MODELO DE DESARROLLO ECONÓMICO LOCAL PARA LA DIVERSIFICACIÓN DE LA ESTRUCTURA PRODUCTIVA Y LA ARTICULACIÓN DEL TEJIDO EMPRESARIAL EN BAJA CALIFORNIA SUR

III.6.  Análisis Estadístico Multivariante.

III.6.1.  Análisis Factorial Exploratorio.

El Análisis Factorial tiene por objetivo extraer un número menor de factores que expliquen la mayor parte de la varianza de la muestra, por lo que se trata de una  técnica ampliamente utilizada y aceptada en este tipo de estudios (Llamazares Redondo y Berumen, 2011; Ferrando y Anguiano-Carrasco, 2010; Ruíz, Pardo y San Martín, 2010).

En este caso, se realizó inicialmente un Análisis Factorial de tipo Exploratorio (AFEX), con el objetivo de identificar las variables explicativas que mejor analizan el Desarrollo Económico Local en BCS y tratar de reducir el conjunto de indicadores (87) a un número menor de dimensiones.

En general, esta técnica permite analizar la estructura de las correlaciones entre un gran número de variables, definiendo una serie de dimensiones subyacentes comunes, llamados factores (Briones, 2002).  Estos factores, al concentrar la información permiten describir y/o explicar los datos resultantes, en un número mucho menor de conceptos respecto de las variables originales, situación que -finalmente- facilita el desarrollo del trabajo al resaltar los puntos trascendentales, o bien aquellos que constituyen la estructura de lo que se busca explicar o bien de las variables que se pretende relacionar, dado que los resultados describen la correlación entre la variable y el factor.  En el AFEX se establece que para que una variable tenga una correlación significativa con un factor, debe tener un coeficiente de correlación (carga factorial) de al menos 0.50 y auto valores (eigenvalores) mayores a 1.

Básicamente, se reconocen tres pruebas para determinar si los datos son adecuados para realizar el análisis factorial exploratorio:

• Una es la Kaiser - Meyer – Olkin que tiene valores entre 0 y 1.  Para el caso de esta prueba, cuanto más cerca de 1 más adecuados serán los datos; por el contrario, valores menores a 0.5 no se consideran adecuados para el procedimiento. 
• Otra es el Bartlett’s Test of Sphericity, prueba con la que se busca predecir si hay suficientes correlaciones significativas para llevar a cabo el análisis; en este caso mientras más cerca de 0, su significancia resulta más adecuada para efectos de la muestra.
• Luego de identificados los factores, se calcula el Coeficiente Alpha de Chronbach de cada factor para examinar su confiabilidad, en cuyo caso el valor mínimo generalmente aceptado como adecuado es de 0.70.

Antes de ejecutar el análisis factorial exploratorio, se procedió a calcular la factibilidad del procedimiento mediante las pruebas Kaiser-Myer-Olkin y Bartlett’s Test of Sphericity;  la primera prueba arrojó un resultado de 0.736 y la segunda resultó con un nivel de significancia de 0.000, por lo que se concluyó que la muestra es  adecuada.  Se estableció el valor de 0.50 para incluir un elemento en un factor y un eigenvalue de autovalor 1.00 para retener el factor. Las pruebas realizadas, reflejan que todos los coeficientes resultaron estar asociados significativamente a uno ó dos factores, con excepción de las variables relativas a cooperación informal, la cual -en el análisis exploratorio- resulta con tres componentes.  Cabe mencionar que inicialmente el AFE arrojó 21 componentes, posteriormente éstos se sometieron al análisis de confiabilidad.

III.6.2.  Análisis de Confiabilidad.

La confiabilidad corresponde a una evaluación del grado de consistencia entre múltiples medidas de una variable (Namakforoosh, 2011); en general, se trata una condición necesaria, aunque no suficiente, para determinar la validez de una escala. Una de las pruebas o medidas más utilizadas para medir la confiabilidad es el coeficiente Alfa de Cronbach, en cuyo caso los valores de confiabilidad deben ser ≥  0.70  para ser aceptados.

