En este trabajo analizamos el papel de la estrategia de conocimiento en explotación para explicar la relación entre capital social en su dimensión bonding y la innovación incremental en el ámbito de los clusters. Hemos aplicado un modelo estructural sobre una muestra de 215 empresas del sector de turismo cultural de las Ciudades Patrimonio de la Humanidad de España. Los resultados revelan la existencia de un efecto indirecto significativo del bonding capital sobre la innovación incremental a través del desarrollo de una estrategia de conocimiento en explotación. Estos resultados sugieren que si las empresas de un cluster de turismo cultural son capaces de aprovechar sus redes densas y vínculos fuertes para implantar estrategias de conocimiento en explotación, tenderán a desarrollar mayores innovaciones incrementales.
In this paper we analyse the role of exploitation knowledge strategy to explain the relationship between social capital in its bonding dimension and incremental innovation dimension in the field of clusters. To do this, on a sample of 215 cultural tourism companies in World Heritage Cities of Spain, we applied a structural model that allows us to detect a significant indirect effect to bonding capital in incremental innovation through the development of a exploitation knowledge strategy. The results suggest that if firms in a cultural tourism cluster are able to leverage their strong ties and dense networks to implement exploitation knowledge strategies, tend to develop more incremental innovations.
Tradicionalmente se han destacado las externalidades positivas derivadas de las aglomeraciones empresariales (Grando y Belvedere, 2006; Asheim, Smith y Oughton, 2011), entendidas como ventajas económicas que se generan por la concentración geográfica de la producción y como resultado de las relaciones e intercambios entre los agentes localizados en una zona (Marshall, 1920). Desde este enfoque se desarrolla una amplia literatura sobre clusters/distritos, que se centra principalmente en los sectores industriales (Capó-Vicedo, Martínez-Fernández, Vallet-Bellmunt y Expósito-Langa, 2011). No hay muchos trabajos que analicen las aglomeraciones empresariales en sectores de servicios, y todavía son más escasos los que se centran en el sector turístico cultural (Rogerson, 2006). Actualmente este tipo de aglomeraciones cobra especial interés económico, social y político, ya que el turismo cultural está adquiriendo una creciente importancia para el desarrollo económico y social de determinadas áreas geográficas (Lara y López-Guzmán, 2004). Las Ciudades Patrimonio de la Humanidad en España, que reúnen la mayor parte del patrimonio urbano y arquitectónico monumental del país, se han convertido en los destinos más demandados en este tipo de turismo (Martos-Molina, 2012). Las actividades turísticas que se desarrollan en estas ciudades producen generalmente un fuerte impacto socioeconómico en la zona, en términos de incremento del nivel de empleo, revalorización de los recursos locales, revitalización funcional de la propia ciudad histórica y mejora de la cooperación entre los sectores turístico y cultural, entre otros (Troitiño-Vinuesa, 1998).
En los clusters de turismo cultural predominan pequeñas empresas independientes, entre las que prevalece el comportamiento colaborativo frente al oportunista (Prats, Guía y Molina, 2008). La mayoría de los estudios empíricos han considerado el cluster como unidad de análisis, asumiendo implícitamente la homogeneidad de sus empresas. Nosotros creemos que es necesario abordar la heterogeneidad en el comportamiento de las empresas localizadas en un cluster, ya que, aunque existan oportunidades derivadas de la aglomeración, no todas las empresas las aprovechan del mismo modo (Parra-Requena, Molina-Morales y García-Villaverde, 2010).
La literatura ha vinculado la proximidad geográfica de las empresas con la difusión del conocimiento y la generación de innovaciones (Obstfeld, 2005; Zheng, 2010). Sin embargo, todavía se precisa profundizar en los antecedentes de la innovación de las empresas localizadas en los clusters. Además, frente al predominio de trabajos que inciden en la innovación radical, que supone una ruptura con lo ya establecido, entendemos que en los clusters de turismo cultural es también relevante estudiar los factores determinantes de la innovación incremental, basada en la introducción de pequeños y continuos cambios en los productos y procesos, y que es la más común entre las empresas de servicios.
Recientemente se ha destacado el papel que ejerce el capital social en forma de recursos accesibles a través de las redes de relaciones como un antecedente clave de la innovación empresarial (Molina-Morales y Martínez-Fernández, 2010; Petrou y Daskalopoulou, 2013). Para el estudio de la innovación incremental tiene especial interés analizar la dimensión bonding del capital social (Wäsche y Woll, 2010) —procedente en su mayoría de redes cercanas y densas y vínculos fuertes— frente a la dimensión bridging capital —típica de redes dispersas de vínculos débiles y generada en huecos estructurales (Putnam, 2000)—. El bonding capital, que se genera mediante las relaciones con los agentes y grupos dentro de un conglomerado, tiene especial relevancia en los clusters de turismo cultural. Estos conglomerados poseen características especiales en sus redes sociales, en las que se establecen conexiones muy complejas, y en las innovaciones que desarrollan las empresas, entre las que tiene un papel relevante las de carácter incremental (Merinero, 2008). Diversos trabajos señalan que el capital social de la empresa impulsa la innovación, ya que favorece la obtención de recursos complementarios y la identificación de nuevas oportunidades, proporciona acceso a información, mercados y tecnologías, mejora el aprendizaje interempresarial y fortalece la cooperación con proveedores (Tsai y Ghoshal, 1998; Guler y Nerkar, 2012). Pese a estas ventajas, diversos trabajos también detectan efectos perversos, asociados a la redundancia de la información, la miopía y la inercia (Inkpen y Tsang, 2005; Molina-Morales, Martínez-Fernández y Torlò, 2011). Sin embargo, ante los resultados diversos y ambiguos que muestra la literatura sobre la relación entre capital social e innovación, proponemos profundizar en los factores que pueden conducir esa relación, y más concretamente en el papel que puede tener el conocimiento (Martínez-Cañas, Sáez-Martínez y Ruiz-Palomino, 2012; Jian y Wang, 2012).
