Un enfoque de datos masivos podría arrojar luz sobre la paradoja de la productividad de Europa
A pesar de los avances tecnológicos en varios sectores, la productividad laboral en toda Europa se ha mantenido relativamente estancada o incluso ha descendido en los últimos años. Esto se conoce como la «paradoja de la productividad». El modelo de Crépon-Duguet-Mairesse (CDM) ha proporcionado un marco seminal para investigar la productividad, ya que está relacionada con los resultados de la innovación y la inversión en investigación. A través de una contribución propia y única a la bibliografía sobre el modelo CDM, el proyecto financiado con fondos europeos BIGPROD (Addressing productivity paradox with big data: implications to policy making) ha utilizado este modelo para analizar datos sobre inversiones en bienes intangibles, externalidades entre empresas e innovaciones individuales. BIGPROD obtuvo datos a través del «raspado web» realizado directamente en los sitios web de las empresas para identificar lo que dichas empresas consideraban sus resultados de innovación, como productos nuevos o servicios, junto con las colaboraciones que habían realizado. La plataforma diseñada por el proyecto, que aloja el programa de raspado web, recopiló datos de una muestra de toda Europa de cerca de ciento ochenta mil empresas europeas. La fase de prueba de concepto inicial del proyecto ha permitido probar la calidad y la cantidad de los datos que pueden recuperarse de la muestra. «Aún estamos realizando análisis, pero ya sabemos que hemos recuperado datos valiosos de cerca del 60 % de la muestra. Aunque esto pueda parecer limitado, en realidad es bastante alto en comparación con un índice de respuesta de encuestas típico de cerca del 20 %», afirma el coordinador del proyecto, Arho Suominen, del Centro de Investigación Técnica de Finlandia VTT.
Raspado web
La muestra objetivo del proyecto fue de entre 160 000 y 200 000 sitios web de empresas a fin de ofrecer un conjunto de datos lo bastante amplio para desarrollar una nueva forma de ver la innovación y la productividad. Siguiendo el estándar de distintos sectores para la extracción de datos y las clasificaciones de las industrias, el equipo se centró en tres grupos: alta tecnología, baja tecnología y servicios. Habían planteado la hipótesis de que obtendrían buenos datos de las empresas de alta tecnología, que probablemente tendrían una presencia fuerte en las redes, lo que ya garantizaba que la muestra fuera grande, y esperaban que los datos sobre empresas de baja tecnología fueran escasos. Por último, respecto a los servicios, el equipo quería desarrollar nuevas formas de identificar la innovación de servicios, así que, por ejemplo, buscaron datos sobre anuncios de empleo y las habilidades requeridas en el mercado laboral. «Me sorprendió el gran volumen y la amplitud de los datos que pudimos recopilar. Como esperábamos, conseguimos buenos datos de la muestra de alta tecnología, pero no de la de baja tecnología. Para compensar esto, ampliamos nuestro análisis para incluir las empresas de tecnología media», explica Suominen. El equipo también creó puntos de datos instructivos sobre productos de innovación, colaboraciones y actividades empresariales abriendo la posibilidad de cartografiar redes de innovación más amplias. «Ya hemos identificado vínculos entre empresas para investigar las organizaciones de una manera totalmente nueva», añade Suominen.
Políticas para una productividad sostenible
BIGPROD contó con la guía de los Objetivos de Desarrollo Sostenible (ODS) como marco para comprender mejor el impacto socioeconómico. En la actualidad, el equipo está analizando la forma en que las declaraciones de misión y visión de la empresa relacionadas con los ODS pueden indicar cómo puede integrarse la transición hacia la sostenibilidad en los objetivos de la empresa, un aspecto que es instructivo para las políticas de innovación. «Para que las inversiones en productividad tengan un impacto socioeconómico positivo, los responsables políticos tienen que saber qué recursos políticos utilizar. BIGPROD trabaja para determinar cómo los países pueden crear las condiciones adecuadas para la innovación», concluye Suominen. Tras una serie de reuniones de las partes interesadas, que incluyen responsables políticos, estadísticos, economistas y analistas de datos, el equipo empezará pronto la fase de modelización para extraer de sus datos más información sobre productividad. Prevén utilizar programas de Python de código abierto para permitir que otros se beneficien de sus resultados y su metodología.
Palabras clave
BIGPROD, paradoja de la productividad, raspado web, empresa, Crépon-Duguet-Mairesse, innovación, inversión, alta tecnología, baja tecnología, ODS, económico
