1. Introducción

Aunque pueda resultar un tanto paradójico en tiempos de la globalización, la naturaleza muchas veces localizada de los procesos de desarrollo e innovación ha llevado a una revalorización de las regiones como horizonte de análisis (Storper, 1995; Audretsch, 1998; Hotz-Hart, 2000; MacKinnon et al., 2002; Ó Riain, 2011). Por otro lado, la existencia de profundas desigualdades socio-económicas a nivel regional ha ganado un lugar estratégico dentro de las problemáticas abordadas tanto por investigadores como por hacedores de política. En este sentido, el interés creciente por el estudio de los Sistemas Regionales de Innovación (SRI) radica, por un lado, en el rol central de la innovación como fuente de competitividad y desarrollo y, por otro, en la necesidad de afrontar las divergencias regionales en el marco de la globalización (Asheim et al., 2011).

Un objetivo bastante frecuente a lo largo de la literatura sobre SRI desde sus orígenes ha sido la clasificación de las regiones en función de aquellas características de los procesos territoriales de innovación y aprendizaje en las cuales tienden a parecerse o diferenciarse. Esta tarea no solo puede seguir motivaciones de naturaleza analítica —por ejemplo, comprender cómo funcionan y cuán bien lo hacen los distintos sistemas— sino que también podría aportar a la elaboración de políticas públicas —por ejemplo, mediante ejercicios de comparación y la identificación de buenas prácticas— (Navarro y Gibaja, 2009). Buena parte de la literatura sobre tipologías empíricas de SRI se ha concentrado en el estudio de regiones europeas (Clarysse y Muldur, 2001; De Bruijn y Lagendijk, 2005; Martínez Pellitero, 2008; Muller et al., 2008; Navarro et al., 2009; Capello y Lenzi, 2012; Hollanders et al., 2014; Carrincazeaux y Gaschet, 2015) y, en particular, de España (Martínez Pellitero, 2002; Buesa et al., 2006; Navarro y Gibaja, 2009; Alberdi et al., 2014). En el caso de América Latina, solo se encuentran un puñado de trabajos relativamente recientes sobre Brasil, Chile, Colombia y México (Vivar et al., 2010; Crespi y D’Este, 2011; Sánchez Tovar et al., 2014, 2015; Valdez-Lafarga y León-Balderrama, 2015), pero hasta ahora no se han aplicado ejercicios de esta naturaleza al caso argentino.

Aunque varios autores han analizado las desigualdades socio-económicas entre las provincias argentinas y se han elaborado diferentes tipologías o agrupamientos territoriales para dar cuenta de las mismas (e. g., Núñez Miñana, 1972; Rofman, 1974; Porto, 1995; Figueras et al., 2009; Pellegrini y Platino, 2014), las diferencias provinciales en materia de conocimiento, innovación y aprendizaje no han sido por lo general tenidas en cuenta. En lugar de abordajes sistémicos que incluyan a todas las regiones-provincias de la Argentina ¹, aparecen, más bien, estudios de SRI particulares (por ejemplo, el caso de la provincia de Córdoba en Boiola, 2013; Gurvich et al., 2015) o, en una escala geográfica mucho menor, de algunos Sistemas Locales de Innovación (Yoguel et al., 2005; Boiola, 2012; Robert, 2012) ².

Con el objetivo, entonces, de brindar un primer aporte en estos nichos de investigación, en adelante el trabajo se estructura de la siguiente forma. En la sección 2 repasamos brevemente el marco conceptual y los antecedentes empíricos de este artículo. Luego, en la tercera sección describimos la metodología y, en particular, los datos utilizados. La sección 4 se aboca a la presentación de los resultados, divididos en dos partes: la descripción de las dimensiones centrales de los SRI; y la definición de una primera tipología de los SRI en el país. Finalmente, cerramos con las conclusiones, recomendaciones y la discusión de algunas posibles líneas de trabajo a futuro.

2. Antecedentes ³

El vínculo entre conocimiento, innovación y desarrollo ha sido largamente reconocido en la literatura, atravesando a grandes pensadores como Smith, Marx, Marshall, List y, obviamente, Schumpeter (para un resumen, véase Lundvall, 2010). Más recientemente, los autores evolucionistas neo-schumpeterianos, entre otras tantas contribuciones, han popularizado el concepto de Sistema de Innovación (SI), aplicado inicialmente al estudio de los Sistemas Nacionales (SNI) (Freeman, 1987; Lundvall, 1992; Nelson, 1993), pero luego extrapolado hacia el ámbito Regional (SRI) (Cooke, 1992; Asheim y Isaksen, 1997; Autio, 1998).

Por detrás de este descenso a lo regional hay un reconocimiento de que la distribución desigual y la concentración del conocimiento y las capacidades de aprendizaje e innovación en algunos SRI genera efectos acumulativos y auto-reforzantes sobre la base de las asimetrías pre-existentes (Lundvall y Johnson, 1994; Arocena y Sutz, 2003; Howells, 2005). Como señalan Soares y Cassiolato (2008), los beneficios de la innovación no suelen distribuirse automática ni equitativamente entre los países o dentro de los mismos, por lo que las desigualdades tienden a retroalimentarse y perpetuarse. Estas tendencias inherentes a la polarización serían el reflejo de lo que Arocena y Sutz (2003) denominaron divisorias del aprendizaje .learning divides); es decir, las diferencias entre países y regiones en cuanto a su capacidad para aprender y participar en actividades intensivas en conocimiento.

Si bien la globalización ha tendido a volver menos locales (o más ubicuos) diversos factores productivos, todavía muchas actividades, externalidades, capacidades y formas de conocimiento continúan adheridas al territorio y/o arraigadas socialmente (Audretsch, 1998; Maskell y Malmberg, 1999; Scott y Storper, 2003). A su vez, aunque tiende a observarse una creciente internacionalización de los sistemas de innovación, no por ello pierden relevancia las instituciones locales, regionales y nacionales (Niosi y Bellon, 1994; Freeman, 2002; Carlsson, 2006; Fromhold-Eisebith, 2007; Chang, 2009). El objetivo ulterior es poder combinar fuentes internas y externas, de modo de anclar, arraigar e integrar estos conocimientos y tecnologías en las bases locales (Pike et al., 2006; Crevoisier y Jeannerat, 2009; Vale, 2011).

Por todo lo anterior, existe cierto consenso acerca de la necesidad de adoptar una definición amplia y abierta para abordar los sistemas de innovación en el caso de los países y las regiones en desarrollo, que abarque más que el aparato formal de ciencia y tecnología (CyT) o la mera inversión en I+D, incluyendo otras instituciones y políticas, la estructura productiva, el sistema educativo, el financiero, la infraestructura de comunicaciones, la vinculación con otros SI, entre otros tantos aspectos que influyen sobre la generación, uso y difusión de innovaciones. Asimismo, un abordaje amplio es importante para los países y regiones en desarrollo ya que la idea de SI se aplica aquí de manera ex-ante (dado que los procesos de innovación suelen ser escasamente sistémicos y es preciso, más bien, promover la interacción y el desarrollo de los sistemas) y no ex-post(como en los países desarrollados con sistemas en funcionamiento y relativamente exitosos, y a partir de los cuales se generó inicialmente el enfoque) (Arocena y Sutz, 2000). De un modo relativamente similar, Cooke (2001) distingue los sistemas regionales de innovación conceptuales de los reales e Iammarino (2005) habla de sistemas estilizados versus actuales.