Son numerosos los trabajos que analizan el conocimiento organizativo y su relación con la generación de innovaciones. March (1991) propone 2 estrategias genéricas de conocimientob: la exploración de nuevo conocimiento y la explotación de conocimiento ya existente. Consideramos que las características del bonding capital pueden ser claves para la explotación de conocimiento ya existente y, a su vez, que la explotación de los conocimientos puede favorecer el desarrollo de innovaciones incrementales (Atuahene-Gima y Murray, 2007; Partanen, Chetty y Rajala, 2011). Por tanto, proponemos que solo cuando las empresas de los clusters de turismo cultural sean capaces de explotar el conocimiento a partir de las relaciones con agentes del cluster podrán generar más innovaciones incrementales.
El objetivo de este trabajo es estudiar el papel mediador de la estrategia de conocimiento en explotación para explicar la relación entre el bonding capital y la innovación incremental que desarrollan las empresas en los clusters de turismo cultural.
Por tanto, frente a la ambigüedad de trabajos anteriores sobre la relación entre capital social e innovación, nuestra principal contribución es determinar si la estrategia de conocimiento en explotación es un factor clave para conducir el bonding capital hacia la innovación incremental en el ámbito de los clusters de turismo cultural.
El estudio empírico lo realizamos sobre una muestra de empresas de turismo cultural localizadas en las Ciudades Patrimonio de la Humanidad de España (CPHE). Consideramos que las características que poseen dichas ciudades las convierten en sólidos clusters de turismo cultural al compartir los principales elementos de estos —predominio de pymes, existencia de una comunidad local y el territorio como aspecto central—. Por tanto, las CPHE constituyen un ámbito de estudio adecuado para aplicar el concepto de cluster de turismo cultural y contrastar las relaciones planteadas en nuestro modelo.
Para ello, en el siguiente apartado recogemos el marco teórico a partir del cual planteamos las hipótesis de investigación. Posteriormente, en el tercer apartado detallamos el diseño de la investigación. En el cuarto exponemos los resultados del análisis empírico, y en el último epígrafe establecemos la discusión de resultados y las conclusiones extraídas de este trabajo.
2Marco teórico e hipótesis2.1Bonding capital, explotación de conocimiento e innovación incremental: efectos directosEl capital social de un actor es el conjunto de recursos arraigados dentro de su red de relaciones sociales, más todos los recursos accesibles a través de esa misma red (Nahapiet y Ghoshal, 1998). Tradicionalmente se ha defendido que la acumulación de capital social tiene un efecto positivo sobre el resultado de las empresas, puesto que aporta a las empresas de la red una serie de ventajas competitivas —menores costes de transacción, cooperación y colaboración, reducción de comportamientos oportunistas, etc.— que les permite ser más exitosas (Nahapiet y Ghoshal, 1998). También se han señalado impactos negativos del capital social derivados fundamentalmente de los problemas de redundancia de información y de bloqueo interno (Guler y Nerkar, 2012). Siguiendo a Putnam (2000), de los aspectos positivos y negativos del capital social se deriva la necesidad de definir el capital social como un constructo bidimensional, formado por la dimensión bonding y bridging. El bonding capital se refiere a la reciprocidad y solidaridad que se produce entre personas de semejantes características, mientras que el bridging capital se refiere a la conexión producida entre redes diversas (Putnam, 2000). La diferenciación de ambas dimensiones del capital social permite profundizar en sus implicaciones en ámbitos de comunidades de personas y clusters empresariales vinculados con el turismo (Zahra y McGehee, 2013).
Las empresas que se localizan en un cluster generalmente establecen relaciones con el resto de agentes creando vínculos fuertes y configurando redes densas. En este ámbito se dan las condiciones adecuadas para que las empresas puedan generar capital social, fundamentalmente bonding capital, que se desarrolla a partir de las relaciones con agentes de dentro del conglomerado. En este tipo de aglomeraciones empresariales las redes proporcionan beneficios potenciales a los agentes que se localizan en ellas, ya que se crean normas sociales y sanciones que refuerzan la confianza y favorecen la cooperación entre los mismos. Las empresas que mantienen un equilibrio entre estas relaciones de competencia y cooperación, como señalan Parra-Requena, García-Villaverde y Jiménez-Moreno (2008), pueden conseguir ventajas competitivas incorporando innovaciones incrementales de manera continuada (Antolín-López, Martínez-del-Río y Céspedes-Lorente, 2013).
En concreto, el cluster de turismo cultural, debido a la proximidad espacial entre las empresas, es un contexto que propicia relaciones frecuentes y estrechas, favorecidas por las interacciones directas y una cultura y lenguaje comunes (Sorensen, 2007). Además, las empresas de un cluster de turismo cultural tratan de ofrecer una experiencia completa del destino turístico, que suele generar numerosos acuerdos de cooperación empresarial, muchos de ellos focalizados en el desarrollo de innovaciones (De Propis, 2002). Pese a las ventajas del bonding capital para innovar, los resultados empíricos son diversos y ambiguos por la dificultad de las empresas para superar los efectos perversos de los vínculos fuertes que pueden producir información redundante, miopía e inercia en el comportamiento de las empresas (Molina-Morales et al., 2011). Nosotros mantenemos que predomina un efecto neto positivo entre el bonding capital y la innovación incremental, si bien proponemos indagar en los factores que pueden afectar esta relación (Obstfeld, 2005).
En este contexto, planteamos que las empresas turísticas que aprovechen la potencialidad de las redes sociales de una aglomeración territorial para crear interacciones fuertes, frecuentes y estrechas, configurando redes densas, serán las que desarrollarán más innovaciones incrementales (Prats et al., 2008). Proponemos la siguiente hipótesis:H1 El capital social, en su dimensión bonding, influye positivamente en el desarrollo de innovaciones incrementales en las empresas localizadas en clusters de turismo cultural.