Una vez realizado el AFE se procedió a calcular los índices de confiabilidad de cada factor, los cuales fluctúan entre 0.70  y 0.964 con excepción de los factores que se eliminaron al no cumplir con el requisito como mínimo en el coeficiente de confiabilidad (0.70); la mayor parte de los factores, reflejan un grado de confiabilidad bastante aceptable (ver información en Anexos).

III.6.3.  Análisis Factorial Confirmatorio.

Continuando con la explicación de la metodología aplicada, el paso diez consistió en abordar la validez del constructo ya que, tal como se mencionó anteriormente, la sola existencia de indicadores de confiabilidad adecuada no aseguran –necesariamente- que el constructo o variable sea el correcto; por lo tanto, además de verificar la validez de contenidos y el cálculo de los indicadores de confiabilidad, se hace necesario realizar las pruebas estadísticas correspondientes a la validez de los constructos que se están evaluando, el cual para el caso de este proyecto se formuló mediante el Análisis Factorial Confirmatorio (AFC). Una característica esencial del AFC, es que en el proceso de investigación, se deben de plantear con anterioridad todos los aspectos relevantes del modelo, los cuales deben estar sólidamente fundamentados en la teoría previa y en la evidencia conocida. En el caso de esta investigación, además de la solidez de la fundamentación teórica, se aplicó de inicio el Análisis Factorial Exploratorio (AFEX) y se formularon las pruebas estadísticas correspondientes para determinar la confiabilidad y validez del contenido; además, se procedió a realizar una última depuración (pasos 9 y 10 del Diagrama III.4 de la metodología), con el objetivo de excluir los ítems o indicadores que no satisfacen los requisitos mínimos de calidad exigidos por los métodos estadísticos.

El procedimiento aplicado resultó en nueve factores o dimensiones (mismas que se refieren con las claves E.1, E.2, etc. en el Anexo V.1) con cargas factoriales superiores a 0.60, lo cual indica una correlación de las variables sujetas a estudio y los factores obtenidos. Los coeficientes de confiabilidad (Alfa de Cronbach) de cada factor fluctúan entre 0.77 a 0.98 (con excepción de los componentes que integran el factor de competitividad precio-producto, en cuyo caso es de 0.65), lo cual corrobora que los componentes que integran cada factor resultaron significativos en términos de confiabilidad.

Con respecto a la varianza total explicada, se aprecia que en la mayoría de las variables este indicador supera el 50% (en 6 de las 9 variables así resulta), lo que permite establecer que las componentes principales,  explican la mayor parte de la varianza de los datos originales, en este caso las correspondientes a los reactivos que referidos a las preguntas del cuestionario aplicado a las empresas.  Tomando como criterio decisorio los valores referidos en el Anexo V.1, es posible indicar que los resultados de este estudio validan las dimensiones teóricas propuestas anteriormente para el modelo de desarrollo económico local en BCS.

Las nueve dimensiones arrojan indicadores que resultan estadísticamente significativos, por lo tanto la información que se obtuvo mediante la investigación de campo (cuestionario), permite indicar que el análisis del contexto sí se refleja en la información captada directamente de las empresas de cada uno de los sectores económicos en estudio, asimismo sus efectos son notorios en esta investigación.

III.6.4.  Modelo de Ecuaciones Estructurales

Una vez que se ha cubierto en su totalidad los aspectos metodológicos del Análisis Factorial, se ha comprobado la fiabilidad y validez de los constructos 1 (paso número diez de la metodología propuesta). Por lo tanto, la fase siguiente consiste en contrastar si el modelo teórico que se ha venido trabajando a lo largo de esta investigación, se corresponde con los factores y dimensiones obtenidos a partir de la información empírica 2 , lo cual para el caso específico de esta investigación se llevó a cabo mediante el Modelo de Ecuaciones Estructurales (Structural Equation Modeling) mismo que a partir de métodos estadísticos multivariantes, permite estimar el efecto y las relaciones entre múltiples variables.