En particular, un SRI puede definirse, de modo amplio y abierto, como «la infraestructura institucional de apoyo a la innovación dentro de la estructura de producción de una región» (Asheim y Gertler, 2005, p. 299); o, según la definición de Cooke (2004), el mismo consiste en la interacción entre el subsistema de generación de conocimiento (i. e., la infraestructura institucional de apoyo) y el subsistema de explotación de conocimiento (i. e., la estructura productiva regional), los cuales a su vez están conectados a otros sistemas regionales, nacionales y globales. Por su parte, Tödtling y Trippl (2005) añaden un tercer subsistema, de política regional, y destacan además que todos se encuentran inmersos en un marco socio-económico y cultural regional (Figura 1).

Figura 1
Configuración (teórica) de los sistemas regionales de innovación
Fuente: Elaboración propia en base a los aportes previos de Autio (1998), Tödtling y Trippl (2005) y Navarro y Gibaja (2009).

En la práctica, los esfuerzos de caracterización y clasificación de los SRI han mostrado dos grandes variantes (Navarro y Gibaja, 2009): por un lado, la generación de tipologías conceptuales, en función de las cuales pueden eventualmente contrastarse algunos casos puntuales de estudio (Cooke, 1992; Asheim e Isaksen, 1997; Nauwelaers y Wintjes, 2002; Tödtling y Trippl, 2005; Isaksen y Trippl, 2014); y por otro, la elaboración de tipologías empíricas, generalmente mediante la combinación de técnicas factoriales y análisis clúster a partir de bases de datos socio-económicos y de innovación a nivel regional (Clarysse y Muldur, 2001; De Bruijn y Lagendijk, 2005; Buesa et al., 2006; Navarro et al., 2009; Wintjes y Hollanders, 2010; Alberdi et al., 2014; Sánchez Tovar et al., 2014; Carrincazeaux y Gaschet, 2015).

En el cuadro del Anexo 1 pueden compararse los métodos y datos utilizados por estos últimos estudios, como así también las tipologías empíricas detectadas. En lo que respecta a aquellos trabajos en los cuales se entrecruzan las infraestructuras de CyT con la estructura productiva (algo que, luego veremos, también ocurre aquí), cabe destacar una serie de aportes específicos. En el caso de España, Navarro y Gibaja (2009) reconocen cinco tipos de SRI: 1) regiones agrícolas atrasadas; 2) regiones periféricas turísticas atrasadas; 3) regiones industriales de bajo nivel tecnológico; 4) regiones industriales avanzadas tecnológicamente, y 5) región capital especializada en servicios avanzados. En otro trabajo con datos similares pero aplicado al contexto más amplio de Europa, Navarro et al. (2009) identifican ocho clústers: 1) regiones agrícolas periféricas con fuerte retraso económico y tecnológico; 2) regiones industriales en reestructuración con fuertes debilidades; 3) regiones periféricas con retraso económico y tecnológico; 4) regiones centrales de nivel económico y tecnológico intermedio; 5) regiones industriales reestructuradas con cierta capacidad económica y tecnológica; 6) regiones de servicios con cierta capacidad económica y tecnológica; 7) regiones industriales avanzadas tecnológicamente, y 8) regiones capital y de servicios avanzadas. Por último, en su abordaje sobre cuatro países latinoamericanos, Crespi y D’Este (2011) encuentran los siguientes perfiles: 1) regiones agropecuarias fuertemente especializadas en la producción de materias primas que cuentan con una débil infraestructura en ciencia y tecnología; 2) regiones industriales especializadas en segmentos de bajo contenido tecnológico y en la producción de manufacturas tradicionales; 3) regiones industriales tecnológicamente avanzadas que cuentan con grandes núcleos urbanos, y 4) regiones-capital que cuentan, en general, con una fuerte especialización en servicios avanzados.

3. Metodología y datos utilizados

La metodología del presente trabajo se encuadra en la segunda de las tradiciones analíticas antes mencionadas y, como suele ser usual, se desarrolla en dos pasos: primero, empleamos el análisis de componentes principales para identificar y analizar las dimensiones claves de los SRI; y, luego, usamos los componentes principales obtenidos para realizar un análisis clúster (combinando métodos jerárquicos y no jerárquicos) y así obtener una primera tipología empírica de los SRI en Argentina que permita agrupar y caracterizar a las distintas provincias.

Respecto al abordaje territorial, por lo general, la literatura sobre SRI ha tendido a priorizar la dimensión administrativa o de gobernanza subnacional sobre otras facetas atribuibles al concepto de región (económica, funcional, cultural, etc.). En este sentido, la idea de región hace referencia a un espacio de coordinación económicopolítico de nivel meso, en el medio entre la escala nacional o federal y los gobiernos locales, y que cuenta a su vez con ciertos poderes para tomar decisiones de política e intervenir sobre los procesos de innovación y desarrollo económico (regional). Todos los trabajos que han venido estudiando los SRI a lo largo de países latinoamericanos han tomado como región a los principales órdenes político-administrativos a nivel subnacional (por ejemplo, los estados en Brasil y México, los departamentos en Colombia, las regiones en Chile), lo que en Argentina se conecta directamente con el orden provincial. Asimismo, según Benedetti (2009), las provincias argentinas cumplen una función regional, ya que los principales conflictos se plantean y resuelven en la tensión Nación-Provincias y, además, son las provincias las unidades subnacionales que mejor definen las identidades y solidaridades territoriales. Respecto a las políticas públicas vinculadas al enfoque de SRI, las provincias argentinas suelen contar con agencias de desarrollo y secretarías/ministerios de CyT que, en algunos casos, administran programas locales (véase, por ejemplo, Zurbriggen y González Lago, 2010) y, en otros tantos, actúan como puente entre los actores locales y los instrumentos definidos a nivel nacional. Por último, y desde un punto de vista operativo, las estadísticas subnacionales mayormente se recolectan y/o sistematizan a nivel de las provincias, aunque en el caso puntual de la innovación hay varios indicadores existentes para el país como un todo que no se encuentran disponibles ni siquiera bajo una categorización provincial (o, por ejemplo, debido al secreto estadístico, no se puede construirlos a partir de los datos disponibles de las encuestas nacionales más actuales).

Mediante la consideración de un abordaje amplio del concepto de sistema de innovación y de una configuración también amplia de los SRI (Figura 1), hemos construido una base de datos relativamente extensa y abarcativa de las realidades de los distintos sistemas regionales (provinciales) de innovación y producción en Argentina. Esto no quita que tengamos que enfrentar algunos problemas. Por ejemplo, es evidente la dificultad para obtener datos acerca de los esfuerzos y resultados innovativos por parte de las empresas a nivel provincial. La fuente más actual de la que hemos podido valernos proviene del relevamiento Mapa PYME del año 2008 ⁴, ya que, como mencionamos, las últimas encuestas de innovación en el país excluyen la dimensión geográfica. Para otras variables hemos priorizado los datos más abarcativos a nivel territorial (por ejemplo, espacio rural más urbano) que provienen del censo poblacional de 2010. En última instancia, el criterio que hemos asumido es tomar el dato más actual disponible ⁵, lo cual en gran parte de las variables se remonta a 2012 o 2014, con el supuesto (no del todo fuerte) de que estaríamos tratando con un periodo económico-político relativamente uniforme y sin grandes cambios en materia productiva o innovativa. Está claro que, de disponerse de series temporales de los datos para (al menos varios de) los últimos años, este supuesto podría evaluarse y cuestionarse, pero hasta donde sabemos ello tampoco es posible. No obstante, cabe destacar que, debido al reducido número de observaciones, los resultados cosechados deben tomarse con cierta cautela.