El bonding capital, que abarca la interacción social —vínculos fuertes— y las redes densas, se convierte en un determinante clave para el intercambio de conocimiento entre las empresas del cluster. Los vínculos fuertes están asociados al intercambio de información de alta calidad y conocimiento tácito, ya que hacen que sea más fácil para los socios de la red localizar el conocimiento potencialmente valioso y producen la confianza necesaria para facilitar la transferencia y adquisición de este tipo de conocimiento (Dyer y Nobeoka, 2000). La adquisición de conocimiento tácito se realiza mediante el aprendizaje y la experiencia, para lo que se requiere una interacción intensa y directa, esto es, «cara a cara», para poder ser codificado y transferido. Así, las empresas que se localizan en una red tienen más fácil la transferencia de este tipo de conocimiento debido a su proximidad geográfica (Sorenson, Rivkin y Fleming, 2006). Estos vínculos fuertes permiten que las empresas adquieran conocimiento tácito mediante la observación, la imitación y la interacción con otros miembros (Cheng y Krumwiede, 2012). Y también porque se desarrolla entre ellas un lenguaje común que incrementa la eficiencia en términos de tiempo y costes de negociación (Uzzi, 1997).
En este sentido, las relaciones generadoras de este tipo de capital social proporcionan conocimiento cercano, tácito, profundo, simétrico, menos arriesgado y de calidad debido a la conectividad del sistema cerrado, que luego compartirán dentro de la red, favoreciendo así la explotación del conocimiento que circula por el cluster (Gobbo y Olsson, 2010).
Dentro de los clusters de turismo cultural, la proximidad de los agentes produce las condiciones idóneas para que se genere bonding capital y contactos directos entre los agentes turísticos, lo que va a favorecer la transferencia del conocimiento que se encuentra arraigado en la localidad (Sorensen, 2007). Por lo tanto, se puede afirmar que el bonding capital es un factor clave para el desarrollo de la estrategia de conocimiento en explotación (Fritsch y Kauffeld-Monz, 2010). Sin embargo, no todas las empresas del cluster tendrán acceso al mismo conocimiento, ya que el mero hecho de compartir la localización geográfica no implica la presencia de flujos de conocimiento locales (Malmberg y Maskell, 2002). A partir de estos argumentos, planteamos la siguiente hipótesis:H2 El capital social, en su dimensión bonding, influye positivamente en la implantación de estrategias de conocimiento en explotación en las empresas localizadas en clusters de turismo cultural.
Por otra parte, el desarrollo de nuevo conocimiento a partir de la integración de conocimiento externo con el ya existente en la organización es clave para generar innovaciones y mejorar la competitividad de las empresas (Nonaka y Takeuchi, 1995). Las empresas localizadas en un cluster, con acceso a fuentes externas de conocimiento, podrán aprovechar en mayor medida sus recursos internos para el desarrollo de innovaciones. En este sentido, se entiende que la capacidad de una empresa para innovar está asociada con su habilidad para obtener e intercambiar conocimiento con otros agentes pertenecientes al cluster (Expósito-Langa y Molina-Morales, 2010; Wang, 2013).
Dentro del ámbito de los clusters de turismo cultural, las empresas comparten una cultura e identidad similar, una historia común y un origen del conocimiento mutuo. Por tanto, la información que poseen los contactos es muy parecida y redundante, lo que favorece la explotación del conocimiento (Alexiev, Jansen, van den Bosch y Volberda, 2010). De este modo, las empresas tienden a mantenerse dentro de su status quo, desarrollando básicamente estrategias de conocimiento en explotación que les permitirán generar innovaciones de tipo incremental (Molina-Morales et al., 2011; Partanen et al., 2011).
Las empresas turísticas localizadas en clusters que implanten una estrategia de conocimiento en explotación lograrán mejorar su eficiencia y productividad mediante innovaciones graduales o incrementales basadas en nuevas distinciones conceptuales, o nuevas maneras de combinar elementos y conocimiento que pueden estar previamente asociados. En este sentido, se entiende que el aprendizaje a través de la explotación de conocimiento facilita el refinamiento moderado de dicho conocimiento (Hughes, Hughes y Morgan, 2007). Por ello, la estrategia de conocimiento en explotación se asocia con las competencias distintivas que requieren las empresas para desarrollar y aplicar innovaciones incrementales. Sin embargo, aunque los clusters de turismo cultural presentan las condiciones favorables para el desarrollo de estrategias de conocimiento en explotación, la capacidad individual de cada empresa para implantar este tipo de estrategias será un elemento determinante en la generación de innovaciones incrementales. Por tanto, a partir de los argumentos anteriores planteamos la siguiente hipótesis:H3 La implantación de estrategias de conocimiento en explotación influye positivamente en el desarrollo de innovaciones incrementales en las empresas localizadas en clusters de turismo cultural.
Como hemos planteado anteriormente, en los clusters de turismo cultural las empresas con mayor bonding capital tienden a generar más innovaciones incrementales. Sin embargo, aunque hay argumentos que justifican esta relación, existe cierta controversia en los resultados obtenidos. Nosotros consideramos que la estrategia de conocimiento en explotación tiene un papel clave para conducir el bonding capital hacia la innovación incremental.
En el contexto de los clusters de turismo cultural, las empresas desarrollan innovaciones que, al estar asociadas con la explotación de conocimiento ya existente, tenderán a ser en mayor medida de tipo incremental. Los vínculos fuertes y las redes densas están relacionados positivamente con el resultado innovador de las empresas cuando el entorno demanda un grado relativamente alto de explotación de conocimiento (Harryson, Dudkowski y Stern, 2008).