La ventaja de este tipo de modelo, es que permiten proponer el tipo y la dirección de las relaciones que se espera encontrar entre las diversas variables contenidas en él, para posteriormente pasar a estimar los parámetros que vienen especificados por las relaciones propuestas a nivel teórico. Por este motivo se le conoce también como “Modelos Confirmatorios”, ya que el interés fundamental consiste en mostrar las relaciones propuestas a partir de la teoría Explicativa en la que se fundamenta el modelo propuesto, tal como lo indican diversos autores (Cequea y Rodríguez-Monroy, 2012; Cupani 2012, Pardo 2010, Kerlinger y Lee, 2002) el modelo de ecuaciones estructurales (SEM por sus siglas en inglés) se ha convertido en los últimos años en una importante herramienta para el estudio de relaciones causales sobre datos no experimentales; no obstante, estos modelos  no prueban la causalidad, pero ayudan en la toma de decisiones respecto a las hipótesis propuestas, eliminando aquellas variables que no se corresponden con la evidencia empírica. Para realizar el análisis confirmatorio, se utilizó el software SPSS Amos 21.0.0; por su parte, los modelos de ecuaciones estructurales fueron generados mediante la técnica de Máxima Verosimilitud.  

En el Diagrama III.6 se observa que el constructo de competitividad empresarial se integra de dos componentes (factores), el primero se compone de siete variables (indicadores) que se relacionan con la competitividad en términos del producto y/o servicio, de ahí que se le etiquetó como Índice de Factor de Competitividad del Producto (IndiFacCompPro); el segundo, se refiere o integra variables (tres en total) que valoran la competitividad en relación a Estrategias de Mercadeo, se le denomina Índice de Factor de Competitividad en términos de mercado (IndFacCompMk).

El siguiente modelo propuesto se enfoca al contraste de la variable referida a la Innovación y Desarrollo Tecnológico, valora la percepción que tienen los empresarios en cuanto a su capacidad para acceder a nuevos procesos y sistemas, equipos, etc. que favorezcan la innovación en sus empresas (Índice de Acceso al Desarrollo Tecnológico), si existe cooperación o integración con otras empresas para proyectos conjuntos que generan innovación y desarrollo tecnológico (Índice de Generación de Innovación Tecnológica), así como las principales fuentes de información para acceder a las mismas (IndFenInfInoTec), las relaciones entre variables se presentan en el Diagrama III.7

Con la finalidad de estimar la variable de cooperación informal, como parte del constructo de asociatividad entre las empresas, se propone un modelo que integra  dos elementos fundamentales; las formas como se dan esos mecanismos de cooperación, mismos que se integra de dos indicadores o variables observadas y el tipo de acciones y proyectos que llevan a cabo de manera conjunta, el cual se integra de seis indicadores.Para evaluar la relación que existe entre la demanda del mercado laboral que es atendida con población local y los principales problemas que -a juicio de los empresarios- enfrenta el mercado laboral en BCS, se plantea el Modelo de Características del Mercado Laboral en BCS, con la finalidad de tratar de establecer si (tal como lo plantea el modelo teórico) la variable del empleo fomenta la endogeneidad económica en el desarrollo de la entidad.

El modelo se integra de dos componentes: Índice de Demanda del Mercado Laboral (IndDemMkLab) y el Índice de Problemas del Mercado Laboral (IndProbMkLab); el primero contiene cinco indicadores y el segundo seis.

Estimación de los modelos propuestos:

Una vez establecida la existencia de relaciones entre los constructos y el conjunto de variables observadas, se procedió al cálculo de las estimaciones del modelo.  Para realizar el análisis confirmatorio, se utilizó el software SPSS Amos 21.0.0 (Analysis of Moment Structure; Arbuckle, 1997); los modelos de ecuaciones estructurales fueron generados mediante la técnica de Máxima Verosimilitud (maximun likelihood), debido a que fue esta técnica la que mejores resultados arrojó de acuerdo al tipo de información que se tiene.  Así mismo, los resultados mostrados en los diagramas fueron estandarizados para tener una mejor interpretación de los mismos; es decir, mientras más cercanos a 1 estén los valores obtenidos, mayor será el grado de relación que guarden entre sí, ya sea entre índices o entre variables y los índices.

Evaluación e interpretación del modelo:

Anteriormente se hizo mención que el análisis confirmatorio se realizó a partir del modelo de ecuaciones estructurales, los cuales basan su análisis en las correlaciones medidas en una muestra (para esta investigación fueron 207 empresas) de manera transversal; las variables a estudiar deben permitir el cálculo de las correlaciones, por lo tanto deben  ser variables de tipo cuantitativo (Hair, Anderson y Tatham, 2001).