Otro punto a resaltar es el uso de variables provinciales expresadas en términos relativos (por ejemplo, en función de la población de la provincia) y no absolutos, de modo de evitar que los resultados puedan verse sesgados posiblemente por el efecto tamaño de las principales jurisdicciones del país (como bien señalan Navarro y Gibaja, 2009; Carrincazeaux y Gaschet, 2015). Si hablamos de ciencia, tecnología e innovación en Argentina este riesgo es, en cierta medida, indiscutible (véase Niembro, 2012; Niembro et al., 2016). Por dar un ejemplo nomás, en el Plan Nacional de Ciencia, Tecnología e Innovación: Argentina Innovadora 2020el gobierno nacional reconoce que el 72% del personal en CyT se aglutina en la ciudad y provincia de Buenos Aires, Córdoba y Santa Fe, provocando fuertes desbalances territoriales. Esta decisión se sustenta además en otros trabajos previos que han recurrido, de igual modo, a la utilización de indicadores relativos (e. g., Crespi y D’Este, 2011; Hollanders et al., 2014; Valdez-Lafarga y León-Balderrama, 2015).

Hechas estas salvedades, en el siguiente cuadro pueden apreciarse las variables y las fuentes de información utilizadas. La clasificación inicial de los datos responde a los distintos subsistemas y dimensiones que componen teóricamente un SRI (Figura 1). Una particularidad del caso argentino es la dificultad para separar al subsistema de generación de conocimiento (o la infraestructura de apoyo) del subsistema de políticas públicas de ciencia, tecnología e innovación (CTI), ya que una parte preponderante de la inversión y de los recursos humanos abocados a actividades científicotecnológicas responde a los esfuerzos públicos en el área. O dicho de otra forma, a diferencia de los datos disponibles en otros contextos (véase, por ejemplo, Martínez Pellitero, 2002; Buesa et al., 2006; Navarro y Gibaja, 2009; Wintjes y Hollanders, 2010; Hollanders et al., 2014), aquí no podemos distinguir qué proporción del gasto y el personal en CyT de cada provincia corresponde al sector privado o público y asignar esas variables a subsistemas separados, mientras que sí sabemos de la preponderancia de la inversión pública en el agregado nacional ⁶. Además de los indicadores de gasto y personal, agregamos el dato de la población con educación superior, algo bastante frecuente en la literatura sobre SRI (Navarro et al., 2009; Wintjes y Hollanders, 2010; Crespi y D’Este, 2011; Hollanders et al., 2014; Carrincazeaux y Gaschet, 2015).

Cuadro 1

Indicadores utilizados, años y fuentes de información

Fuente: Elaboración propia.Notas: (*) Clasificación propia sobre la base de CEP (2007) y Loschky (2010). En el cálculo no se incluye a equipo y aparatos de radio, televisión y comunicaciones, pues sesga considerablemente los resultados de Tierra del Fuego. (**) En línea con López et al. (2014), incluimos software e informática, investigación y desarrollo, servicios jurídicos, contables y empresariales y cinematografía, radio y televisión (no incluimos servicios financieros y de seguros). (***) Incluye INTI (Instituto Nacional de Tecnología Industrial), INTA (Instituto Nacional de Tecnología Agropecuaria), FONTAR (Fondo Tecnológico Argentino), antigua Secretaría de Ciencia y Tecnología, Centros Tecnológicos y Universidades. Siglas: ANPCYT = Agencia Nacional de Promoción Científica y Tecnológica; EJC = equivalente a jornada completa; PEA = población económicamente activa; CONICET = Consejo Nacional de Investigaciones Científicas y Técnicas; MOA = manufacturas de origen agropecuario; MOI = manufacturas de origen industrial.

Cuadro 1 (cont.)

Indicadores utilizados, años y fuentes de información

Fuente: Elaboración propia.Notas: (*) Clasificación propia sobre la base de CEP (2007) y Loschky (2010). En el cálculo no se incluye a equipo y aparatos de radio, televisión y comunicaciones, pues sesga considerablemente los resultados de Tierra del Fuego. (**) En línea con López et al. (2014), incluimos software e informática, investigación y desarrollo, servicios jurídicos, contables y empresariales y cinematografía, radio y televisión (no incluimos servicios financieros y de seguros). (***) Incluye INTI (Instituto Nacional de Tecnología Industrial), INTA (Instituto Nacional de Tecnología Agropecuaria), FONTAR (Fondo Tecnológico Argentino), antigua Secretaría de Ciencia y Tecnología, Centros Tecnológicos y Universidades. Siglas: ANPCYT = Agencia Nacional de Promoción Científica y Tecnológica; EJC = equivalente a jornada completa; PEA = población económicamente activa; CONICET = Consejo Nacional de Investigaciones Científicas y Técnicas; MOA = manufacturas de origen agropecuario; MOI = manufacturas de origen industrial.

En el caso del subsistema de explotación del conocimiento (o la estructura productiva), es bastante común el uso de variables de empleo en la industria y los servicios, y especialmente en aquellas ramas intensivas en conocimiento y tecnología (e. g., De Bruijn y Lagendijk, 2005; Buesa et al., 2006; Navarro et al., 2009; Wintjes y Hollanders, 2010; Alberdi et al., 2014; Hollanders et al., 2014; Sánchez Tovar et al., 2014; Carrincazeaux y Gaschet, 2015). Asimismo, incluimos un par de indicadores que hacen referencia a los esfuerzos privados en I+D y a la vinculación y cooperación de la industria con los organismos de ciencia y tecnología (Martínez Pellitero et al., 2008; Navarro et al., 2009; Crespi y D’Este, 2011; Alberdi et al., 2014; Hollanders et al., 2014) ⁷. Por otro lado, incorporamos el indicador de la fertilidad de empresas, como proxy del grado de emprendedorismo (Alberdi et al., 2014), y el de ocupados con educación superior, para dar cuenta del aprovechamiento del personal con mayor formación y conocimiento (De Bruijn y Lagendijk, 2005; Wintjes y Hollanders, 2010). Cabe destacar, además, que en países como la Argentina los SRI y, en particular, la estructura productiva están profundamente vinculados con la internacionalización y vocación comercial que asumen los diferentes territorios. Por ello, en este trabajo sumamos la subcategoría de estructura comercial (Figura 1 y Cuadro 1), donde incorporamos tanto un indicador de la profundidad de la orientación exportadora de la provincia como así también una serie de variables que dan cuenta de diferentes especializaciones sectoriales. El uso de datos de exportaciones también es habitual entre los estudios de SRI (e. g., Martínez Pellitero, 2002; Buesa et al., 2006; Martínez Pellitero, 2008; Navarro y Gibaja, 2009; Hollanders et al., 2014).

Por último, reconocemos abiertamente la importancia del marco socio-económico (o de otras infraestructuras de apoyo sumamente relevantes) al incorporar diversas variables que cubren aspectos tales como: la calidad del sistema educativo primario y secundario (la base sobre la que se erige posteriormente la educación superior) y, en particular, el manejo de competencias claves como ciencias y matemáticas ⁸; la cobertura y profundidad del sistema financiero; o el acceso, manejo y utilización de las tecnologías de la información y las comunicaciones (TIC) ⁹. Todos estos puntos también cuentan con respaldo de trabajos previos (Muller et al., 2008; Navarro y Gibaja, 2009; Vivar et al., 2010; Valdez-Lafarga y León-Balderrama, 2015).