Desde este enfoque consideramos, por un lado, que cuanto mayor sea el bonding capital creado por una empresa, más tenderá a desarrollar una estrategia de conocimiento en explotación (Atuahene-Gima y Murray, 2007; Gobbo y Olsson, 2010). Por otro lado, cuanto más desarrolle una estrategia de conocimiento en explotación, más innovaciones incrementales generará (Subramaniam y Youndt, 2005; Partanen et al., 2011). En consecuencia, esperamos que la estrategia de conocimiento en explotación sea un factor conductor clave para vincular el bonding capital con la innovación incremental. De manera que, en el contexto de los clusters de turismo cultural, solo cuando las empresas sean capaces de aprovechar los vínculos fuertes y la densidad de sus relaciones para desarrollar una estrategia de conocimiento en explotación conseguirán más innovaciones incrementales. Por lo tanto, siguiendo estos argumentos planteamos la cuarta hipótesis:H4 La implantación de estrategias de conocimiento en explotación media la relación entre el capital social, en su dimensión bonding, y el desarrollo de innovaciones incrementales en las empresas localizadas en clusters de turismo cultural.
El estudio empírico se ha realizado sobre una muestrac de empresas turísticas localizadas en las 13 CPHEd. En primer lugar hemos identificado las CPHE como clusters de turismo cultural, siguiendo la literatura, mediante criterios cuantitativos y cualitativos. Dada la heterogeneidad del sector turístico, hemos delimitado las actividades turísticas objeto de estudio siguiendo el trabajo de Lazzeretti y Capone (2008), quienes identifican diferentes distritos turísticos italianose. La información necesaria para generar un fichero de empresas de la población se ha obtenido a partir de las bases de datos de SABI, Camerdata y los archivos de diversas asociaciones de turismo y de las CPHE. Hemos introducido la condición adicional de no incluir las empresas con menos de 3 trabajadores, puesto que se necesita una estructura mínima para poder abordar los conceptos y constructos del estudio (Spanos y Lioukas, 2001). De acuerdo con estos criterios, la población la componen 2.037 empresas, a las que enviamos un cuestionario postal en 2 ocasiones y otro on-line. La muestra la conforman los 215 cuestionarios válidos obtenidos, que suponen una tasa de respuesta del 10,55%, con un error muestral del 6,32%.
Contrastamos el sesgo de no respuesta y no se observaron diferencias significativas en las características estructurales entre los que respondieron a la encuesta y los que no lo hicieron (Armstrong y Overton, 1977). Además, enviamos un segundo cuestionario a otro directivo de la misma empresa para evitar el sesgo en las respuestas por la subjetividad del gerente. Sobre la submuestra de 34 empresas de las que obtuvimos 2 cuestionarios (15,81% de la muestra) realizamos un test de diferencias de medias y no encontramos diferencias significativas para ninguna de las variables utilizadas en el estudio.
3.2Operacionalización de las variables y escalas de medidaInnovación incremental. Para medir esta variable valoramos la cantidad de innovaciones significativamente mejoradas, adaptando la escala de 7 ítems de Doloreux y Shearmur (2010). La escala incluye las innovaciones incrementales en producto, proceso, distribución, comercialización, estrategias de negocio, técnicas de gestión y de marketing.
Bonding capital. Es una variable multidimensional que está relacionada con la interacción social que se produce en la red (Nahapiet y Ghoshal, 1998) e incluye los vínculos de la red —medidos a través de la fuerza de la relación— y la configuración de la red —medida mediante la densidad de la red—. Esta variable operará como un constructo de segundo orden, formado por 4 ítems que miden la fortaleza de la relación y por 2 ítems que miden la densidad de la red (Parra-Requena, Rodrigo-Alarcón y García-Villaverde, 2013), como observamos gracias al análisis factorial exploratorio en la tabla 1.
Análisis factorial exploratorio
| Variables | Componente | |||
|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |
| Relacionamos frecuentemente con contactos | 0,156 | 0,142 | 0,793 | 0,064 |
| Conocemos contactos de manera personal | −0,003 | 0,202 | 0,844 | 0,053 |
| Tenemos relaciones sociales estrechas con contactos | 0,125 | 0,069 | 0,748 | 0,369 |
| Recursos e información intercambiados son similares | 0,155 | 0,194 | 0,656 | 0,250 |
| Contactos con los que nos relacionamos se conocen entre sí | 0,091 | 0,163 | 0,339 | 0,845 |
| Contactos de los que recibimos información y consejos se conocen entre sí | 0,115 | 0,169 | 0,192 | 0,905 |
| Identificamos, combinamos y reutilizamos elementos valiosos del conocimiento del que disponemos | 0,247 | 0,819 | 0,211 | 0,198 |
| Utilizamos y ajustamos los conocimientos existentes y las competencias relacionadas con los servicios ofrecidos | 0,278 | 0,854 | 0,211 | 0,152 |
| Integramos formas nuevas y existentes de hacer las cosas sin dejar de ser eficientes | 0,308 | 0,825 | 0,147 | 0,068 |
| Ponemos en funcionamiento lecciones aprendidas en otras actividades de la empresa | 0,257 | 0,832 | 0,146 | 0,070 |
| Desarrollo de productos o servicios significativamente mejorados ofrecidos a los clientes | 0,691 | 0,254 | 0,190 | 0,043 |
| Desarrollo de proceso productivo/prestación del servicio significativamente mejorado | 0,819 | 0,159 | 0,154 | 0,055 |
| Desarrollo de distribución y reparto del producto/servicio significativamente mejorados | 0,829 | 0,117 | 0,091 | 0,132 |
| Desarrollo de la comercialización y venta del producto/servicio significativamente mejoradas | 0,841 | 0,179 | 0,152 | 0,097 |
| Desarrollo de estrategia de negocio significativamente mejorada | 0,850 | 0,232 | 0,033 | 0,062 |
| Desarrollo de técnicas de gestión significativamente mejoradas | 0,836 | 0,199 | 0,051 | 0,042 |
| Desarrollo de técnicas de marketing (publicidad y promoción) significativamente mejoradas | 0,805 | 0,236 | 0,000 | 0,025 |
Estrategia de conocimiento en explotación. Para medir esta variable empleamos 4 ítems propuestos por Revilla, Prieto y Prado (2010), que estiman el grado en que el desarrollo de productos está basado en las experiencias pasadas y el conocimiento existente. De este modo, la explotación se asocia con el refinamiento, la producción, la eficiencia, la selección, la implementación y la ejecución de conocimiento ya existente.
