mencionados son representativos para su uso en la explicación de la variable latente (competitividad).
           
Seguido, se muestra el análisis factorial para la construcción de factores latentes (indicadores de las variables) para obtener al final las ecuaciones de regresión lineal entre las variables latentes, ya construidas, y las que se obtienen a continuación. Es importante señalar que no todos los factores o categorías pasaron la prueba de fiabilidad y la prueba de análisis factorial, por lo que los factores que aquí se describen son los que han soportado las pruebas respectivas.

Dentro de la variable de cadena de valor, solo los factores de: logística de entrada, operaciones, logística de salida, mercadotecnia y ventas, administración de recursos humanos e infraestructura organizacional han soportado las pruebas estadísticas.
Para el factor de logística de entrada se tienen que los ítems que lo componen son:

Tabla 5.10
Ítems que conforman el factor logística de entrada latente (factor1logentrada)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

Por tanto, la suma de los ítems anteriores conforma el factor latente de logística de entrada. Quedando: factor1logentrada = Zlogentrad5a + Zlogentrad5b + Zlogentrad6b.

Al igual que las variables latentes anteriores, los factores de las variables se sometieron al análisis factorial cuyo resultado son las preguntas de la Tabla 5.9. En la prueba KMO se obtuvo un valor de 0.703 que indica un valor “mediano o regular” y se continúa con el análisis factorial. La prueba de esfericidad de Bartlett arrojo una significancia de 0.000 e indica que se acepta el supuesto de que las variables están correlacionadas en la población y el análisis factorial es viable, ver Anexo 3.

La varianza total explicada del factor logística de entrada latente se explica por solo un componente principal, este componente explica el 74.809 % de la varianza del factor y al ser mayor a 50% es factible usar este componente para explicar el factor logística de entrada. Los ítems 5ª, 5b, y 6b son atribuibles al factor 1 (component 1) ya que en este componente se distribuyen las cargas factoriales 0.895, 0.823 y 0.875 respectivamente, ver Anexo 3. De esta forma se concluye el análisis factorial para el factor de logística de entrada que corresponde a la variable cadena de valor y los ítems mencionados son representativos para su uso en la explicación del factor logística de entrada, ver Anexo 3.

Continuando, se tiene que el factor de operaciones se conforma por los ítems:
Tabla 5.11
Ítems que conforman el factor operaciones latente (factor2operaciones)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

La suma de los dos ítems anteriores conforma el factor latente de operaciones, quedando: factor2operaciones = Zoper10b + Zoper10c.

La prueba KMO obtuvo un valor de 0.500 y se considera un valor aceptable para continuar con el análisis factorial. La prueba de esfericidad de Bartlett muestra una significancia perfecta, por lo que las variables están correlacionadas en la población y en análisis factorial es viable. La varianza total explicada del factor operaciones latente se explica en un 97.987% por un solo componente que se puede usar para explicar el factor de operaciones latente. El factor 1 (component 1) se constituye por las preguntas 10b y 10c que tiene valores de 0.990 cada uno, y que por tanto son representativos para explicar el factor de operaciones, ver Anexo 3.
           
El factor de logística de salida se compone de los ítems siguientes:

Tabla 5.12
Ítems que conforman el factor logística de salida latente (factor3logsalida)

Fuente: Elaboración propia con resultados de análisis factorial (AF)
           
De los ítems anteriores se forma el factor latente de logística de salida, por tanto queda: factor3logsalida = Zlogsalid15 + Zlogsalid16.
El factor de logística de entrada latente las pruebas de KMO obtuvo un valor aceptable de 0.500 apto para el análisis factorial, en la prueba de esfericidad de Bartlett arrojo una significancia perfecta que posibilita el análisis factorial, ver Anexo 3.

Asimismo, la varianza total explicada del factor latente de logística de salida se explica por un solo componente (component 1) en un 82.476 % y el componente 1 se forma por las preguntas 15 y 16 con valores de 0.908 cada uno, al final estas preguntas son representativas para explicar el factor latente de logística de salida, ver Anexo 3.   
 
El factor de mercadotecnia y ventas latente se constituye por los ítems siguientes:

Tabla 5.13
Ítems que conforman el factor mercadotecnia y ventas (factor4mercadoyventas)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

Los ítems anteriores forman el factor latente de mercadotecnia y ventas, por tanto queda: factor4mercadoyventas = Zmyvent19 + Zmyvent21 + Zmyvent22.