4. Resultados

4.1. Dimensiones de los SRI en Argentina

Dado que hemos logrado armar una base de datos con sustento teórico pero que contiene más variables que casos, lo cual viola uno de los supuestos básicos de la técnica de componentes principales, una de las alternativas que seguimos es hacer un análisis factorial en dos etapas (como en Muller et al., 2008; Vivar et al., 2010). En la primera etapa obtenemos los componentes principales para los tres subconjuntos de datos comprendidos en el marco socio-económico: i) calidad de la educación básica; ii) sistema financiero; iii) infraestructura TIC. Si bien los supuestos críticos por detrás del análisis factorial suelen ser más conceptuales que estadísticos (Hair et al., 2010), en todos los casos se satisfacen igualmente una serie de criterios deseables (i. e., análisis de la matriz de correlaciones, test de esfericidad de Bartlett, medida de adecuación muestral KMO, análisis de las comunalidades).

Esto último no es casual, ya que dichos criterios fueron utilizados de antemano, de forma similar a Martínez Pellitero (2002), como otra herramienta para reducir la cantidad de indicadores en la base de datos (que, como indicamos, superaba al número de casos). De este modo, probamos y descartamos otras variables adicionales disponibles que no se ajustaban a los requisitos de las técnicas implementadas (para más detalles sobre esta y otras aplicaciones del análisis factorial, véase Hair et al., 2010) ¹⁰.

En los tres aspectos comprendidos en el marco socio-económico es apropiado seleccionar únicamente el primero de los componentes principales, ya sea que tomemos el criterio de Kaiser, evaluemos el screeplot o exijamos un cierto piso de variabilidad explicada por este primer factor (en TIC y sistema financiero, el primer componente da cuenta de aproximadamente el 80% de la varianza total y en calidad educativa supera el 95%).

En la segunda etapa del análisis factorial utilizamos los tres componentes derivados anteriormente más las restantes variables de los subsistemas de generación y explotación de conocimiento y de políticas públicas. Nuevamente, se satisfacen los diferentes criterios estadísticos y todos los juicios alternativos de selección del número de factores nos indican la conveniencia de retener los cuatro primeros componentes principales (que en conjunto dan cuenta de casi el 78% de la varianza).

Cuadro 2

Componentes, autovalores y varianza explicada

Fuente: Elaboración propia.

El Cuadro 3, con las cargas factoriales de las distintas variables en los cuatro componentes extraídos (luego de aplicar la rotación VARIMAX), nos ayuda a entender qué tipo de información están condensando cada una de estas dimensiones. En el caso del primero de los componentes, aquel que da cuenta de la mayor proporción de la variabilidad de los datos, todas las variables que representan al subsistema de generación de conocimiento, al subsistema de políticas y al marco socio-económico muestran aquí sus mayores pesos. Asimismo, aparecen algunos indicadores del subsistema de explotación de conocimientos, como la fertilidad de empresas, el empleo de personal con educación superior y la orientación de la estructura productiva y laboral hacia los servicios en general y, dentro de los mismos, hacia los intensivos en conocimiento. Tratándose de un eje central de los SRI en Argentina, denominamos a este primer componente: infraestructuras y políticas de apoyo (con impacto en servicios basados en conocimiento).

Cuadro 3

Pesos factoriales de las variables

Fuente: Elaboración propia.

En el segundo de los componentes los pesos más relevantes se observan en la inversión de las PYME en I+D y en variables relativas al perfil exportador: en el plano positivo, las exportaciones de manufacturas de origen agropecuario (MOA) presentan una mayor carga factorial que las de origen industrial (MOI); y, por otro lado, las exportaciones primarias exhiben un peso negativo. Por ello, denominamos a este componente: esfuerzo privado y exportaciones (agro-)industriales. Resulta interesante que, en un país como Argentina, en el mismo componente se congregue la información de las inversiones privadas con las exportaciones agro-industriales y que esta vinculación se dé en paralelo con una menor influencia de las MOI y un peso negativo de las actividades primarias. Esto va en línea con algunos trabajos recientes que resaltan las capacidades y oportunidades de innovación en industrias vinculadas al agro argentino (e. g., Anlló et al., 2013; Marín et al., 2014; Marín y Stubrin, 2015).

En el tercer componente, las variables más salientes son la proporción del empleo industrial en ramas intensivas en tecnología, como así también la intensidad exportadora de la provincia y el peso de las MOI entre sus exportaciones. Denominamos a esta dimensión: orientación exportadora y/o industrial-tecnológica.

Por último, la vinculación de las PYME industriales con organismos públicos de ciencia y tecnología (OPCyT) y la proporción de empleo industrial exhiben las mayores cargas factoriales en el cuarto componente. Y aunque el personal y el gasto en CyT figuran con un peso menor que en el primer componente, la presencia de estas variables guarda cierto sentido ya que, para que las empresas interactúen con las instituciones públicas, sería necesario que efectivamente haya cierta infraestructura de apoyo en el territorio y que se encuentre al alcance de las firmas. Hemos denominado a este último componente: vinculación industria-OPCyT.

4.2. Tipología de los SRI en Argentina

En el análisis clúster es común que el uso de diferentes métodos y medidas de distancia, o la identificación por parte del investigador de distintos números finales de clústers, lleven a soluciones con ciertas diferencias entre sí. Para intentar reducir la subjetividad inherente a las decisiones anteriores y, a su vez, verificar la consistencia y robustez de los resultados alcanzados, en este trabajo combinamos el uso de métodos jerárquicos y no jerárquicos, junto con una serie de criterios prácticos para la identificación del número final de clústers (stopping rules), lo cual va en línea con lo sugerido por Johnson y Wichern (2008), Hair et al. (2010) y Hollanders et al. (2012). Respecto a las medidas de distancia, optamos por recurrir a dos de las más populares: i) la distancia Euclídea (la más común, por ejemplo, para la técnica no jerárquica de K-Medias), y ii) su variante, la distancia euclídea al cuadrado (frecuentemente aplicada en los métodos jerárquicos y, en especial, la medida recomendada para el método de Ward).

Para determinar la cantidad de clústers, en la Figura 2 mostramos el porcentaje de cambio en la heterogeneidad (el coeficiente de aglomeración para los enlaces completo y promedio, y la suma de los cuadrados de los errores para el método de Ward) en cada una de las últimas etapas del proceso de combinación y conformación de clústers. Allí resaltamos aquellos puntos mínimos más relevantes, justo antes de un salto en la medida de heterogeneidad (Hair et al., 2010; Hollanders et al., 2012). La relevancia de estos puntos de quiebra responde tanto a un criterio de parsimonia (teniendo en cuenta el número de casos-provincias, es preferible considerar la solución de seis clústers que la de ocho en el enlace promedio), de coincidencia entre los métodos (los seis clústers para las vinculaciones completa y promedio), como de contenido informativo de los grupos (una solución de dos clústers no tiene mucho sentido). En definitiva, para el método de Ward la solución podría consistir en siete clústers, mientras que para las vinculaciones completa (o del vecino más lejano) y promedio se presentaría un común denominador en los seis clústers.