En la presente investigación, se definieron cuatro modelos para estudiar las relaciones que existen en los constructos: Factores de Competitividad, Innovación Tecnológica, Cooperación Informal y Características del Mercado Laboral, así como las relaciones de cooperación entre las empresas; una vez que se estimaron los modelos, se procedió a realizar la evaluación de los mismos, mediante varias pruebas estadísticas, los cuales permiten establecer si la estructura teórica propuesta suministra un buen ajuste a los datos empíricos.

Para realizar el análisis confirmatorio también se utilizó el software SPSS Amos 21.0.0; por su parte, los modelos de ecuaciones estructurales fueron generados mediante la técnica de máxima verosimilitud (maximun likelihood). Para validar los modelos se recurrió a las principales medidas de ajuste, que son:

Estadístico chi-cuadrado: comprueba la significancia del modelo,  contrasta la hipótesis nula de que todos los errores de nuestro modelo son nulos; por lo tanto, se busca “No” rechazar esta hipótesis, para no rechazarla, el nivel de significancia debe ser superior al 0.05.

Raíz cuadrada del error medio cuadrático (RMSEA): Steiger y Lind (1980) sugirieron compensar el efecto de la complejidad del modelo dividiendo, por el número de grados de libertad para probar el modelo. Valores inferiores a 0.08 son indicativos de un buen ajuste.

Índice de bondad de ajuste (GFI): Es un estadístico de prueba sugerido por Jöreskog and Sörbom (1986), que  nos señala la variabilidad explicada por el modelo, sus valores oscilan entre 0 (pobre ajuste) y 1 (perfecto ajuste). Valores superiores a 0.90, indican un buen ajuste.

Índice de ajuste Normalizado (NFI): Mide la reducción proporcional en función de ajuste cuando se pasa del modelo nulo al modelo propuesto (Bentler y Bonett, 1980). El rango de variación de este índice está entre 0 y 1, se recomiendan valores superiores a 0.95.

Índice de ajuste No Normalizado (NNFI) o Índice de Tucker-Lewis (TLI): compara el ajuste por grados de libertad del modelo propuesto y nulo (modelo de ausencia de relación entre las variables). Este índice tiende a 1 para modelos con muy buen ajuste, considerándose aceptables valores superiores a 0.90, aunque lo ideal sería valores mayores a 0.95.

Índice de ajuste Comparativo (CFI): indica un buen ajuste del modelo para valores próximos a 1 (Bentler y Bonett, 1980), se recomienda valores superiores a 0.95.

Índice de ajuste Incremental (IFI): (Bollen, 1989) si se tienen dos modelos, con los mismos valores de chi-cuadrado del modelo nulo y propuesto, el que tenga menos parámetros presentará un valor más alto de IFI, siendo más adecuado. Se consideran aceptables valores próximos a 1, en especial mayores que 0.95.

Razón Chi-cuadrado/ grados de libertad (X2/gl): ante muestras grandes (entre 100 y 200), es fácil obtener un grado de significancia superior a 0.05 en el estadístico chi-cuadrado, es por ello que se ajusta por los grados de libertad. Se recomiendan valores mayores que 2.

Índice de bondad de ajuste ajustado (AGFI): Jöreskog and Sörbom (1986), ajusta el índice GFI por los grados de libertad del modelo propuesto y del modelo nulo. En la experiencia práctica, valores superiores a 0.90 son indicativos de un buen ajuste del modelo a los datos.

Índice de Bondad de Ajuste Parsimonioso (PGFI): consiste en ajustar el GFI basado en la parsimonia del modelo estimado. Se recomiendan valores mayores a 0.90.

Los índices anteriores se agrupan en tres ramos, que son:

• Índices de ajuste Global o Absoluto: como lo indica su nombre evalúan el modelo en general, sin tener en cuenta un posible sobre ajuste, de entre los cuales tenemos Chi-cuadrado, RMSEA, GFI, NFI.
• Índices de ajuste Incremental o Comparativo: estos índices comparan el modelo propuesto con el modelo de independencia o de ausencia de relación entre las variables; dentro de estos índices están el NNFI o TLI, CFI e IFI.
• Índices de Parsimonia: Evalúan la calidad del ajuste del modelo en función del número de coeficientes estimados para conseguir dicho nivel de ajuste, en esta categoría tenemos a Razón chi-cuadrado entre los grados de libertad (X2/gl), AGFI y PGFI.

