Factores internos

La construcción del entorno institucional tiene un impacto importante en la elección de un apoyo a la investigación y el desarrollo (^{Wu, 2013}). La política de apoyo a la investigación y desarrollo en ciencia y tecnología es una motivación clave para promover el desarrollo de actividades de fomento a la innovación (^{Parida et al., 2012}). Las condiciones socioeconómicas locales que forman parte de la política de apoyo a la investigación y el desarrollo en ciencia y tecnología ejercen una influencia importante en la adopción de esta política (^{Zhao et al., 2022}). Los vales de innovación científica y tecnológica promueven la interacción entre pequeñas y medianas empresas e instituciones de investigación científica, y aceleran la transformación de sus logros científicos y tecnológicos. Por lo tanto, una buena inversión financiera tiene un papel importante en la adopción de esta política de innovación. Los factores de injerencia fiscal del gobierno incluyen dos indicadores: gastos fiscales regionales en ciencia y tecnología y gastos en investigación y desarrollo. Por lo tanto, proponemos las siguientes hipótesis:

H1: El gasto fiscal regional en ciencia y tecnología tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

H2: La intensidad del financiamiento regional en investigación y desarrollo experimental tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

Los actores de la política de vales de innovación incluyen empresas, universidades, instituciones de investigación científica y gobierno. En la interacción entre la industria y las universidades, hay problemas para desarrollar una alianza estratégica de la innovación tecnológica industrial (^{He et al., 2022}). Investigamos el factor de oferta y demanda de algunos indicadores compuestos, la oferta regional de ciencia y tecnología, así como la audiencia básica abarcada por el ámbito de mercado de la política. La cantidad de transferencias y permisos de uso de patentes en una región es la medida más intuitiva para comprender la transformación de los logros científicos y tecnológicos de las universidades e instituciones de investigación científica, y es una medida del nivel de productividad científica y tecnológica. La proporción de empresas en otras áreas de investigación y la proporción de instituciones con necesidades de investigación y desarrollo (pero que no son propiamente instituciones de investigación y desarrollo) en la región son una manifestación concreta de la brecha en la demanda de recursos científicos y tecnológicos en la región. Los gastos externos en investigación y desarrollo de las empresas, que son los gastos dirigidos a universidades e instituciones de investigación nacionales, son el reflejo más directo de la urgencia de cada empresa. A partir de lo anterior, proponemos las siguientes hipótesis:

H3: La oferta tecnológica regional tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

H4: La cantidad de transferencias y permisos de uso de patentes en una región tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

H5: La proporción de regiones con necesidades de investigación y desarrollo, pero sin instituciones de investigación y desarrollo propias, tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

H6: Los gastos externos en investigación y desarrollo de las empresas tienen una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

Los vales de innovación, como una medida pensada para lograr proyectos vinculados con la innovación y promover el desarrollo de la misma, tienen factores que juegan un papel importante en la adopción de esta política (^{Caloffi et al., 2022}). Como política tecnológica, la política de vales de innovación puede generar los beneficios económicos correspondientes, y es más fácil que los gobiernos locales adopten políticas de innovación de este tipo que políticas sociales (^{Iazzolino, 2013}). Su vida útil y la cantidad de canjes al año son los elementos clave de los vales de innovación, y tienen un impacto correspondiente en la promoción de la política que los propone. Por lo tanto, derivamos las siguientes hipótesis:

H7: La vida útil de los vales de innovación tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

H8: La cantidad anual de canjes de vales de innovación tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

Presión externa

La difusión de políticas públicas también debería incluir factores de difusión externos, como el aprendizaje horizontal, la imitación, la competencia y la presión vertical en las políticas.

El aprendizaje es uno de los mecanismos de difusión más citados en los estudios existentes, y ocurre cuando quienes participan en una política pública actualizan sus creencias sobre su efectividad con base en experiencias de otras regiones (^{Braun y Gilardi, 2006}; Meseguer, 2006). El aprendizaje se refiere al proceso mediante el cual un gobierno adopta una política que ha resultado exitosa en otro lugar (^{Zhang y Zhu, 2019}). Durante ese proceso, quienes participan en tal política actualizan sus creencias sobre su efectividad basándose en experiencias de otras regiones (^{Braun et al., 2006}), ajustan los beneficios esperados de forma autónoma y modifican las políticas en sus respectivas regiones (^{Volden et al., 2008}). La imitación se refiere a “copiar la conducta ajena” (^{Shipan y Volden, 2008}). En este punto, los gobiernos locales adoptan una política innovadora porque les ayuda a mejorar su reputación y legitimidad, sin tomar tanto en cuenta los beneficios reales que pueda acarrear (^{Douglas et al., 2015}; ^{Krenjova y Raudla, 2018}; ^{Braun et al., 2006}). Vale la pena mencionar que la línea entre el aprendizaje y la imitación es bastante borrosa. En general, cuando se adoptan políticas innovadoras por aprendizaje, los funcionarios intentan evaluar si las políticas usadas en otros lugares les ayudarán a resolver problemas específicos en sus respectivas jurisdicciones (Charles y Volden, 2008). Esto nos lleva a las siguientes hipótesis:

H9: La inclusión de políticas innovadoras en la agenda gubernamental de cada provincia y la realización de un programa piloto previo tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación.