El factor mercadotecnia y ventas latente obtuvo en la prueba de KMO un valor “ordinario o mediano” de 0.636 adecuado para el análisis factorial, la prueba de esfericidad de Bartlett arrojo una significancia de 0.013 que permite continuar con el análisis factorial, ver Anexo 3.

La varianza total explicada del factor latente de mercadotecnia y ventas se explica por un solo factor (componente 1) en un 60.709% y el componente se forma por las preguntas 19, 20 y 21 con un valores de 0.780, 0.833 y 0.720 respectivamente, adecuados para representar y explicar el factor latente de mercadotecnia y ventas, ver Anexo 3.

Para el factor de administración de recursos humanos latente se tiene que los ítems que lo configuran son los siguientes:

Tabla 5.14
Ítems que conforman el factor latente de administración de recursos humanos (factor5admonrechuman)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

La suma de los ítems anteriores configuran el factor latente de administración de recursos humanos, por tanto queda: factor5admonrechuman = Zarhuman32 + Zarhuman33.

Se obtuvo en la prueba KMO una valor aceptable de 0.500 adecuado para continuar con el análisis factorial y en la prueba de esfericidad de Bartlett una significancia de 0.013 que permite seguir con el análisis factorial, ver Anexo 3.

La varianza del factor latente de administración de recursos humanos se explica por un factor o componente en un 74.567 % y se forma por las preguntas 19 y 21 con un valor de 0.864 cada uno y posibilitan explicar el factor latente de administración de recursos humanos, ver Anexo 3. 

El factor de infraestructura organizacional se compone por los ítems siguientes:

Tabla 5.15
Ítems que conforman el factor latente de infraestructura organizacional (factor6infraestructuraorg)

Fuente: Elaboración propia con resultados de análisis factorial (AF)
           
Los ítems anteriores estructuran el factor latente infraestructura organizacional, por tanto tenemos que: factor6infraestructuraorg = Zinforg35 + Zinforg38.

El factor latente de infraestructura organizacional obtuvo un valor de 0.500 en la prueba de KMO y se considera un valor aceptable para continuar con el análisis factorial y un nivel de significancia de 0.05 en la prueba de esfericidad de Bartlett considerado óptimo para el análisis factorial. La varianza total explicada del factor infraestructura organizacional se explica en un 77.394 % por un solo factor (component 1), el componente 1 se compone por las preguntas 35 y 38 con un valor de 0.880 cada una y se toman como adecuadas para explicar el factor latente de infraestructura organizacional, ver Anexo 3.

Para el caso de la variable de estrategias genéricas, los factores de: liderazgo en costos y diferenciación han soportado las pruebas estadísticas de fiabilidad y análisis factorial.

Es así como, el factor latente de liderazgo en costos se forma con los siguientes ítems:

Tabla 5.16
Ítems que conforman el factor latente de liderazgo en costos (factor7lidercostos)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

La suma de los ítems anteriores modela el factor latente de liderazgo en costos, por tanto tenemos que: factor7lidercostos = Zlcaprenydesbord43 + Zlcsubcap44 + Zlcsubcap45.
 
El factor latente de liderazgo en costos presentó un valor de 0.676 en la prueba KMO e indica que es un valor “ordinario o mediano” y apto para el análisis factorial, asimismo se obtuvo un valor de significancia de 0.005 en la prueba de esfericidad de Bartlett adecuado para el análisis factorial, ver Anexo3.

La varianza total explicada del factor latente de liderazgo en costos se explica por un solo componente en un 63.691 % y está constituido por las preguntas 43, 44 y 45 con valores de 0.787, 0.818 y 0.789 respectivamente. Los ítems anteriores se toman como adecuados para explicar el factor latente de liderazgo en costos, ver Anexo 3.  

De igual forma, el factor de diferenciación se forma con los siguientes ítems:

Tabla 5.17
Ítems que conforman el factor latente de diferenciación (factor8diferenciación)

Fuente: Elaboración propia con resultados de análisis factorial (AF)

La suma de los ítems anteriores forma el factor latente de diferenciación, por tanto se tiene que: factor8diferenciación = Zdifnex52 + Zdifnex53.

