La Patagonia⁷ posee características que la diferencian del resto de las regiones del país. En términos geográficos y climatológicos, es la región con la mayor extensión de superficie, la que posee la temperatura promedio más baja y la que cuenta con el menor nivel de precipitaciones. En sus aspectos demográficos también presenta particularidades, resaltando una muy baja densidad poblacional⁸ y una activa movilidad migratoria.⁹ Entre sus aspectos económicos, la estructura productiva registra una elevada especialización en commodities intensivas en recursos naturales,¹⁰ al tiempo que los trabajadores de la región detentan los salarios promedio más elevados del país y, en particular, estos se registran en aquellos sectores más vinculados a la producción de recursos naturales.

El Gráfico 1 permite observar que las provincias patagónicas se agrupan mayormente en el cuadrante superior izquierdo en donde se conjugan los salarios relativos más elevados con los índices de diversidad productiva más baja. Estos altos salarios de la región, que se dan en el entorno de la más alta proporción de relaciones laborales formales entre las regiones del país, se enfrentan también a los niveles de precios más elevados del entorno nacional.¹¹

La Patagonia tiene, a su vez, un carácter rezagado en una variedad de indicadores relacionados con la inversión y el desempeño científico y de conocimiento. En términos de inversión en Investigación y desarrollo (I+D) como porcentaje del Producto Bruto Geográfico la región resulta la más rezagada del país. Situación similar acontece con el número de egresados por cada mil habitantes y con la participación de egresados universitarios entre los ocupados (ver Gráfico 2 y Gráfico 3). El contexto de conocimiento parece ser más débil que en el resto del país y esto podría afectar las capacidades internas de las firmas y sus procesos de aprendizaje.

Por otro lado, según un estudio reciente en una de las regiones más prósperas de la Patagonia (Stubrin, Cretini, y Flores, 2020 (en prensa)), la región cuenta con una reducida masa crítica de empresas innovadoras y de capacidades emprendedoras, que a su vez enfrenta dificultades a la hora de atraer recursos externos y retener a personal calificado. Además, las vinculaciones con el sector de ciencia y tecnología son particularmente fragmentadas.

La literatura de sistemas regionales de innovación invoca la necesidad de articular diferentes niveles de gobernanza que importan a la hora de generar incentivos para la innovación (Fromhold-Eisebith, 2007). Esto no ha sucedido en el caso argentino (Niembro, 2018). En general, la literatura describe a las políticas de CTI en Argentina como un conjunto de instrumentos poco coordinados y heterogéneos (Arza, del Castillo, Aboal, Pereyra, y Rodríguez Cuniolo, 2018; Baruj, Kosacoff, y Ramos, 2009; Baruj y Porta, 2006; Lavarello y Sarabia, 2015).

Gráfico 1 .
Salarios y diversidad productiva

Nota: el índice de diversidad productiva se calcula a partir de la llamada “diversidad de Shannon” para cada provincia argentina y para cada año entre 1996 y 2017 que se computa utilizando el empleo registrado de cada provincia en las distintas ramas de actividad a 4 dígitos de la CIIU. El eje vertical muestra el cociente para cada provincia y cada año entre el salario promedio provincial y el salario medio nacional. Las líneas punteadas reflejan los promedios nacionales de salarios y de diversidad productiva. El país se divide en cinco regiones: región Pampeana (al centro del país), región Patagónica (al sur del país), región de Cuyo (al centro-oeste del país), Nordeste Argentino (NEA) y Noroeste Argentino (NOA).

Fuente: Elaboración propia sobre la base de OEDE – Ministerio de Producción y Trabajo.

Gráfico 2 .
Tasa de inversión en I+D regional (% del PBG, año 2005)

Nota: el último dato oficial recuperable es el de 2005 debido a la inexistencia de información de PBG más reciente.

Fuente: Elaboración propia sobre la base de SIDEP – MECON e INDEC.

Gráfico 3 .
Nivel de formación de la fuerza laboral (ocupados con educación universitaria completa, porcentaje del total, año 2017)
Fuente: Elaboración propia sobre la base de EPH – INDEC.