H10: En ausencia de presión de niveles superiores, las provincias también podrían tomar la iniciativa y adoptar políticas innovadoras que no sean urgentes en el ámbito local.

La dinámica de la difusión de políticas públicas tomando en cuenta la contigüidad geográfica es un objeto de estudio frecuente en la bibliografía existente. Se ha descubierto que, al interior de un país, las acciones de un gobierno pueden generar acciones similares por parte de otros gobiernos debido a efectos de derrame económico (^{Berry y Baybeck, 2005}; ^{Konisky, 2007}; ^{Zhang y Zhu, 2019}). ^{Zhang (2012)} descubrió que la presión de ciudades hermanas o de otros gobiernos provinciales tiene un papel crucial en el aceleramiento de la proliferación de los sistemas de reserva de tierras en China. Por lo tanto, proponemos la siguiente hipótesis:

H11: La adopción de la política de vales de innovación tecnológica por parte de las provincias circundantes afecta de forma significativa la adopción de esta política innovadora en una provincia dada.

En el sistema político chino, la relevancia de un tema suele estar determinada por el gobierno central (^{Lieberthal, 2004}), y este puede dirigir a los agentes locales mediante la asignación de recursos. El gobierno chino está organizado como una pirámide con control vertical, donde los superiores inmediatos piden cuentas a sus subordinados y la autoridad final reside en el centro (^{Brien y Li, 1999}). Los gobiernos locales deben poner mucha atención a las señales que emite el gobierno central sobre las políticas públicas (^{Choi, 2012}). Por ejemplo, ^{Zhu (2014)} descubrió que la intervención gubernamental vertical estimulaba de forma significativa la difusión de los instrumentos de política económica en las ciudades chinas. Por lo tanto, tenemos la siguiente hipótesis:

H12: La introducción de políticas relevantes a nivel central afecta de forma significativa la conducta de los gobiernos locales hacia la política de vales de innovación y su adopción.

Diseño variable y fuentes de datos

La variable dependiente está basada en documentos emitidos por varios gobiernos provinciales que implementan la política de vales de innovación; estos fueron publicados y consultados en internet. Por medio del análisis de los textos, queda claro el momento de implementación de la política de vales de innovación de cada provincia, es decir, si una provincia introdujo una política de vales de innovación tecnológica ese mismo año, usando variables binarias para medir dicho factor. Los principales argumentos son datos del China Statistical Yearbook (2014-2018) y del China Statistical Yearbook of Science and Technology (2014-2018). Al mismo tiempo, para controlar el posible problema de multicolinealidad entre las variables, se hizo una conversión logarítmica de la cantidad de gastos externos en los gastos totales en investigación y desarrollo de cada empresa, con un logaritmo base 10. Los métodos de medición específicos de las variables dependientes e independientes se muestran en el cuadro 1.

Método de investigación y elaboración del modelo

El método de análisis de supervivencia es un conjunto de métodos de análisis estadístico que usan un estado discreto, tiempo continuo y modelos aleatorios para analizar datos longitudinales (^{Laplante et al., 2009}). Casi siempre se usa para interpretar la función de supervivencia y la función de riesgo, y para compararlas con la variable explicativa y la relación del tiempo de supervivencia. Para esclarecer la situación tecnológica regional, el nivel de demanda tecnológica regional, la influencia de los vales de innovación y los factores de difusión externos en la difusión de la política de vales de innovación, usamos el modelo de análisis de supervivencia para probar las hipótesis citadas anteriormente. El análisis combinatorio muestra que la predicción de sucesos en el tiempo t está basada en las variables del evento t-1, y los factores específicos que afectan la proliferación de la política de vales de innovación quedan claros.