El Cuadro III.23 muestra el modelo propuesto para el constructo de “Mercado Laboral”, de acuerdo a Cupani (2012), en los modelos de ecuaciones estructurales se pueden identificar dos componentes principales: un modelo de medida, que representa las relaciones de las variables latentes (constructos) con sus indicadores (variables empíricas) y el modelo estructural, en el cual se describe la interrelación entre los constructos.

Para el caso específico del modelo laboral, este se compone por dos variables latentes (Demanda y Problemas del Mercado Laboral) las que están medidas por siete indicadores. En el Cuadro III.23.

En el Cuadro III.23, se aprecia el grado de correlación entre nuestros los índices IndProbMKLab y IndDemMKLab, cuyo valor es -0.375; considerando que el valor es pequeño, la relación entre el comportamiento de las variables es débil. Así mismo, la covarianza -0.45 resultó negativa, por ello la relación es indirecta, por lo que es posible sugerir que, mientras mayores sean los problemas del mercado laboral, menor será la demanda del mercado.

Las cargas factoriales representan la correlación de las variables y los factores, en el presente caso todas las cargas están por arriba del 0.65; por lo tanto, los índices y variables analizados guardan una relación de comportamiento estrecho; sin embargo, es conveniente recordar que las cargas factoriales pueden ser interpretadas como una correlación, lo cual no necesariamente indicaría una causalidad.

La correlación múltiple cuadrada, indica en qué porcentaje la varianza de una variable esta explicada por otra variable, por ejemplo, en este caso el 56.4% de la varianza de “DMLPLTrabAdm” (EM3.32-Demanda del mercado laboral de tipo Administrativo que atendida por la población local)” esta explicada por  “IndDemMKLab” (Tipo de demanda del mercado laboral); el resto de la varianza lo explica el término de error, cuya variable se representa en el diagrama como e4, es decir, factores que se desconocen.

Los resultados de los índices de evaluación del Modelo Características del Mercado Laboral en BCS, se presentan en el Cuadro III.23; todas las pruebas descritas anteriormente, forman el conjunto de ensayos para validar el modelo. Cabe indicar que para evaluar el modelo, es necesario aplicar la mayoría de los índices en conjunto, ya que por sí solo ninguno de ellos aporta toda la información necesaria para valorar el índice de ajuste del Modelo (Ferrando y Anguiano-Carrasco, 2010).

De diez pruebas realizadas al modelo, nueve apoyan la aceptación, incluso con coeficientes muy por encima de los valores críticos.  Por tanto, es posible inferir que existe relación entre las dos variables latentes y los indicadores; al tener signo negativo, la covarianza refiere que se da una relación inversa, es decir, a medida que se presentan problemas en el mercado laboral, menor será la demanda del mercado por mano de obra local.

El siguiente modelo se denomina “Factores de Competitividad de las Empresas”, este modelo valora la percepción que tienen los empresarios en relación a sus principales factores de competitividad y se mide a partir de dos variables latentes: los factores de competitividad relacionados con el producto y los factores de competitividad que guardan relación con las estrategias de mercado, los resultados obtenidos se presentan en el cuadro III.25, en el cual es posible advertir que existe una relación directa entre las dos variables latentes, con una covarianza de 0.40.

Los estadísticos de bondad de ajuste y evaluación del modelo se presentan en el cuadro III.26, de esta manera la decisión de aceptar o no el modelo debe adoptarse mediante una evaluación conjunta de los estadísticos obtenidos.  Los índices de ajustes globales: chi cuadrada, RMSEA, GFI y NEI, indican un ajuste razonable del modelo. Los índices de ajuste incremental: NNFI, CFI e IFI también sugieren la aceptación del modelo, puesto que los valores obtenidos señalan una correcta estimación. En cuanto a los ajustes de parsimonia, la razón X²/gl y el AGFI corroboran la aceptación del modelo, pero no así el PGFI que señala un ajuste de bajo nivel (0.451).