Como puede apreciarse en el Cuadro 4, la mayor diferencia entre el método de Ward (con siete clústers) y las otras dos técnicas jerárquicas (con seis clústers) es la división del grupo de provincias que denominamos F en dos subgrupos, F1 y F2. Por otro lado, al comparar los tres métodos jerárquicos entre sí, solo se observan cambios de clústers para cuatro provincias, mientras que las restantes veinte muestran una marcada estabilidad en los grupos asignados mediante las distintas técnicas.

Figura 2
Cambios en la heterogeneidad a partir de los métodos jerárquicos
Fuente: Elaboración propia.

Los resultados de los distintos métodos jerárquicos nos ayudan además a definir los puntos de partida de la técnica no jerárquica de K-Medias, en especial, cierta inclinación hacia un número de clústers (en este caso, seis) ¹¹ y los centros iniciales de cada grupo (marcados en gris en la primera columna del Cuadro 4). Esto último es importante ya que, si se utiliza K-Medias con centros iniciales aleatorios, el resultado generalmente puede considerarse inferior al de las técnicas jerárquicas (Hair et al., 2010), en parte porque incluso un reordenamiento de los datos podría alterar la solución final (algo que efectivamente corroboramos mediante distintas pruebas). Para la determinación (no aleatoria) de los centros iniciales hemos adoptado el criterio de seleccionar aquellas provincias que muestran estabilidad en un determinado clúster y cuyos valores se encuentran más próximos, en promedio, a la media del grupo. Esto implica tomar indefectiblemente a la Ciudad Autónoma de Buenos Aires (única en su clúster) y a Santa Cruz (única provincia estable en el clúster que denominamos D). En los clústers que identificamos como B y C podría seleccionarse cualquiera de las dos provincias (son equidistantes de la media), y hemos verificado que los resultados no cambian al hacerlo. Por su parte, Jujuy se establece como la provincia más próxima al promedio del clúster F. Por último, la provincia de Buenos Aires supera a Santa Fe y San Juan por su cercanía a la media del clúster E, calculada incluyendo además los casos de Córdoba y Neuquén (dada la coincidencia entre la vinculación promedio y el método de Ward).

A pesar de la posibilidad de reversión y el mejor ajuste (o fine-tuning) de la técnica de K-Medias frente a los métodos jerárquicos, observamos en el Cuadro 4 que no se modifica la conformación previa de los clústers A, B y C (mostrando la consistencia de estos resultados), pero sí se resuelven algunos problemas de ubicación de otras provincias. En particular, se acentúa la pertenencia de Chubut y Tierra del Fuego al clúster D y de Córdoba y Neuquén al E. Asimismo, cuatro jurisdicciones que formaban parte del clúster F (o del F1 para el método de Ward) pasan ahora a ser parte del E, lo que muestra la capacidad de relocalización de las técnicas no jerárquicas.

Cuadro 4

Conformación de los clústers según método y cantidad (K clústers)

Fuente: Elaboración propia.

Solo a los fines de verificar la solidez estadística de esta agrupación final, en el Cuadro 5 recurrimos al análisis de la varianza (ANOVA) para mostrar que la media de los distintos conglomerados para cada dimensión de estudio es significativamente diferente entre sí (la hipótesis nula del contraste es que el promedio de los diferentes grupos es igual).

Cuadro 5

Análisis de la varianza (ANOVA)

Fuente: Elaboración propia.Nivel de significación: * p < 0,05; ** p < 0,01; *** p < 0,001.

Los agrupamientos anteriores pueden ser de utilidad para comprender un poco mejor la heterogeneidad de los sistemas regionales de innovación en Argentina, junto con las características centrales que hacen a estas diferencias. Una evaluación de los valores promedio de los clústers en cada una de las cuatro dimensiones de los SRI (Figura 3) nos permite analizar y asignar (de forma tentativa) un nombre a cada uno de los grupos (en el Anexo 2 pueden observarse los valores para cada provincia). De forma relativamente similar a trabajos previos realizados en Europa y América Latina, donde se cruzan aspectos vinculados a la infraestructura de CTI junto con la estructura productiva-comercial (Navarro y Gibaja, 2009; Navarro et al., 2009; Crespi y D’Este, 2011) como así también a cuestiones ligadas con la ubicación geográfica (véase Wintjes y Hollanders, 2010; Carrincazeaux y Gaschet, 2015), podemos encontrar las siguientes categorías de SRI en Argentina: a)distrito capital especializado en servicios y con alto desarrollo de infraestructura CTI; b) provincias (nor-patagónicas) de perfil primario y con enclaves de desarrollo CTI (en particular, en Río Negro); c) provincias (cuyanas) de desarrollo (agro-)industrial reciente, con cierta inclinación hacia la interacción ¹²; d) provincias (sur-patagónicas) de perfil exportador, hidrocarburífero y/o industrial; e) provincias de cierto perfil exportador, extractivo y/o (agro-)industrial, e infraestructura CTI de variado nivel de desarrollo, y f)provincias (norteñas) de perfil primario y marcado subdesarrollo de infraestructura pública y privada de CTI.

Figura 3
Medias de los clústers en cada dimensión de los SRI
Fuente: Elaboración propia.

De los grupos anteriores, uno de los que llama más la atención por su composición (la cual, en cierta medida, complica la tarea de asignarle un nombre claro y conciso) es el clúster E. Por un lado, este conglomerado engloba a cuatro de las jurisdicciones de mayor grado de desarrollo económico-productivo del país, sacando el caso de la CABA (i. e., provincia de Buenos Aires, Córdoba, Santa Fe y Mendoza). Pero por otra parte, aparece un conjunto de provincias con diversos niveles de desarrollo y perfiles productivos: Neuquén y San Juan con una estructura que combina un fuerte peso de actividades extractivas (hidrocarburos, minería) y algunas producciones de base agroalimentaria; y Tucumán y Misiones, dos jurisdicciones norteñas de características primarias y agro-industriales. Cabe mencionar que los casos de Misiones y Neuquén sobresalen favorablemente en el análisis de Borello (2015), en relación a lo esperado previamente.

Tanto la variada composición de este clúster como las idas y venidas de algunas provincias al comparar los diferentes métodos de aglomeración aplicados nos permiten sospechar que estamos frente a una serie de sistemas regionales de innovación intermedios, inmaduros¹³ o, en otras palabras, de SRI que carecen de características sobresalientes que los diferencien considerablemente entre sí o de buena parte de los otros grupos. Este no es un dato menor si tenemos en cuenta que entre estos casos estamos incluyendo a algunas de las jurisdicciones más avanzadas del país en materia económica, social y productiva, pero cuyos sistemas de innovación no alcanzarían a distinguirse suficientemente del resto. La posición intermedia de la provincia de Buenos Aires es destacada además por Borello (2015), quien señala que la misma podría deberse a una alta heterogeneidad interna. Otros autores señalan que, posiblemente, «los sistemas locales de innovación en Argentina, aun en las regions más desarrolladas del país, no tienen la dinámica suficiente —instituciones y sistema institucional— para facilitar la innovación privada a partir del gasto público en CyT» (Marín et al., 2015, p. 11).