Además se incluyen en el trabajo diferentes variables de control. El tamaño de la empresa medido con el número de empleados. La edad de la empresa como el total de años que lleva en activo. El tipo de empresa se refiere al carácter subsidiario o independiente de la empresa. Para operar con el tipo de actividad turística, hemos agrupado las 12 ramas de actividad, según los códigos CNAE, en 5 grupos de actividades. Identificamos el cluster de pertenencia a través de la ubicación de la sede de la empresa en un área englobada dentro de un cluster (Bell, 2005). En cuanto a las variables del entorno, hemos medido la hostilidad con una escala adaptada de Covin, Slevin y Heeley (2000), y el dinamismo del mercado y la turbulencia tecnológica con las escalas propuestas por Jaworski y Kohli (1993).
Para aproximarnos a las características de las empresas de la muestra, en la tabla 2 recogemos la estadística descriptiva de los principales constructos y variables cuantitativas. También destacamos que el 13,0% de las empresas son subsidiarias y el 87%, independientes. En cuanto al tipo de actividad turística, la muestra se distribuyen de la siguiente forma: Servicios de alojamiento 44,2%; Servicios de comidas y bebidas 39,1%; Transportes de pasajeros y alquiler de vehículos de motor 2,8%; Actividades de agencias de viajes, operadores turísticos, servicios de reservas y actividades relacionadas con los mismos 3,7%, y Actividades artísticas, culturales y deportivas 10,2%f. Finalmente, las empresas de la muestra se localizan en los siguientes clusters: Alcalá de Henares 7,4%; Ávila 4,2%; Cáceres 5,1%; Córdoba 14,9%; Cuenca 5,6%; Eivissa 7,9%; Mérida 2,8%; Salamanca 13,5%; San Cristóbal de la Laguna 5,6%; Santiago de Compostela 8,4%; Segovia 5,6%; Tarragona 9,3% y Toledo 9,8%.
Estadística descriptiva
| n | Media | Desviación típica | Mínimo | Máximo | |
|---|---|---|---|---|---|
| Tamaño | 211 | 4 | 21,51 | 3 | 115 |
| Edad | 204 | 2 | 19,27 | 0 | 127 |
| Hostilidad del entorno | 214 | 5,39 | 1,45 | 1 | 7 |
| Dinamismo del mercado | 214 | 4,77 | 1,64 | 1 | 7 |
| Turbulencia tecnológica | 214 | 4,45 | 1,63 | 1 | 7 |
| Bonding capital | 215 | 4,54 | 1,56 | 1 | 7 |
| Estrategia de conocimiento en explotación | 214 | 5,13 | 1,26 | 1 | 7 |
| Innovación incremental | 215 | 4,53 | 1,46 | 1 | 7 |
El análisis de los datos lo hemos realizado mediante el análisis de ecuaciones estructurales, ya que tiene algunas ventajas sobre las técnicas multivariantes tradicionales (Haenlein y Kaplan, 2004). Concretamente, hemos utilizado la técnica Parcial Least Squares (PLS) con el software SmartPLS. PLS se recomienda para el análisis de datos durante la fase inicial de desarrollo de la teoría, durante la cual el modelo teórico y sus medidas no están correcta o definitivamente formados (Vitell, Ramos y Nishihara, 2010). Además, las técnicas de Structural equation models (SEM) se recomiendan especialmente para poner a prueba la hipótesis de la mediación (James, Mulaik y Brett, 2006). Podemos encontrar varios estudios recientes que analizan el efecto de la mediación con la técnica PLS (por ejemplo, García-Villaverde, Ruiz-Ortega y Parra-Requena, 2012; Martínez-Cañas et al., 2012). Para determinar la significatividad estadística de los coeficientes tratados en el modelo estructural, utilizamos la técnica de remuestreo Bootstrap con 500 submuestras. Además, analizamos el modelo estructural a través del valor y la significatividad de los coeficientes path estandarizados β y los valores R2 de las variables dependientes.
4ResultadosAntes de evaluar el modelo de medida y el modelo estructural, debemos desarrollar el constructo de segundo orden —el bonding capital, medido mediante la fortaleza y la densidad—. Los indicadores por dimensión no son homogéneos, por lo que utilizaremos el método de aproximación por pasos —construcción por medio de latent variable scores—.
4.1Evaluación del modelo de medidaPara poder afirmar que existe un buen modelo de medida, en primer lugar analizamos la fiabilidad individual de los ítems a través de las cargas (λ) para los indicadores relacionados con el concepto de bonding capital y los 2 constructos de primer orden de fortaleza y densidad. Todos los ítems muestran un valor superior al mínimo de 0,707 establecido (Carmines y Zeller, 1979). En cuanto a la fiabilidad compuesta (ρc), todos los constructos empleados en el estudio, incluido el constructo de segundo orden, presentan valores superiores al 0,8 recomendado por Nunally (1978), necesario para que se cumpla la fiabilidad conjunta de las escalas (tabla 3). También estudiamos la varianza extraída media (AVE) de todos los constructos para analizar la validez convergente, siendo en todos los casos superior al 0,5 recomendado por Fornell y Larcker (1981).