En el plano regional, si bien la Ley 25.467 de CTI del 2001 establece como mandato la necesidad de elaborar un Plan de CTI que tenga en cuenta las prioridades regionales y sectoriales (artículo 9) orga­nizando una estructura de funcionamiento de red, coordinado y flexible, fomentando la pluralidad y el surgimiento de espacios propios (artículo 7), en la práctica no se ha logrado la articulación provista (Gonzalez, 2017). Además, los programas provinciales de promoción de actividades de CTI han sido marginales (Niembro, 2018).¹²

En la Tabla 1 presentamos el gasto en Ciencia y Técnica presupuestado para organismos nacionales para el 2020, desagregando la porción que se ejecutaría en territorio patagónico. Las 24 provincias en conjunto explican el 68% de ejecución planificada en el presupuesto en esta área, siendo el resto de ejecución nacional. La región Pampeana (Buenos Aires, Córdoba, Santa Fe y La Pampa) absorbe la mayor porción de la ejecución regional (82% de ése 68%), siguiéndole la región patagónica en importancia (7,5% de la porción regionalizada o 5% del presupuesto nacional total de Ciencia y Técnica).

A su vez, el 95% de la porción del presupuesto nacional en Ciencia y Técnica localizado en la Patagonia se concentra en solo tres organismos: la Comisión Nacional de Energía Atómica (48%), la Comisión Nacional de Actividades Espaciales (28%) y el Instituto Nacional de Tecnología Agropecuaria (21%). Los primeros dos organismos tienen una incidencia importante en el dinamismo innovador de las empresas manufactureras y de servicios en sus regiones de influencia, ubicadas fundamentalmente en la provincia de Río Negro. Ambos organismos, además, se han vinculado fuertemente a lo largo de su historia aprovechando las sinergias existentes entre los desarrollos de la industria nuclear y la satelital, brindando desarrollos importantes para el país como la serie de misiones espaciales con satélites producidos por la empresa estatal INVAP (cuya sede central se ubica en la provincia de Río Negro), poniendo a la Argentina en la lista de los únicos 8 países que han producido sus propios satélites de telecomunicaciones (López, Ramos, y Pascuini,2019).

Tabla 1.
Gasto en Ciencia y Técnica por Organismo, Presupuesto Nacional 2020 (expresado en millones de dólares)

Fuente: elaboración propia sobre la base de datos del Presupuesto Nacional y del BCRA. Se utilizó el tipo de cambio AR$/US$ de referencia del BCRA promedio del año 2019 para convertir las cifras a dólares estadounidenses.

En términos de instrumentos política pública para promover la actividad industrial, un programa específico para la región, también de origen federal, es el “Régimen Especial Fiscal y Aduanero de Tierra del Fuego”, que brinda exenciones a diferentes impuestos, incluidos los derechos de importación y los reintegros a las exportaciones desde Puertos Patagónicos, cuyos orígenes se remontan a 1972. El objetivo de esa política de promoción estuvo y está asociado a mantener e incentivar el poblamiento de la región y a promover la actividad industrial con vistas a diversificar la estructura productiva nacional. Sin embargo, sus resultados han mostrado ser acotados, desarrollándose de manera predominante una industria de bienes de electrónica de consumo de carácter ensamblador y con un fuerte sesgo hacia el mercado interno, con escasa inserción en las cadenas globales de valor (Santarcángelo y Perrone, 2015; Schorr y Porcelli, 2014).

En suma, las condiciones particulares implican obstáculos y oportunidades diferenciales para las firmas de la Patagonia en relación con el resto del país. Por ejemplo, la distancia geográfica a los centros urbanos más importantes del país incide en los costos de transporte y logística, así como las condiciones climáticas extremas determinan cuestiones regulatorias asociadas a los diferenciales salariales que también afectan los costos. La especialización productiva en combustible facilita la generación de enclaves de alta productividad laboral, pero bajos encadenamientos hacia adelante y hacia atrás, limitando la generación de derrames de conocimiento. Asimismo, como toda producción de commodities, está sujeta a los vaivenes de los precios internacionales, contribuyendo a una mayor incertidumbre. Además, tanto los precios, los salarios, como la rentabilidad de la explotación de hidrocarburos son particularmente altos, atentando contra las posibilidades de diversificación. Toda esta situación se retroalimenta con el presupuesto escaso de ciencia y técnica para la región, aunque como vimos, existen algunos nichos dinámicos en la región asociados a tecnologías espaciales y de energía nuclear fuertemente promovidos por organismos públicos.

La fuente principal de datos para realizar los diversos análisis es la ENDEI 2, representativa del sector manufacturero argentino para firmas de 10 o más empleados¹³.