5. Conclusiones

A lo largo de este trabajo hemos querido destacar que la innovación y el aprendizaje pueden resultar ingredientes claves de las desigualdades regionales en Argentina. En particular, nuestro aporte radica en brindar un primer análisis de las asimetrías provinciales sobre la base del estudio de las características y los diferentes tipos de sistemas regionales de innovación. En este sentido, la primera contribución consiste en dar un salto de la teoría a la práctica y, por medio del análisis de componentes principales, identificar un conjunto de dimensiones (empíricas) de los SRI en el país. En segunda instancia, recurriendo al análisis clúster sobre la base de los componentes principales antes obtenidos, hemos apuntado a definir una primera (y, por ello también, exploratoria) tipología empírica de los SRI en Argentina. Cabe dejar constancia de que no se trata de un agrupamiento definitivo, sino apenas de un primer ejercicio que debiera tener en cuenta las posibles debilidades inherentes a los datos empleados.

Puesto que la idea general en torno a los sistemas de innovación es que no existe una receta ideal, óptima o recomendable para todas las regiones y/o países y para cualquier momento del tiempo (Edquist, 2005), la clave pasa por comparar sistemas reales entre sí, e identificar y contextualizar las diferencias vigentes. En el caso particular de los SRI, existe un consenso bastante extendido sobre el rechazo a la aplicación de políticas iguales para todos .one-size-fits-all), que desconozcan las características distintivas de cada región o, por lo menos, conjunto de regiones (Nauwelaers y Wintjes, 2002; Tödtling y Trippl, 2005; Navarro y Gibaja, 2009; Navarro et al., 2009; Asheim et al., 2011; Isaksen y Trippl, 2014). Esto demanda un esfuerzo extra para la generación de políticas públicas (provinciales y especialmente nacionales) de CTI que se ajusten a las realidades de los distintos SRI en Argentina, con sus virtudes y defectos.

Lo primero a tener en cuenta es que, como hemos señalado previamente y también en otros trabajos (Niembro, 2012; Niembro et al., 2016), una de las claves del desarrollo científico-tecnológico a nivel provincial se encuentra en el direccionamiento territorial del gasto público nacional, puesto que los esfuerzos presupuestarios que pueden realizar las provincias en materia de CTI se encuentran fuertemente limitados por otras funciones de los gobiernos regionales (salud, educación básica, seguridad, etc.). Es así que el SNI argentino suele reflejar ciertas tradiciones históricas ligadas al surgimiento de la educación superior en el país (las grandes universidades nacionales, centros y laboratorios del área central) y de la distribución territorial de algunos organismos nacionales de CyT como, por ejemplo, el INTA, lo cual ha ido gestando un conjunto de diversos tipos de sistemas de innovación nacional regionalizados (si tomamos prestado el término de Asheim e Isaksen, 1997).

En algunos casos, como en el norte del país, la idea de SRI parece asociarse más a un objetivo de política ex-anteque a una realidad palpable, ya que la marcada debilidad de estos sistemas demanda hoy en día de enormes esfuerzos para promover su verdadero desarrollo. En el otro extremo, pueden encontrarse algunos enclaves de infraestructura CTI (en la ciudad capital pero también en el interior del país) que han resultado más beneficiados históricamente en el reparto de competencias. En el medio, encontramos diversos tipos de sistemas regionales inmaduros, con distintos perfiles productivos y necesidades. Algunas de estas provincias (de Cuyo y también de la Patagonia) han registrado cierto progreso en las últimas décadas sobre la base de esquemas de promoción industrial. Otras (mayormente del área central del país) responden a tradiciones universitarias y estructuras productivas agro-industriales de más larga data.

Todo esto deja de manifiesto tanto la complejidad para abordar estas múltiples y heterogéneas realidades como también la necesidad de pensar medidas y/o criterios diferenciales para cada contexto. Por ejemplo, al margen de desarrollar nuevos instrumentos específicos para los casos de mayor atraso, podrían ajustarse además los esquemas actuales de evaluación para la inserción de investigadores o para la aplicación a fondos públicos de fomento científico y tecnológico en los SRI más desfavorecidos de Argentina, de modo de ir quebrando la tendencia intrínseca y circularque lleva a que estas políticas suelan ser aprovechadas en los entornos territoriales que ya cuentan con mayores capacidades adquiridas. Si bien en los últimos años han aumentado los recursos materiales y humanos en CyT y se han esbozado algunos intentos por modificar la distribución desigual de los mismos a nivel territorial, la experiencia parece indicar que se requieren esfuerzos mucho más explícitos y contundentes, puesto que no se ha evidenciado un cambio significativo en la estructura de localización y concentración de las políticas públicas de CTI. Esto pone en tela de juicio las posibilidades reales para desarrollar capacidades endógenas de innovación en varias provincias del país, como así también para abordar temas de investigación prioritarios en el territorio o cubrir las necesidades de innovación tecnológica que pudieran surgir del aparato productivo local.

Por último, cabe mencionar una limitación de este artículo que puede dar pie a trabajos futuros. En función de los datos disponibles, en este caso hemos apuntado solamente a tomar la foto más actual posible de los SRI, pero esto debiera extenderse y mejorarse con estudios de naturaleza dinámica (tal como señalan MacKinnon et al., 2002; Doloreux y Parto, 2005; Navarro, 2009), que también podrían contribuir a relevar en el tiempo el impacto de las políticas públicas. Con todas estas salvedades, esperamos que este trabajo pueda tomarse como un puntapié para la investigación (y la generación de políticas) acerca de los sistemas regionales de innovación y sus vínculos con las desigualdades provinciales en Argentina.

Referencias

Alberdi, X., Gibaja, J. J., y Parrilli, M. D. (2014): «Evaluación de la fragmentación en los Sistemas Regionales de Innovación: Una tipología para el caso de España», Investigaciones Regionales, 28, 7-35.

Anlló, G., Bisang, R., y Campi, M. (2013): Claves para repensar el agro argentino, Buenos Aires, Eudeba.

Arocena, R., y Sutz, J. (2000): «Looking at national systems of innovation from the South», Industry and Innovation, 7 (1), 55-75.

— (2003): «Inequality and innovation as seen from the South», Technology in Society, 25 (2), 171-182.

Asheim, B., y Gertler, M. (2005): «The Geography of Innovation: Regional Innovation Systems», en Fagerberg, J., Mowery, D., y Nelson, R. (eds.), The Oxford Handbook of Innovation, Oxford, Oxford University Press.

Asheim, B., e Isaksen, A. (1997): «Location, agglomeration and innovation: Towards regional innovation systems in Norway?», European Planning Studies, 5 (3), 299-330.

Asheim, B., Smith, H. L., y Oughton, C. (2011): «Regional innovation systems: Theory, empirics and policy», Regional Studies, 45 (7), 875-891.

Audretsch, B. (1998): «Agglomeration and the location of innovative activity», Oxford Review of Economic Policy, 14 (2), 18-29.

Autio, E. (1998): «Evaluation of RTD in regional systems of innovation», European Planning Studies, 6 (2), 131-140.

Benedetti, A. (2009): «Los usos de la categoría región en el pensamiento geográfico argentino», Scripta Nova, XIII (286).

Boiola, J. (2012): «Local Innovation System in Emerging Economies: Case Study of Córdoba, Argentina», en Bas, T., y Zhao, J. (ed.), Comparing High Technology Firms in Developed and Developing Countries: Clúster Growth Initiatives: Clúster Growth Initiatives, Information Science, Hershey PA.

— (2013): «Por qué y cómo medir la actividad del sistema regional de innovación de Córdoba, Argentina», Conferencia Internacional LALICS 2013, Río de Janeiro, Brasil.