En general, de diez estadísticos cuadrados, en nueve se apoya la aceptación del modelo. Cabe señalar que las variables de “Ubicación”, “Desarrollo Tecnológico” y “Precio”, mismas que se habían propuesto en el modelo inicial no fueron corroboradas, ya que estas variables fueron eliminadas por presentar estadísticos no significativos y cargas factoriales ˂0.50 durante la aplicación del software AMOS21.0.

El tercer modelo propuesto corresponde a las variables que analizan la percepción que tienen los empresarios, específicamente en lo que se refiere al acceso y generación de innovación y desarrollo de tecnologías en sus empresas. En este sentido, el análisis factorial confirmatorio (AFC) arroja tres componentes: el  primero, esta explicado por las variables relacionadas con el acceso y adaptación de tecnología en su empresa y las fuentes de información para acceder a esta tecnología; este componente se integra de cinco indicadores o variables observadas. El segundo componente, se refiere a las variables orientadas a evaluar si la empresa ha introducido procesos de innovación tecnológica en los últimos años, este se integra de cuatro indicadores.  El tercer componente, se relaciona con aquellas variables dirigidas a evaluar cuáles son las principales fuentes de información para la aplicación de innovación y tecnología en las empresas sujetas de estudio, este componente se integra de tres variables observadas.

En este modelo se puede observar como las correlaciones y covariaciones resultaron positivas, por lo es posible señalar que existe una relación directa entre las tres variables latentes “Acceso y Adaptación”, “Generación y Aplicación” y “Fuentes de Información” en Innovación tecnológica de las empresas.  Las cargas factoriales son superiores a 0.50, lo cual indica una buena correlación entre los tres factores y las variables observadas; sin embargo, las correlaciones múltiples cuadradas (en algunas variables) resultan pequeñas, tal es el caso de los indicadores referidos a: Adaptación de tecnología de otras empresas, Acceso a programas de financiamiento para adquirir innovación y tecnología para su empresa, ya que tan solo el 28% y 30% de su varianza esta explicada por el factor de Acceso al Desarrollo Tecnológico (IndAcDesTec). Estos resultados permiten afirmar que la tecnología con la que cuentan las empresas, no es se debe al producto de colaborar con otras empresas para generar innovación y desarrollo tecnológico.  Los resultados obtenidos, refieren –también- que son pocas las empresas que han tenido acceso a programas de financiamiento para la innovación y el desarrollo tecnológico de sus actividades productivas.

El segundo factor o componente de la dimensión de Innovación y Tecnología, esta explicado por cuatro variables observadas mismas que se relacionan con la generación interna de procesos  de innovación y desarrollo tecnológico, las cuales explican entre el 25.0 y 51.0% de la varianza de la variable latente Generación de Innovación Tecnológica.

Finalmente, el cuarto modelo propuesto se enfoca a valorar la dimensión de cooperación informal para proyectos conjuntos entre las empresas de BCS.  El modelo se integra de dos componentes: el primero valora las formas de como se dan las relaciones de cooperación de tipo informal y se integra de dos variables observadas, es decir si esta cooperación se genera a partir de lazos familiares o bien por relaciones sociales. Las otras variables que se propusieron en el modelo inicial (reuniones convocadas por el gobierno o por asociaciones empresariales) no fueron corroboradas, ya que las variables fueron eliminadas por presentar estadísticos no significativos.

El segundo componente esta explicado por tres variables relacionadas con el tipo de proyectos conjuntos que desarrollan las empresas como una modalidad de cooperación informal; en el modelo propuesto, el componente se integraba por seis variables observadas (denominadas indicadores), pero de estas se descartaron tres al no resultar con estadísticos significativos, por lo que el modelo quedo integrado por tres indicadores: acceso a nuevos mercados, reducción de riesgos y proyectos conjuntos para la imagen del producto o servicio.

Todos los indicadores presentan altas cargas factoriales, indicando que explican bien el constructo que se pretende medir; igualmente, todos los estadísticos son significativos y positivos; asimismo, los valores obtenidos se corresponden en magnitud y sentido con los planteamientos del modelo teórico. 

Los principales estadísticos de evaluación y el ajuste del modelo se presentan en el Cuadro III.30, donde se observa que de las diez estadísticas aplicadas, ocho apoyan la aceptabilidad del modelo.