Primero analizamos las diferencias en la relevancia de los factores productivos entre la región Patagónica y el resto del país. Para ello estimamos una función de producción, ampliada para incluir dentro de los factores productivos una medida del stock de conocimiento de las firmas. Específicamente, estimamos la ecuación (1):

[1]

Donde la variable dependiente representa el logaritmo natural del valor agregado por trabajador para la firma 𝑖 en el año 𝑡. Entre las variables independientes se incluyen los factores productivos tradicionales, capital (𝐶) y trabajo (𝐿), y una variable que aproxima el stock de conocimiento de la firma (𝐼).

Realizamos estimaciones de mínimos cuadrados ordinarios (MCO) y también aprovechamos la estructura de panel incorporando efectos fijos (EF) por firma (𝑢_𝑖) y por año (𝜏_𝑡 ). A continuación, esta función de producción se estimó incluyendo interacciones entre los factores productivos y una variable dummy indicativa de si la firma pertenece a la región patagónica, lo que permite observar si la Patagonia registra una productividad factorial diferencial con respecto al resto del país. En la ecuación (2) se presenta la especificación con interacciones.

[2]

La significatividad estadística y el signo de las estimaciones de los parámetros 𝛽₂, 𝛾₂ y 𝛿₂ brindarían evidencia sobre la existencia de una productividad diferencial en la Patagonia de los factores trabajo, capital y stock de conocimiento, respectivamente.

Inspirados en la propuesta presentada en el Manual de Oslo (OECD/Eurostat, 2019) que sugería ver factores externos e internos a la firma que podrían ser obstáculos o facilitadores de la innovación, construimos dos variables explicativas:¹⁴

1. 1. Obstáculos externos que enfrentan las firmas a la hora de innovar que están asociados a barreras de mercado, regulatorias y de incertidumbre macroeconómica. Entre estos obstáculos externos, analizamos también por separado el obstáculo asociado específicamente a los costos.
2. 2. Diversidad de capacidades internas de las firmas (productivas, organizativas, de conocimiento). Las capacidades son un elemento interno central tanto para innovar como para evaluar las posibilidades que tenga la firma de sortear obstáculos.

Analizamos su efecto sobre tres medidas de desempeño de la firma: 1- la decisión de la firma de realizar diversas actividades de innovación; 2- el grado de intensidad con que la firma invierte en actividades de innovación; 3- la productividad laboral de la firma. Adicionalmente, se añadió un conjunto de variables de control para tener en cuenta la heterogeneidad entre firmas.

Un tema que ha resultado central en literatura de obstáculos de innovación es definir la "muestra relevante" e incluir solo a aquellas empresas interesadas en la innovación, para evitar sesgos, ya que las que no están interesadas suelen no identificar obstáculos y por lo tanto la relación empírica entre obstáculos e innovación se vuelve positiva (Blanchard et al., 2013; Mancusi y Vezzulli, 2010). Siguiendo la línea de Savignac (2008), Blanchard et al. (2013), Pellegrino y Savona (2017) y Arza y López (2018) se realiza un recorte en la muestra que se emplea en las estimaciones, de manera tal de evitar dicho el sesgo de selección. Específicamente, la muestra relevante a ser utilizada se compone de todas las firmas que: 1- registran actividad innovadora de algún tipo (realizan gastos en al menos un tipo de actividades de innovación o tienen resultados de innovación), y/o 2- manifiestan haber percibido algún obstáculo para la innovación.

Dos modelos base guiarán las diferentes estimaciones:

a. Modelo para la decisión de realizar AI y su intensidad: modelo Tobit tipo 2 con datos de corte transversal compuesto de dos ecuaciones, una para la decisión de realizar AI y otra para su intensidad (ecuación 3).

[3]

b. Modelo para la productividad laboral: modelo con datos de corte transversal que se estimará a través de mínimos cuadrados ordinarios (ecuación 4).

[4]

Ambos modelos se estiman con errores robustos clusterizados a nivel de rama de actividad y tamaño. Las variables involucradas en los modelos se definen de forma sintética a continuación y con más detalle en Tabla A.1. del Anexo.

$\mathit{ln}\mathit{\text{VA}}x{\mathit{\text{L}}}_i$ : logaritmo natural del valor agregado por trabajador de la firma i-ésima. Promedio anual período 2014-2016 a pesos de 2014.

$\mathit{\text{O}}bs\mathit{tE}x{t}_i$ : variable dummy indicadora de la presencia de obstáculos externos para a la innovación asociados con características del mercado, regulatorias y de incertidumbre macroeconómica.