Borello, J. (2015): «Geografía de la innovación en la Argentina: Primer análisis regional basado en datos sobre PYMES», en Peretti, G., Gómez, N., y Finelli, N. (ed.), Tendencias y desafíos de la geografía en el siglo xxi (Anales de las X Jornadas de Investigación en Geografía, 15-17 de octubre de 2014), Santa Fe, Universidad Nacional del Litoral.

Buesa, M., Heijs, J., Martínez Pellitero, M., y Baumert, T. (2006): «Regional systems of innovation and the knowledge production function: The Spanish case», Technovation, 26 (4), 463-472.

Capello, R., y Lenzi, C. (2012): «Territorial patterns of innovation: A taxonomy of innovative regions in Europe», Annals of Regional Science, 51 (1), 119-154.

Carlsson, B. (2006): «Internationalization of innovation systems: A survey of the literature», Research Policy, 35 (1), 56-67.

Carrincazeaux, C., y Gaschet, F. (2015): «Regional innovation systems and economic performance: Between regions and nations», European Planning Studies, 23 (2), 262-291.

CEP (2007): «Contenido tecnológico de las exportaciones argentinas 1996-2007. Tendencias de upgrading intersectorial», Buenos Aires, Centro de Estudios para la Producción (CEP).

Clarysse, B., y Muldur, U. (2001): «Regional cohesion in Europe? An analysis of how EU public RTD support influences the techno-economic regional landscape», Research Policy, 30 (2), 275-296.

Cooke, P. (1992): «Regional innovation systems: Competitive regulation in the new Europe», Geoforum, 23 (3), 365-382.

— (2001): «Regional innovation systems, clusters, and the knowledge economy», Industrial and Corporate Change, 10 (4), 945-974.

— (2004): «Introduction: Regional Innovation Systems - An evolutionary approach», en Cooke, P., Heidenreich, M., y Braczyk, H. J. (eds.), Regional Innovation Systems: The Role of Governance in a Globalized World (2.ª ed.), Londres y Nueva York, Routledge.

Crespi, G., y D’Este, P. (2011): «Análisis cuantitativo: La importancia del territorio en la conformación de los Sistemas Regionales de Innovación», en Llisterri, J. J., y Pietrobelli, C. (eds.), Los sistemas regionales de innovación en América Latina, Washington DC, Banco Interamericano de Desarrollo (BID).

Crevoisier, O., y Jeannerat, H. (2009): «Territorial knowledge dynamics: From the proximity paradigm to multi-location milieus», European Planning Studies, 17 (8), 1223-1241.

Chang, Y.-C. (2009): «Systems of Innovation, Spatial Knowledge Links and the Firm’s Innovation Performance: Towards a National-Global Complementarity View», Regional Studies, 43 (9), 1199-1224.

De Bruijn, P., y Lagendijk, A. (2005): «Regional innovation systems in the Lisbon strategy», European Planning Studies, 13 (8), 1153-1172.

Doloreux, D., y Parto, S. (2005): «Regional innovation systems: Current discourse and unresolved issues», Technology in Society, 27 (2), 133-153.

Edquist, C. (2005): «Systems of Innovation: Perspectives and Challenges», en Fagerberg, J., Mowery, D., y Nelson, R. (eds.), The Oxford Handbook of Innovation, Oxford, Oxford University Press.

Figueras, A. J., Capello, M., y Moncarz, P. (2009): «Un ejercicio de agrupación territorial: Ensayo académico con vistas a salvar problemas», Ensayos de Política Económica, 3, 65-84.

Freeman, C. (1987): Technology policy and economic performance: Lessons from Japan, Londres, Pinter Publishers.

— (2002): «Continental, national and sub-national innovation systems - complementarity and economic growth», Research Policy, 31 (2), 191-211.

Fromhold-Eisebith, M. (2007): «Bridging scales in innovation policies: How to link regional, national and international innovation systems», European Planning Studies, 15 (2), 217-233.

Gurvich, M. D., Brizuela, M. B., Neira, M. G., Barrera, A. C., y Buteler, M. I. (2015): «Estudio del Sistema Regional de Innovación Córdoba», Jornadas de articulación público-privada para la innovación, Córdoba.

Hair, J., Black, W., Babin, B., y Anderson, R. (2010): Multivariate Data Analysis, Londres, Pearson.

Hollanders, H., Derbyshire, J., Lewney, R., Tijssen, R., Tarantola, S., y Rivera, L. (2012): Regional Innovation Scoreboard 2012-Methodology Report, European Commission.

Hollanders, H., Es-Sadki, N., Buligescu, B., Rivera, L., Griniece, E., y Roman, L. (2014): Regional Innovation Scoreboard 2014, European Commission.

Hotz-Hart, B. (2000): «Innovation Networks, Regions, and Globalization», en Clark, G., Feldman, M., y Gertler, M. (eds.), The Oxford Handbook of Economic Geography, Oxford, Oxford University Press.

Howells, J. (2005): «Innovation and regional economic development: A matter of perspective?», Research Policy, 34 (8), 1220-1234.

Iammarino, S. (2005): «An evolutionary integrated view of regional systems of innovation: Concepts, measures and historical perspectives», European Planning Studies, 13 (4), 497-519.

Isaksen, A., y Trippl, M. (2014): «Regional industrial path development in different regional innovation systems: A conceptual analysis», Papers in Innovation Studies No. 2014/17. Centre for Innovation, Research and Competence in the Learning Economy (CIRCLE), Lund University.

Johnson, R., y Wichern, D. (2008): Applied Multivariate Statistical Analysis, Londres, Pearson.

López, A., Niembro, A., y Ramos, D. (2014): «La competitividad de América Latina en el comercio de servicios basados en el conocimiento», Revista de la CEPAL, 113, 23-41.

Loschky, A. (2010): «Reviewing the nomenclature for high-technology - The sectoral approach», European Commission - Joint Research Centre (JRC). Institute for the Protection and Security of the Citizen (IPSC) Econometrics and Applied Statistics Unit.

Lundvall, B.-Å. (2010): «Post script: Innovation system research - Where it came from and where it might go», en Lundvall, B.-Å. (ed.), National systems of innovation. Towards a theory of innovation and interactive learning, Londres y Nueva York, Anthem Press.

— (ed.) (1992): National systems of innovation. Towards a theory of innovation and interactive learning, Londres, Pinter Publishers.

Lundvall, B.-Å., y Johnson, B. (1994): «The learning economy», Journal of Industry Studies, 1 (2), 23-42.

MacKinnon, D., Cumbers, A., y Chapman, K. (2002): «Learning, innovation and regional development: A critical appraisal of recent debates», Progress in Human Geography, 26 (3), 293-311.

Marín, A., Liseras, N., Calá, C., y Graña, F. (2015): «Oportunidades de innovación divergentes: ¿es el territorio importante?», XX Reunión Anual de Red Pymes Mercosur, Bahía Blanca.

Marín, A., y Stubrin, L. (2015): «Innovation in natural resources: New opportunities and new challenges. The case of the Argentinian seed industry», Working Paper No. 2015-015, Maastricht Economic and social Research Institute on Innovation and Technology, UNUMERIT.

Marín, A., Stubrin, L., y Kababe, Y. (2014): «La industria de biodiesel en Argentina: Capacidades de innovación y sostenibilidad futura», Desarrollo Económico, 54 (112), 131-160.

Martínez Pellitero, M. (2002): «Recursos y resultados de los sistemas de innovación: Elaboración de una tipología de sistemas regionales de innovación en España», Documento de Trabajo núm. 34, Instituto de Análisis Industrial y Financiero (IAIF), Universidad Complutense de Madrid.