La variable dependiente es dicotómica, por lo que adoptamos el modelo logístico de tiempo discreto del análisis de supervivencia para integrar las hipótesis propuestas:

Logit(Pi,t) = log Pi,t1-Pi,t = β0 + β1 (apoyo financiero) + β2 (inversión especial) + β3 (oferta tecnológica ) + β4 (transformación de logros + β5 (demanda empresarial) + β6 (investigación empresarial) + β7 (vida útil) + β8 (cantidad de canjes) + β9 (aprendizaje de políticas públicas) + β10 (imitación de políticas públicas) + β11 (competencia entre provincias)+ β12 (presión vertical)

Esta investigación pretende estudiar la implementación y promoción de la política de vales de innovación en los gobiernos provinciales entre 2014 y 2018 en China. Por lo tanto, la muestra está compuesta por datos de panel de unidades administrativas provinciales correspondientes al periodo 2014-2018. El periodo de observación es desde 2014 hasta la implementación de los vales de innovación científica y tecnológica. Desde el inicio de los vales de innovación en Suqian, provincia de Jiangsu, hasta diciembre de 2018, un total de 22 provincias han implementado esta política. Tras la recolección de datos y su clasificación, filtración y eliminación de datos incompletos, se obtuvieron 107 casos específicos.

Verificación de datos Análisis descriptivo y de multicolinealidad

El análisis estadístico descriptivo de las variables muestra aparece en el cuadro 2. Debido a la gran cantidad de inversión gubernamental en ciencia y tecnología y a los gastos externos en investigación y desarrollo de las empresas, para facilitar el cálculo de la correlación, los indicadores de apoyo financiero y demanda empresarial son cálculos logarítmicos.

El análisis descriptivo muestra que las variables independientes adoptadas por la política de vales de innovación varían mucho con los cambios en la oferta tecnológica, con una desviación estándar de 7.925, lo que demuestra que la oferta y la demanda de China están muy desequilibradas, algo que corresponde con el statu quo de obvias diferencias tecnológicas en el país. La cantidad de canjes, como una característica de la adopción de la política de vales de innovación a nivel regional, también tiene ciertas cualidades diferenciadoras. Salvo por las dos variables independientes de la oferta tecnológica y la cantidad de canjes, los resultados en los cambios en las demás variables son relativamente menores, pero también nos brindan una explicación posible para la adopción de esta política.

Se utilizó Stata17 para el análisis, a fin de garantizar la independencia de las variables muestra y evitar una alta correlación entre ellas, y pusimos a prueba el factor de inflación de varianza (VIF) para determinar si los datos presentaban multicolinealidad. Los resultados del cálculo muestran que el valor VIF máximo de la variable de difusión nacional es 3.47, mucho menor al valor de advertencia, 10. Por lo tanto, si bien el valor VIF promedio es 2.27, mayor a la línea de advertencia de 1, sigue sin constituir un problema de multicolinealidad, y la independencia de los datos queda garantizada.

Análisis de la correlación entre las variables dependientes y la adopción de la política

El cuadro 3 es el resultado del análisis de la correlación entre la variable dependiente y las independientes. Salvo por el índice de transformación de logros, todos los demás tienen una correlación positiva significativa con la adopción de los vales de innovación tecnológica. La inversión especial, la vida útil, el aprendizaje de políticas públicas y la presión vertical son significativas, con un nivel de 0.01. La oferta tecnológica y la competencia entre provincias tienen un nivel de 0.05 de significancia. El apoyo financiero, la investigación empresarial, la demanda empresarial, la cantidad de canjes y la imitación de políticas públicas tienen un nivel de 0.1 de significancia. Por lo tanto, todas nuestras hipótesis, salvo la H4, quedaron demostradas de forma preliminar.

Análisis de los datos

Se realizó un análisis de supervivencia de tiempo discreto en los datos de panel usando Stata17. Para esclarecer la relación entre la variable dependiente y las independientes, se retiró el modelo de factor único y se sometió a los datos de panel a un análisis interactivo de factores internos y externos, tal como se muestra en el cuadro 4. La significancia de las variables se determinó de acuerdo con la interacción entre factores internos y externos proveniente del patrón del análisis de supervivencia (^{Sit et al., 2021}). La hipótesis H1 pasó la prueba de significancia a un nivel de 0.001 en el modelo 1 y 0.05 en el modelo 2. Puede afirmarse que el gasto fiscal regional en ciencia y tecnología tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación. La hipótesis H2 presenta una correlación significativa del 0.01 en los modelos 1, 2 y 3, por lo que queda completamente demostrada. La hipótesis H3 presenta una correlación de 0.05 y 0.01 en los modelos 1, 2 y 3, por lo que queda asentada. De manera similar, la hipótesis H5 pasó la prueba de correlación de 0.05 o 0.1 en los modelos 1 y 2, por lo que queda parcialmente demostrada. Suponemos que H7 presenta una correlación de 0.01 en todos los modelos que incluyen esa variable, por lo que la cantidad de años en uso de los vales de innovación tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación. Suponemos que las variables como H4, H6, H8, H10 y H11 no tienen una correlación significativa con la interacción, y que su relación con la variable independiente no queda clara. Los resultados del análisis de supervivencia del factor de interacción son complejos y, según la regla de interacción de factores, cada variable independiente existe en cuatro modelos, y la significancia de los cuatro modelos en los que se encuentra debe ser tomada en cuenta en conjunto para juzgar si la variable es significativa o no. Por lo tanto, en resumen, el apoyo financiero, la inversión especial, la oferta científica y tecnológica, la demanda empresarial, la vida útil, el aprendizaje de políticas públicas y la presión vertical son todas significativas en al menos dos modelos.