El factor de diferenciación latente presento un valor de 0.500 en la prueba de KMO que se considera adecuado para el análisis factorial y un valor de significancia de 0.023 en la prueba de esfericidad de Bartlett que permite continuar con el análisis factorial, ver Anexo3.

La varianza del factor diferenciación se explica por un solo factor (component 1) en un 72.613%, este componente se forma por los ítems 43 y 44 con valores de 0.852 y -0.852 respectivamente, y se consideran adecuados para explicar el factor latente de diferenciación de la variable estrategias genéricas, ver Anexo 3.

Por último, para el caso de la variable de competitividad solo los factores de permanencia en el mercado y prestigio han soportado las pruebas de fiabilidad y análisis factorial.

Es así como, el factor de permanencia en el mercado se dispone con los siguientes ítems:

Tabla 5.18
Ítems que conforman el factor latente de permanencia en el mercado (factor9permanenciamercado)

Fuente: Elaboración propia con resultados de análisis factorial (AF)
                                     
La suma de los ítems anteriores dispone el factor latente de permanencia en el mercado, quedando: factor9permanenciamercado = Zcomppm62 + Zcomppm63.

El factor obtuvo un valor de 0.500 en la prueba KMO que se considera adecuado para el análisis factorial, asimismo se obtuvo un nivel de significancia perfecto de 0.000 en la prueba de esfericidad de Bartlett que permite continuar con el análisis ver Anexo3.

La varianza total del factor permanencia en el mercado se explica por un componente (component 1) en un 83.783% y este componente se forma por los ítems 62 y 63 con valores de 0.915 cada uno. Los ítems se consideran adecuados para explicar el factor latente de permanencia en el mercado de la variable competitividad, ver Anexo3.

Por último, el factor de prestigio se modela con los siguientes ítems:

Tabla 5.19
Ítems que conforman el factor latente de prestigio (factor10prestigio)

Fuente: Elaboración propia con resultados de análisis factorial (AF)
La suma de los ítems anteriores modelan el factor latente de prestigio, quedando: factor10prestigio = Zcompresti71 + Zcompresti72.

El factor latente de prestigio obtuvo un valor de 0.500 en la prueba KMO que se considera adecuado para el análisis factorial, de la misma forma, en la prueba de esfericidad obtuvo una nivel perfecto de significancia de 0.000 que facilita continuar con el análisis factorial, ver Anexo3.

La varianza total del factor prestigio se explica por un solo componente (component1) en un 82.476% y está compuesto por las preguntas 71 y 72 con valores de 0.908 cada uno. Por tanto, los ítems considerados son pertinentes para explicar el factor latente de prestigio de la variable competitividad, ver Anexo3.

Es así como se ha mostrado el análisis factorial para las variables y factores que han pasado las pruebas estadísticas los cuales consideramos variables y factores latente útiles para obtener las ecuaciones de regresión múltiple; por otro lado, los factores que no soportaron el análisis factorial fueron en la variable cadena de valor: servicio posventa, adquisiciones y desarrollo tecnológico; en la variable estrategias genéricas: el factor de concentración o enfoque; y en la variable competitividad: los factores de rentabilidad, productividad, participación en el mercado, lealtad del cliente, costos y calidad del producto; finalmente se obtuvo la Tabla 5.20 que muestra los ítems que integran a las variables latentes y a los factores latentes que son utilizados para la construcción de ecuaciones de regresión múltiple para las tres variables de investigación.

Tabla 5.20
Ítems que componen las variables y factores latentes para obtener las ecuaciones de regresión múltiple a partir del Análisis Factorial (AF)

Variable Latente	Ítems	Factor/Indicador Latente	Ítems
Cadena de Valor Latente	5b, 6b, 8e, 8f, 8m, 9c,10ª y 17	Logística de entrada	5ª, 5b y 6b
		Operaciones	10b y 10c
		Logística de salida	15 y 16
		Mercadotecnia y ventas	19, 21 y 22
		Admón. de recursos humanos	32 y 33
		Infraestructura organizacional	35 y 38
Estrategias genéricas Latente	39, 42, 43 y 44	Liderazgo en costos	43, 44 y 45
		Diferenciación	52 y 53
Competitividad Latente	68, 71 y 72	Permanencia en el mercado	62 y 63
		Prestigio	71 y 72

Fuente: Elaboración propia con datos de encuesta procesados en SPSS 17

Dado que las correlaciones entre factores latentes y variables latentes establecen correlaciones poco significativas, al igual que las relaciones entre factores latentes de las tres variables, se ha optado por mostrar las ecuaciones de regresión múltiple que contienen a los ítems que explican a las variables de investigación correspondientes y sirven como modelos de predicción o explicación de las variables.
           