Fiabilidad y validez convergente de las escalas de medida
| Constructo | Composite Reability | AVE |
|---|---|---|
| Bonding capitala | 0,864 | 0,761 |
| Fortaleza | 0,882 | 0,651 |
| Densidad | 0,942 | 0,890 |
| Estrategia de conocimiento en explotación | 0,946 | 0,814 |
| Innovación incremental | 0,945 | 0,711 |
| Hostilidad del entorno | 0,807 | 0,592 |
| Dinamismo del mercado | 0,868 | 0,688 |
| Turbulencia tecnológica | 0,892 | 0,673 |
Además comprobamos la validez discriminante a través de la introducción de la raíz cuadrada del AVE en la diagonal de la tabla de correlaciones entre constructos (tablas 4 y 5), que es superior al valor de la correlación entre ellos (Fornell y Larcker, 1981), tanto para la fortaleza y densidad como para el constructo de segundo orden.
Validez discriminante de las escalas de medida i
| Constructo | Fortaleza | Densidad | Estrategia de conocimiento en explotación | Innovación incremental | Hostilidad del entorno | Dinamismo del mercado | Turbulencia tecnológica |
|---|---|---|---|---|---|---|---|
| Fortaleza | 0,807 | ||||||
| Densidad | 0,525 | 0,943 | |||||
| Estrategia de conocimiento en explotación | 0,439 | 0,376 | 0,902 | ||||
| Innovación incremental | 0,289 | 0,246 | 0,530 | 0,843 | |||
| Hostilidad del entorno | 0,115 | 0,179 | 0,257 | 0,091 | 0,769 | ||
| Dinamismo del mercado | 0,208 | 0,190 | 0,268 | 0,353 | 0,174 | 0,829 | |
| Turbulencia tecnológica | 0,147 | 0,121 | 0,278 | 0,338 | 0,152 | 0,376 | 0,820 |
En negrita: raíz cuadrada del AVE.
Validez discriminante de las escalas de medida ii
| Constructo | Bonding capital | Estrategia de conocimiento en explotación | Innovación incremental | Hostilidad del entorno | Dinamismo del mercado | Turbulencia tecnológica |
|---|---|---|---|---|---|---|
| Bonding capital | 0,873 | 0,469 | 0,308 | 0,165 | 0,228 | 0,154 |
En negrita: raíz cuadrada del AVE.
Completamos el análisis de la validez discriminante con la prueba de las cargas cruzadas. Todos los indicadores de cada constructo muestran una mayor carga para el constructo al que pertenecen y cada constructo tiene un mayor peso sobre sus indicadores (tabla 6), también para el constructo de segundo orden (tabla 7).
Validez discriminante de las escalas de medida iii
| Ítems | INT | DEN | EXP | INC | HOS | DIN | TUR |
|---|---|---|---|---|---|---|---|
| Nos relacionamos frecuentemente con nuestros contactos | 0,804 | 0,359 | 0,351 | 0,252 | 0,102 | 0,118 | 0,077 |
| Conocemos a nuestros contactos de manera personal | 0,809 | 0,353 | 0,357 | 0,161 | 0,093 | 0,150 | 0,043 |
| Tenemos relaciones sociales estrechas con nuestros contactos | 0,815 | 0,537 | 0,318 | 0,237 | 0,015 | 0,217 | 0,106 |
| Los recursos e información que intercambiamos con nuestros contactos suelen ser similares | 0,798 | 0,443 | 0,385 | 0,270 | 0,148 | 0,186 | 0,228 |
| Los contactos con los que nos relacionamos frecuentemente suelen conocerse entre sí | 0,539 | 0,943 | 0,359 | 0,226 | 0,187 | 0,178 | 0,080 |
| Los contactos de los que recibimos consejos e información útil para tomar decisiones importantes se conocen entre sí | 0,450 | 0,943 | 0,351 | 0,238 | 0,151 | 0,180 | 0,149 |
| Identificamos, combinamos y reutilizamos elementos valiosos del conocimiento del que disponemos | 0,423 | 0,398 | 0,908 | 0,464 | 0,222 | 0,202 | 0,231 |
| Utilizamos y ajustamos los conocimientos existentes y las competencias relacionadas con los servicios ofrecidos | 0,436 | 0,371 | 0,938 | 0,487 | 0,257 | 0,246 | 0,286 |
| Integramos formas nuevas y existentes de hacer las cosas sin dejar de ser eficientes | 0,360 | 0,295 | 0,890 | 0,493 | 0,267 | 0,267 | 0,265 |
| Ponemos en funcionamiento lecciones aprendidas en otras actividades de la empresa | 0,361 | 0,288 | 0,871 | 0,468 | 0,175 | 0,254 | 0,219 |
| Desarrollo productos o servicios significativamente mejorados ofrecidos a los clientes últimos 5 años | 0,276 | 0,225 | 0,470 | 0,755 | −0,008 | 0,252 | 0,261 |
| Desarrollo proceso productivo/prestación del servicio significativamente mejorado últimos 5 años | 0,255 | 0,202 | 0,431 | 0,848 | 0,134 | 0,275 | 0,258 |
| Desarrollo distribución y reparto del producto/servicio significativamente mejorados últimos 5 años | 0,244 | 0,233 | 0,406 | 0,845 | 0,014 | 0,313 | 0,316 |
| Desarrollo comercialización y venta del producto/servicio significativamente mejoradas últimos 5 años | 0,281 | 0,239 | 0,459 | 0,875 | 0,102 | 0,326 | 0,262 |
| Desarrollo estrategia de negocio significativamente mejorada últimos 5 años | 0,225 | 0,216 | 0,470 | 0,881 | 0,107 | 0,302 | 0,312 |
| Desarrollo técnicas de gestión significativamente mejoradas últimos 5 años | 0,237 | 0,181 | 0,444 | 0,857 | 0,090 | 0,288 | 0,300 |
| Desarrollo técnicas de marketing (publicidad y promoción) significativamente mejoradas últimos 5 años | 0,190 | 0,157 | 0,448 | 0,836 | 0,092 | 0,320 | 0,282 |
| En nuestro sector la proporción de empresas que fracasan es alta | 0,000 | 0,156 | 0,114 | 0,038 | 0,532 | 0,127 | 0,085 |
| En nuestro sector la intensidad competitiva en precios es alta | 0,088 | 0,073 | 0,192 | 0,114 | 0,843 | 0,104 | 0,113 |
| En nuestro sector el número de competidores es alto | 0,136 | 0,196 | 0,258 | 0,054 | 0,885 | 0,173 | 0,146 |
| En nuestro sector las demandas y preferencias de los clientes cambian muy rápidamente | 0,154 | 0,130 | 0,155 | 0,192 | 0,330 | 0,759 | 0,206 |
| Los nuevos clientes tienden a tener necesidades de producto diferentes a las de los clientes existentes | 0,095 | 0,148 | 0,138 | 0,305 | 0,010 | 0,830 | 0,332 |
| Los clientes de nuestro sector tienden a buscar nuevos productos constantemente | 0,242 | 0,183 | 0,323 | 0,347 | 0,144 | 0,894 | 0,365 |
| En nuestro sector la tecnología cambia rápidamente | 0,110 | 0,129 | 0,189 | 0,185 | 0,165 | 0,365 | 0,813 |
| En nuestro sector los cambios tecnológicos proporcionan grandes oportunidades | 0,135 | 0,070 | 0,225 | 0,267 | 0,125 | 0,322 | 0,883 |
| En nuestro sector es muy difícil predecir dónde estará la tecnología en los próximos años | 0,110 | 0,123 | 0,221 | 0,248 | 0,150 | 0,262 | 0,750 |
| En nuestro sector un gran número de nuevas ideas de productos han sido posibles gracias a los avances tecnológicos | 0,122 | 0,088 | 0,260 | 0,362 | 0,082 | 0,302 | 0,831 |
En negrita: carga de cada constructo sobre sus indicadores.