Con base en 12 variables independientes, realizamos un análisis de regresión integral en la totalidad de los datos, cuyos resultados se muestran en el cuadro 5. Al analizar el nivel de ajuste de los resultados de la regresión por medio del comando “estat class”, concluimos que el nivel de ajuste del modelo es de 86.92 por ciento, y que tiene un buen nivel de ajuste.

Según los resultados del análisis de supervivencia multifactorial integral, las hipótesis H1, H2, H3 y H7 tienen un nivel de correlación de 0.01; las hipótesis H9 y H12 tienen un nivel de correlación de 0.05, y la hipótesis H5 tiene un nivel de correlación de 0.1. Al combinar los tres tipos de modelos, los factores de apoyo financiero, inversión especial, demanda científica y tecnológica, vida útil, aprendizaje de políticas públicas y presión vertical resultaron ser significativos.

A partir del análisis de regresión de los factores interactivos e integrales anteriores, puede constatarse lo siguiente: en primer lugar, las dos variables de los factores de contribución financiera del gobierno local tienen una obvia influencia en la innovación y adopción, ambas con relaciones estadísticas significativas. El apoyo financiero tuvo un nivel de correlación de 0.05 o 0.1 en todos los modelos excepto el cuarto, y pasó la prueba de significancia con un nivel de 0.01 en el modelo de impacto combinado, por lo que el gasto fiscal regional en ciencia y tecnología tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación, y la hipótesis H1 queda demostrada. La variable de la inversión especial pasa la prueba de significancia de 0.01 o 0.05 en todos los modelos, y también presenta un nivel de 0.01 en el modelo de impacto integral, por lo que la intensidad del financiamiento regional experimental y en investigación tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación, y la hipótesis H2 es válida. En segundo lugar, la combinación de factores de innovación en investigación entre la industria y las universidades tiene un impacto más complejo en la adopción de la política de vales de innovación. La interacción de los factores de oferta tecnológica logró mantener factores de influencia horizontal e integral significativos de 0.1 o 0.05 en todos los modelos, de acuerdo con el nivel de prueba de la hipótesis -de 0.05-, por lo que la oferta tecnológica regional tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación. Los factores de investigación empresarial no presentan una correlación positiva en todos los modelos, por lo que la hipótesis H5 no queda demostrada por completo. Los factores de demanda empresarial muestran una correlación significativa de 0.1 en el modelo integrado y pueden mantener un nivel de relevancia de 0.1 o 0.05 en el resto de los modelos, por lo que la hipótesis H6 queda demostrada. Los factores de transformación de logros muestran claramente que su influencia no es significativa en el análisis de correlación. En el análisis de regresión, ningún modelo refleja la correlación a un nivel de significancia correspondiente; esto significa que no están significativamente correlacionados con la adopción de la política, por lo que la cantidad de transferencias y permisos de uso de patentes no queda demostrada. En tercer lugar, los factores de los propios vales de innovación tienen un impacto claro en la adopción de la política de vales de innovación, y el factor de vida útil logró pasar la prueba de significancia de 0.01 en todos los modelos. El modelo de impacto integrado multivariable también pasó la prueba de significancia de 0.01 y la hipótesis H7 quedó demostrada, por lo que la vida útil de los vales de innovación tiene una correlación positiva con la probabilidad de que el gobierno local adopte la política de vales de innovación. Sin embargo, la correlación entre la cantidad de canjes y la adopción de la política no es significativamente positiva en todos los modelos, por lo que la cantidad anual de canjes de vales de innovación no quedó demostrada. En cuarto lugar, entre los factores de difusión externa, el aprendizaje de políticas públicas y la presión vertical presentan una correlación positiva con un nivel de significancia de 0.05 en el modelo de impacto de factores combinados, y todos los modelos de los factores de interacción muestran cierto grado de correlación significativa, por lo que las hipótesis H9 y H12 quedan demostradas. Los factores de imitación de políticas públicas y competencia entre provincias tienen poco efecto en la adopción de los vales de innovación por parte de los gobiernos locales, por lo que las hipótesis H10 y H11 no quedan demostradas.