La ecuación que muestra la relación entre estrategias genéricas (variable dependiente) y cadena de valor (independiente) es: Estrategias Genéricas = - 0.306(Zlogentrad1a) - 0.422(Zlogentrad1c) + 0.870(Zlogentrad7c) – 1.368(Zlogentrad7f) + 0.555(Zoper10c) - 0.406(Zlogsalid16) - 0.663(Zmyvent22) – 0.434(Zspost25) + 0.731(Zarhuman33) – 0.697(Zarhuman34).

En un inicio podemos decir que la ecuación anterior muestra la relación entre las estrategias genéricas (variable independiente) y cadena de valor (variable dependiente), la ecuación presenta un valor de (r) de 0.897 e indica que la variable latente estrategias genéricas y los ítems de la cadena de valor se relacionan en un 89.70% y también presenta una (r2) de 0.805 e indica que el modelo de regresión múltiple explica en un 80.50% la variabilidad de la variable estrategias genéricas.

 De igual forma, se debe señalar que los factores o indicadores de la cadena de valor que explican de forma favorable e incrementan sustantivamente a la variable estrategias genéricas son: la logística de entrada de la cadena de valor, específicamente el ítem 7c del cuestionario aplicado; las operaciones de la cadena de valor especialmente el ítem 10c; y la administración de los recursos humanos de la cadena de valor, particularmente el ítem 33.

La ecuación que muestra la relación entre competitividad (variable dependiente) y estrategias genéricas (variable independiente) es la ecuación: Competitividad = + 0.532(Zlcaprenydesbord42) – 0.325(Zcenfocostos56) – 0.342(Zcenfdifcentr58).

La ecuación anterior presenta un valor de (r) de 0.587 e indica que la variable latente de competitividad y los ítems de las estrategias genéricas se relacionan en un 58.70%  y presenta una (r2) de 0.344 e indica que el modelo de regresión múltiple explica en un 34.40% la variabilidad de la variable competitividad. Cabe señalar que las ecuaciones de regresión múltiple son las mejores ecuaciones obtenidas y que otras ecuaciones no tienen las características (significancia, r y r2) para ser considerados.

Dentro de la ecuación, podemos notar que el único factor favorable de las estrategias genéricas para la variable competitividad es el factor aprendizaje y desbordamiento, específicamente el ítem 42 del cuestionario aplicado.  
 
Por último, la relación entre competitividad (variable dependiente) y cadena de valor (variable independiente), se muestra en la siguiente ecuación:
Competitividad = + 0.955 (Zlogentrad1a) – 0.569 (Zlogentrad3a) + 0.330 (logentrad4a) – 0.295 (Zoper8a) – 0.399 (Zoper9b) – 0.713 (Zoper10a) -1.139 (logsalid16) -3.43 (Zmyvent23) - 0.596 (Zmyvent24) + 0.553 (Zadq27) + 0.482 (Zarhuman32) – 0.706 (Zarhuman33) + 0.631 (Zarhuman34) + 0.486 (Zinforg36) + 0.862 (Zinforg37)  - 0.354 (Zinforg38).
La ecuación muestra un valor de (r) de 0.959 e indica que la variable latente de competitividad y los ítems de la cadena de valor se relacionan en un 95.90% y presenta una (r2) de 0.920 e indica que el modelo de regresión múltiple explica en un 92% la variabilidad de la variable competitividad. De la ecuación anterior, se puede mencionar que los factores o indicadores de la cadena de valor que favorecen en mayor proporción a la competitividad  son: la logística de entrada (item1a e ítem 4a), las adquisiciones (ítem 27), administración de recursos humanos (ítem 32 e item34) y la infraestructura organizacional (ítem 36 e ítem 37).