— (2008): Tipología y eficiencia de los sistemas regionales de innovación: Un estudio aplicado al caso europeo, Tesis Doctoral, Universidad Complutense de Madrid.

Martínez Pellitero, M., Buesa, M., y Heijs, J. (2008): «The IAIF Index for European Regional Innovation Systems», Documento de Trabajo núm. 61. Instituto de Análisis Industrial y Financiero (IAIF), Universidad Complutense de Madrid.

Maskell, P., y Malmberg, A. (1999): «The competitiveness of firms and regions - “Ubiquitification” and the importance of localized learning», European Urban and Regional Studies, 6 (1), 9-25.

Milesi, D. (2013): «Programa de Innovación Tecnológica II (AR-L1111): Análisis del alcance territorial del Programa», trabajo realizado para el BID. Mimeo.

Muller, E., Doloreux, D., Heraud, J. A., Jappe, A., y Zenker, A. (2008): «Regional innovation capacities in new member states: A typology», European Integration, 30 (5), 653-669.

Nauwelaers, C., y Wintjes, R. (2002): «Innovating SMEs and regions: the need for policy intelligence and interactive policies», Technology Analysis & Strategic Management, 14 (2), 201-215.

Navarro, M. (2009): «Los sistemas regionales de innovación: Una revisión crítica», Ekonomiaz, 70 (1), 25-59.

Navarro, M., y Gibaja, J. J. (2009): «Las tipologías en los sistemas regionales de innovación. El caso de España», Ekonomiaz, 70 (1), 240-281.

Navarro, M., Gibaja, J. J., Bilbao-Osorio, B., y Aguado, R. (2009): «Patterns of innovation in EU-25 regions: A typology and policy recommendations», Environment and Planning C, 27 (5), 815-840.

Nelson, R. (ed.) (1993): National Innovation Systems. A comparative analysis, Nueva York, Oxford University Press.

Niembro, A. (2012): Brechas de desarrollo regional y provincial en Argentina. Hacia una nueva forma de medición y un análisis de su estado y evolución en la última década, Tesis de Maestría en Economía, Universidad de Buenos Aires.

— (2015): «Innovación y desigualdades regionales de desarrollo: Hacia una (re)visión integradora», REDES - Revista de Estudios Sociales de Ciencia, 41, 111-140.

Niembro, A., Dondo, M., y Civitaresi, M. (2016): «La manifestación territorial de las desigualdades socioeconómicas en Argentina: Del diagnóstico a las políticas públicas», Población & Sociedad, 23 (1), 79-123.

Niosi, J., y Bellon, B. (1994): «The global interdependence of national innovation systems: Evidence, limits, and implications», Technology in Society, 16 (2), 173-197.

Núñez Miñana, H. (1972): «Indicadores de Desarrollo Regional en la República Argentina: Resultados Preliminares», Documento Interno núm. 10. Universidad Nacional de La Plata, Facultad de Ciencias Económicas,

Ó Riain, S. (2011): «Globalization and regional development», en Pike, A., Rodríguez-Pose, A., y Tomaney, J. (eds.), Handbook of Local and Regional Development, Londres y Nueva York, Routledge.

Padilla-Perez, R., Vang, J., y Chaminade, C. (2009): «Regional innovation systems in developing countries: Integrating micro and meso-level capabilities», en Lundvall, B.-Å., Joseph, K. J., Chaminade, C., y Vang, J. (eds.), Handbook Of Innovation Systems And Developing Countries, Cheltenham y Northampton, Edward Elgar.

Pellegrini, J. L., y Platino, M. (2014): «El patrón de desigualdad en la distribución espacial de la industria manufacturera argentina (1973-2003)», Investigaciones Regionales, 28, 159-170.

Pike, A., Rodríguez-Pose, A., y Tomaney, J. (2006): Local and Regional Development, Londres y Nueva York, Routledge.

Porto, A. (1995): «Indicadores de Desarrollo Regional en la República Argentina: Más de Dos Décadas Después», en Porto, A. (ed.), Finanzas Públicas y Economía Espacial, Universidad Nacional de La Plata.

Robert, V. (2012): Interacciones, feedbacks y externalidades: la micro complejidad de los sistemas productivos y de innovación locales. Una aproximación en Pymes argentinas, Tesis Doctoral, Facultad de Ciencias Económicas, Universidad de Buenos Aires.

Rofman, A. (1974): Desigualdades Regionales y Concentración Económica. El caso argentino, Buenos Aires, Ediciones Siap-Planteos.

Sánchez Tovar, Y., García Fernández, F., y Mendoza Flores, E. (2014): «Determinantes de la capacidad de innovación regional en México: Una tipología de las regiones», Región y Sociedad, 26 (61), 118-158.

— (2015): «La capacidad de innovación y su relación con el emprendimiento en las regiones de México», Estudios Gerenciales, 31 (136), 243-252.

Scott, A., y Storper, M. (2003): «Regions, globalization, development», Regional Studies, 37 (6-7), 549-578.

Soares, M. C. C., y Cassiolato, J. E. (2008): «Innovation Systems and inequality: The experience of Brazil», VI Conferencia Internacional de Globelics, 22-24 septiembre, Mexico DF.

Storper, M. (1995): «The resurgence of regional economies, ten years later: The region as a nexus of untraded interdependencies», European Urban and Regional Studies, 2 (3), 191-221.

Tödtling, F., y Trippl, M. (2005): «One size fits all?: Towards a differentiated regional innovation policy approach», Research Policy, 34 (8), 1203-1219.

Valdez-Lafarga, C., y León-Balderrama, J. I. (2015): «Hacia una taxonomía de los sistemas regionales de innovación en México», Economía, Sociedad y Territorio, 15 (48), 517-553.

Vale, M. (2011): «Innovation networks and local and regional development policy», en Pike, A., Rodríguez-Pose, A., y Tomaney, J. (eds.), Handbook of Local and Regional Development, Londres y Nueva York, Routledge.

Vivar, M., Garrido, R., y Gallo, M. T. (2010): «Los sistemas regionales de innovación: Una caracterización para el caso de Chile», International Meeting on Regional Science, Badajoz - Elvas.

Wintjes, R., y Hollanders, H. (2010): «The regional impact of technological change in 2020 - Synthesis report», The network for European Techno-Economic Policy Support (ETEPS).

Yoguel, G., Borello, J., y Erbes, A. (2005): «Sistemas Locales de Innovación: Los casos de Córdoba, Rafaela, Rosario y Tucumán, Salta y Jujuy», Informe parte del proyecto: Sistema nacional y sistemas locales de innovación: Estrategias empresarias innovadoras y condicionantes meso y macroeconómicos, Buenos Aires, Observatorio Nacional de Ciencia, Tecnología e Innovación Productiva,

Zurbriggen, C., y González Lago, M. (2010): «Políticas de Ciencia, Tecnología e Innovación en los países del MERCOSUR», Montevideo, Uruguay, Centro de Formación para la Integración Regional.

Anexo 1

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

(cont.)

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

(cont.)

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

(cont.)

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

(cont.)

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

(cont.)

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

(cont.)

Cuadro comparativo de trabajos que realizaron tipologías empíricas de SRI

Fuente: Elaboración propia a partir de la actualización del cuadro respectivo de Navarro y Gibaja (2009).

Anexo 2

Valores de las provincias y clústers en cada dimensión de los SRI

Fuente: Elaboración propia.

Notas