Nuevas Metodologías para la evaluación del impacto en las empresas del sector TIC de las Políticas de Innovación Tecnológica

Resum

El objetivo de esta Tesis es demostrar la utilidad y eficacia de nuevas metodologías basadas en el aprendizaje automatizado (Machine Learning) para la evaluación del impacto de los instrumentos de Políticas de Innovación en las empresas. El interés de esta investigación nace de la constatación de las limitaciones que tienen algunas de las metodologías actuales de evaluación de impacto, incluyendo análisis de patentes y encuestas. Entre las más evidentes, pueden mencionarse el tiempo de actualización de las encuestas, su coste, la no inclusión de datos como la gestión y acumulación de conocimiento tácito y explícito, y, especialmente, la posibilidad de seguimiento continuo. Para poder llegar a desarrollar estas metodologías de evaluación de impacto, la Tesis sigue un desarrollo en el que se hace una revisión de la literatura y de las bases teóricas de la innovación empresarial. Los cuatro primeros capítulos nos centran en la importancia de la innovación y sus políticas para las empresas y las AAPP, y en los fundamentos en que se basan los parámetros que se usarán en la evaluación del impacto. Se concentra en la capacidad de innovación y de gestión del I+D+I de la empresa de base tecnológica. Una vez mostrado que la evaluación más eficiente radica en compartir y utilizar la misma información que utilizan las empresas en su gestión del I+D+I, la Tesis se centra en analizar las particularidades del sector TIC. Para conocer las tendencias en la innovación y su gestión en el sector se procedió a diseñar y efectuar una encuesta específica para esta Tesis, recogiéndose microdatos que consideramos esenciales como la valoración de los distintos indicadores de gestión de la innovación enmarcados en el Cuadro de Mando Integral. Se exponen las bases teóricas y prácticas para la construcción del índice compuesto FIGI (Índice del grado de Innovación empresarial). Es un índice ponderado a partir de las opiniones recogidas en la encuesta al sector TIC. Puesto que los resultados recogidos en la encuesta del sector TIC no son estadísticamente significativos, se ha recurrido, solo a efectos metodológicos, a la encuesta ESEE que sí es una muestra significativa de la población empresarial industrial de España. Se ha tratado de aproximar FIGI a los datos disponibles (variables) en la ESEE. Se estudian las metodologías de Aprendizaje Supervisado (Machine Learning) y se incide en el ciclo de diseño de un sistema de ML. Se destaca que el índice sintético FIGI pueda predecirse para otras empresas conociendo sus características, que deberían ser indicadores compartidos por las empresas y las AAPP y, a ser posible, fácilmente obtenibles de BD públicas como ORBIS (Gastos de I+D y personal dedicado a I+D), así como los nuevos productos innovadores que las empresas sacan al mercado identificados mediante web scraping y clasificados como innovadores por algoritmos de aprendizaje supervisado profundo (redes neuronales). Se realiza la evaluación de impacto en el FIGI y se contrastan tres hipótesis sobre la relación de la innovación con la productividad, el capital relacional y el capital humano. Los resultados de esta Tesis demuestran que las metodologías para la evaluación de impacto de los instrumentos de Políticas de Innovación, desarrolladas en este trabajo, a partir de un panel de indicadores (predictores) utilizados por las empresas en su gestión cotidiana del I+D+I permiten realizar un análisis de la situación y una toma de decisiones con el sistema propuesto ISCOM (Innovation Scoreboard COntinous Monitorization). Dicha toma de decisiones permite suspender, parar, retrasar o acelerar un proyecto que esté vinculado con un determinado instrumento de Políticas de Innovación. Una conclusión importante es que en el Aprendizaje automático es fundamental la ingeniería de características, ya que éstas son determinantes para obtener una mejor precisión en la clasificación y, en consecuencia, para la predicción.