La evaluación del modelo estructural nos permite determinar si se corroboran o no las hipótesis planteadas. En relación con la primera hipótesis (tabla 8), los datos revelan que el bonding capital tiene una influencia positiva y significativa sobre la innovación incremental de las empresas pertenecientes a un cluster de turismo cultural (H1: β=0,206, p<0,01). Por tanto, podemos aceptar la hipótesis 1. Además, 6 de las 8 variables de control también tienen una influencia significativa.
Efecto directo del bonding capital sobre la innovación incremental
| Constructo | Path | t | R2 |
|---|---|---|---|
| Bonding capital | 0,206 | 3,081*** | 0,290 |
| Tamaño | 0,132 | 2,339*** | |
| Edad | −0,047 | 0,942ns | |
| Tipo empresa | −0,145 | 2,591*** | |
| Tipo actividad | −0,076 | 1,304* | |
| Cluster pertenencia | 0,118 | 2,144** | |
| Hostilidad del entorno | 0,022 | 0,389ns | |
| Dinamismo del mercado | 0,200 | 2,695*** | |
| Turbulencia tecnológica | 0,204 | 3,069*** |
n=215.
ns: no significativo.
La segunda hipótesis también se acepta (tabla 9). El valor t indica que la variable independiente ejerce una influencia positiva y significativa sobre la variable dependiente (β=0,376, p<0,001). También en este modelo, 6 de las 8 variables de control muestran una relación significativa.
Efecto directo del bonding capital sobre la estrategia de conocimiento en explotación
| Constructo | Path | T | R2 |
|---|---|---|---|
| Bonding capital | 0,376 | 5,693**** | 0,333 |
| Tamaño | 0,109 | 2,329*** | |
| Edad | −0,139 | 2,631*** | |
| Tipo empresa | −0,027 | 0,771ns | |
| Tipo actividad | 0,080 | 1,527* | |
| Cluster pertenencia | 0,091 | 1,715** | |
| Hostilidad del entorno | 0,167 | 2,652*** | |
| Dinamismo del mercado | 0,062 | 1,164ns | |
| Turbulencia tecnológica | 0,165 | 2,608*** |
n=215.
ns: no significativo.
Igualmente se acepta la tercera hipótesis (tabla 10), ya que la estrategia de conocimiento en explotación incide positivamente en la innovación incremental con un elevado nivel de significatividad (β=0,422, p<0,001). En este caso, 7 variables de control tienen una influencia significativa sobre la innovación incremental.
Efecto directo de la estrategia de conocimiento en explotación sobre la innovación incremental
| Constructo | Path | t | R2 |
|---|---|---|---|
| Estrategia de conocimiento en explotación | 0,422 | 5,477**** | 0,406 |
| Tamaño | 0,084 | 1,739** | |
| Edad | 0,011 | 0,278ns | |
| Tipo empresa | −0,131 | 2,202** | |
| Tipo actividad | −0,115 | 1,786** | |
| Cluster pertenencia | 0,079 | 1,636* | |
| Hostilidad del entorno | −0,073 | 1,308* | |
| Dinamismo del mercado | 0,178 | 2,649*** | |
| Turbulencia tecnológica | 0,133 | 2,143** |
n=215.
ns: no significativo.
Para corroborar el efecto mediador planteado en la cuarta hipótesis deben cumplirse las 4 condiciones propuestas por Baron y Kenny (1986). Las 3 primeras condiciones se satisfacen al aceptarse las 3 primeras hipótesis. Para aceptar la cuarta condición, comprobamos que cuando introducimos en el modelo la variable mediadora, el efecto directo que ejercía el bonding capital sobre la innovación incremental ha disminuido sustancialmente (β=0,05) y, además, pasa a ser no significativo (t=1,111). Por tanto, se confirma que la estrategia de conocimiento en explotación media totalmente la relación entre el bonding capital y la innovación incremental, corroborándose así la hipótesis 4. Para reforzar los resultados del efecto mediación calculamos el valor del efecto indirecto del bonding capital sobre la innovación incremental a través de la estrategia de conocimiento en explotación. El test de Sobel (1982) nos permite comprobar que el valor resultante de la multiplicación de los caminos estructurales significativos es 0,159, y el efecto indirecto es significativo (z=4,97, p<0,001). Además, completamos las pruebas anteriores con la técnica del remuestreo bootstrapping de Preacher y Hayes (2004). De este modo, podemos confirmar el efecto indirecto del bonding capital sobre la innovación incremental a través de la estrategia de conocimiento en explotación.