$\mathit{\text{D}}i\mathit{vC}a\mathit{pALT}{\mathit{\text{A}}}_i,\mathit{\text{D}}i\mathit{vC}a\mathit{pMEDI}{\mathit{\text{A}}}_i,\mathit{\text{D}}i\mathit{vC}a\mathit{pBAJ}{\mathit{\text{A}}}_i$ : variables dummy que toman el valor 1 en caso de que las firmas posean alta, media o baja diversidad, respectivamente, de capacidades¹⁵.

𝑋_𝑖: variables de control que incluyen el tamaño de la firma ($\mathit{\text{T}}a{m}_i$ ; medido como la cantidad promedio de empleados en el período) y una medida de “proactividad tecnológica” ($\mathit{\text{P}}roac\mathit{tT}ecn{o}_i$ )construida a partir de las respuestas acerca de la capacidad organizativa y la estrategia empresarial de lafirma¹⁶ .

$\mathit{\text{AI\_}}{d}_i^{*}$ : variable latente inobservable que define que la firma realizará AI cuando su valor supera el umbral 𝑘₁.

$\mathit{\text{AI\_}}{d}_i$ : variable dummy que toma el valor 1 cuando la firma realiza AI y cero en caso contrario.

$\mathit{\text{A}}mp\mathit{lF}uente{s}_i$ : variable que captura la proporción de fuentes externas de información o inspiración a las que la firma recurre para llevar adelante sus actividades de innovación de un total de nueve posibilidades.

$\mathit{ln}\mathit{\text{AI}}x{\mathit{\text{L}}}_i$ : logaritmo natural del valor promedio de gastos en AI para el período 2014-2016 (a preciosde 2014) dividido por la cantidad de trabajadores de la firma.

$\mathit{\text{P}}ata{g}_i$ : variable dummy que toma el valor 1 si la firma pertenece a la región patagónica (provinciasde Chubut, Neuquén, Río Negro, Santa Cruz y Tierra del Fuego).

Con el objetivo de analizar las particularidades de la región patagónica se realizan estimaciones de los modelos (3) y (4) introduciendo alternativamente interacciones entre las variables de obstáculos externos y las medidas de diversidad de capacidades con la variable dummy que expresa si la firma pertenece a la región patagónica. De esta manera, la significatividad estadística, el signo y la magnitud de la estimación del parámetro relacionado con la mencionada interacción permitirán evidenciar la relevancia, dirección y la importancia económica del cada factor particular para la Patagonia.

Adicionalmente, dada la importancia de las barreras de costo en la literatura y el hecho de que la Patagonia posea efectivamente costos más altos que el resto del país, se realizó una variación a las estimaciones con el fin de analizar el rol que poseen específicamente las barreras de costos, reemplazando la variable de obstáculos externos enfrentados por la firma por una dummy que considera exclusivamente si las firmas enfrentaron “altos costos para el desarrollo de productos, procesos y/o cambios en la gestión”($\mathit{\text{O}}bs\mathit{tC}ost{o}_i$). De esta manera podremos observar si este tipo de obstáculos se muestra particularmentenocivo para la productividad y/o las AI en la región patagónica.

La Tabla 2 presenta las dimensiones más salientes que caracterizan a las firmas. Como primer elemento a resaltar, se observa que la productividad laboral (VA_l_avg_r) es significativamente más alta en la Patagonia que en el resto del país. Concomitantemente, los salarios son más altos en la Patagonia para todos los niveles jerárquicos (variables wr_nj_prom, wr_js_prom y wr_dg_prom, para el personal no jerárquico, las jerarquías medias y las jerarquías altas, respectivamente).

Tabla 2 .
Características del desempeño de la firma y los salarios

Fuente: Elaboración propia sobre la base de la ENDEI 2.

Tabla 3 .
Características de capacidades y vinculaciones de conocimiento de las firmas

Fuente: Elaboración propia sobre la base de la ENDEI 2.

En la Tabla 3 se presentan una serie de variables que dan cuenta de las capacidades de las firmas. En primer lugar, la proporción de profesionales en la plantilla de ocupados (cap_h_prom) es menor en promedio en la Patagonia que en resto del país. Y, considerando a los profesionales, no hay diferencias en términos de la proporción de ingenieros. En segundo lugar, analizando los indicadores construidos para dar cuenta de las capacidades de conocimiento, organizativas y de producción de las firmas (capac_conoc, capac_organiz y capac_prod, respectivamente), solo en el caso de las capacidades organizativas las firmas de la Patagonia muestran estar rezagadas, mientras que no hay diferencias estadísticamente significativas con el resto del país para las capacidades de conocimiento y productivas. Las variables que miden diversidad de capacidades por su parte (DivCapALTA, DivCapMEDIA, DivCapBAJA, para diversidad alta, media y baja, respectivamente), muestran que efectivamente en la Patagonia hay una menor proporción de firmas que tienen capacidades altas en todos los aspectos evaluados, lo cual es significativo en tanto los tres tipos de capacidades son necesarios para impulsar la competitividad. Finalmente, si bien no pareciera haber diferencias significativas en términos de cómo las empresas de la Patagonia se vinculan con Universidades o Institutos Públicos de Investigación para realizar actividades de investigación, desarrollo y diseño (variables link_dis, link_id, link_idd), sí hay evidencia de que se nutren de una variedad menor de fuentes de información para la innovación (variable AmplFuentes), es decir, en términos de información relevante parecieran estar más aisladas.

Tabla 4 .
Esfuerzos, resultados y percepción de obstáculos a la innovación

Fuente: Elaboración propia sobre la base de ENDEI 2.

En la Tabla 4 se analizan variables que caracterizan el perfil innovador de las firmas. En primer lugar, en términos de esfuerzos, vemos que mientras un 71% de las firmas a nivel nacional declaró realizar alguna actividad de innovación (AI_d), en la Patagonia la proporción es de 64% y la diferencia es significativa. Una de las razones que explica este rezago de la Patagonia con respecto al resto del país se encuentra en la proporción de firmas que emprenden actividades de I+D internas (ai_idint_d) siendo de tan solo un 27% en la Patagonia versus un 42% en el resto del país. Las firmas que aprovechan Transferencia Tecnológica (ai_tt_d), sin embargo, son más preponderantes en la Patagonia, aunque este tipo de actividades sea uno de los menos realizados (17% en la Patagonia versus 12% en el resto del país). En el resto de las actividades de innovación la Patagonia muestra en general menores tasas de participación, pero las diferencias no resultan estadísticamente significativas.

En lo que respecta a montos invertidos en actividades de innovación, los gastos por trabajador (iaint_l_avg) resultan ser más altos en el caso de la Patagonia: se invierte en promedio 39,9 mil pesos anuales por trabajador frente a 22,7 mil en promedio para el resto del país (expresado a precios de 2014). Esta diferencia se explica fundamentalmente por la inversión en maquinaria y equipo para la innovación (variable ai_maq_l_avg; 36,9 mil pesos en la Patagonia, 21,7 mil pesos en el resto del país). En los otros rubros de esfuerzos, incluida la I+D, no se registran diferencias significativas entre la Patagonia y el resto del país, con la sola excepción de la I+D externa (ai_idext_l_avg), en la cual la Patagonia cuenta unos 10 mil pesos promedio al año por trabajador y el resto del país tan solo 4,5 mil pesos. Resulta interesante que estos valores para la I+D externa por trabajador son 1,28 veces más elevados que los de la I+D interna en la Patagonia, pero son sólo un 0,6 del valor registrado en el resto del país, sugiriendo que la región patagónica es una fuerte demandante de I+D que seguramente contrata en otras regiones o países.

En segundo lugar, en términos de resultados innovadores, el desempeño de las firmas de la Patagonia es peor que el de las firmas del resto del país. Mientras un 41% de las firmas del resto del país logró innovaciones de productos o procesos que resultaron novedosas a nivel nacional (inn_pp_nac), solo un 32% de las patagónicas alcanzó es objetivo. Si bien tanto en productos como en procesos la Patagonia muestra peor rendimiento, es en innovaciones en producto (inn_prod_nac) donde las diferencias son significativas. En cambio, no pareciera haber diferencias en los logros relativos a innovaciones blandas (i.e. organizacionales o comerciales).

Finalmente, en términos de la percepción de barreras a la innovación, las firmas de la Patagonia perciben menos obstáculos externos (ObstExt) que sus pares del resto del país. Mientras que en la Patago­nia un 77% de las firmas registró alguno de estos obstáculos, un 83% lo hizo en resto del país.¹⁷ Entre los obstáculos específicamente registrados en la encuesta, encontramos que las diferencias significativas se dan para los ítems: dificultades para la importación de bienes claves para la innovación, por un lado, e incertidumbre económica y financiera, por otro (variables p739 y p7310, respectivamente). En ambos casos las firmas de las Patagonia perciben menos de estos obstáculos (11% vs 20 % de las firmas identifican dificultadas para importar en la Patagonia y el Resto del País y 54% vs 62% de las firmas, respectivamente, identifican dificultades asociadas a la incertidumbre).