Los resultados del modelo conjunto se presentan en la figura 1, donde se puede observar que el efecto inicial que poseía en el modelo inicial el bonding capital sobre la innovación incremental desaparece (β=0,050, no significativo), produciéndose una mediación total. Además, se explica un 40,6% de la varianza de la innovación incremental de las empresas pertenecientes a un cluster de turismo cultural.
Por último, calculamos el índice GoF de bondad del ajuste (Tenenhaus, Vinzi, Chatelin y Lauro, 2005) a través de la raíz de la media del AVE por la media del R2, para asegurar el mayor ajuste del modelo a través del efecto mediador. Los valores son de 0,446 para el modelo del efecto directo del bonding capital sobre la innovación incremental y de 0,511 para el modelo conjunto en el que introducimos la variable mediadora. Ambos valores están por encima del valor mínimo recomendado de 0,31. Por lo tanto, podemos afirmar que se ha mejorado el ajuste del modelo inicial, como se comprueba también con el incremento del R2, que pasa de 0,290 en el primer modelo a 0,406 en el modelo final.
5Discusión y conclusionesEn este trabajo analizamos cómo la estrategia de conocimiento en explotación incide en la innovación incremental que desarrollan las empresas que disponen de bonding capital en el ámbito de un cluster de turismo cultural. Los resultados del modelo inicial muestran que las empresas que se localizan en una red social densa y con vínculos fuertes tienden a desarrollar más innovaciones de tipo incremental. También encontramos una fuerte asociación positiva del bonding capital con la estrategia de conocimiento en explotación, y de esta con la innovación incremental. No obstante, cuando introducimos la estrategia de conocimiento en explotación en el modelo estructural conjunto, detectamos un efecto indirecto significativo del bonding capital sobre la innovación incremental a través de la implantación de una estrategia de conocimiento en explotación. Además, la significatividad de la relación inicial entre el bonding capital y la innovación incremental desaparece bajo el efecto de la estrategia de conocimiento en explotación, confirmándose así su efecto mediador total entre el bonding capital y la innovación incremental.
Con este trabajo hemos integrado 3 perspectivas teóricas para el estudio de la innovación: la teoría del capital social, el enfoque basado en el conocimiento y la perspectiva territorial. La principal contribución de este trabajo ha sido la mejora de la riqueza informativa de modelos anteriores con la introducción del efecto mediador de la estrategia de conocimiento en explotación. Esta variable mediadora nos permite explicar mejor el proceso causal que conduce al bonding capital a una mayor generación de innovación incremental en el ámbito de un cluster de turismo cultural. Otra aportación interesante es la contrastación del modelo en el contexto de los clusters de turismo cultural, que han sido poco analizados hasta el momento.
Entre las limitaciones de este trabajo reconocemos el posible sesgo de medida de las variables, aunque se han realizado controles para reducirlo. El estudio es de corte transversal, si bien la complejidad para medir las variables analizadas dificulta el desarrollo de un estudio longitudinal. Además, somos conscientes de que este modelo solo explica parcialmente la innovación incremental generada por las empresas de los clusters de turismo cultural.
Del estudio realizado se derivan diversas líneas de investigación. En primer lugar, proponemos profundizar en las relaciones entre diversos tipos de capital social e innovaciones, incorporando nuevos factores mediadores y moderadores que pueden afectar a la relación. Además, sería interesante explorar el rol que juegan otros actores en los procesos de innovación de los clusters de turismo cultural, como las cadenas hoteleras y de restauración, los intermediarios turísticos o las instituciones.
A partir de los resultados de este trabajo, recomendamos a las empresas de los clusters de turismo cultural que orienten sus relaciones con el resto de agentes del cluster para desarrollar estrategias de conocimiento en explotación que mejoren sus resultados de innovación. También sería recomendable que interactúen con empresas externas al cluster e instituciones tanto locales como de un ámbito geográfico superior, para evitar las limitaciones para innovar derivadas de la información redundante que se genera entre los agentes internos al cluster.
Se define la estrategia de conocimiento como el conjunto de elecciones estratégicas que forman y dirigen los procesos de aprendizaje organizativo y determinan la base de conocimiento de la empresa (Bierly y Chakrabarti, 1996; Zack, 1999).
La información fue recogida entre mayo y septiembre de 2012.
Estas ciudades son las siguientes: Alcalá de Henares, Ávila, Cáceres, Córdoba, Cuenca, Ibiza, Mérida, Salamanca, Santiago de Compostela, Segovia, San Cristóbal de la Laguna, Tarragona y Toledo.
Las actividades económicas incluidas según el código CNAE-09 son: 491) Transporte interurbano de pasajeros por ferrocarril, 493) Otro transporte terrestre de pasajeros, 501) Transporte marítimo de pasajeros, 503) Transporte de pasajeros por vías navegables interiores, 511) Transporte aéreo de pasajeros, 55) Servicios de alojamiento, 56) Servicios de comidas y bebidas, 771) Alquiler de vehículos de motor, 79) Actividades de agencias de viajes, operadores turísticos, servicios de reservas y actividades relacionadas con los mismos, 90) Actividades de creación, artísticas y espectáculos, 91) Actividades de bibliotecas, archivos, museos y otras actividades culturales y 93) Actividades deportivas, recreativas y de entretenimiento.
Mediante un test de diferencia de medias comprobamos que no existen diferencias significativas para los factores incorporados en el modelo entre los grupos de empresas que desarrollan las actividades de servicios de alojamiento, servicios de comidas y bebidas, y el resto de empresas.
www.publicationethics.org.