ads:
U
NIVERSIDADE
P
RESBITERIANA
M
ACKENZIE
C
ENTRO DE
C
IÊNCIAS
S
OCIAIS E
A
PLICADAS
P
ROGRAMA DE
P
ÓS
-G
RADUAÇÃO EM
A
DMINISTRAÇÃO DE
E
MPRESAS
A
INFLUÊNCIA DA INOVAÇÃO NO DESEMPENHO DAS FIRMAS NO
BRASIL
D
AVID
F
ERREIRA
L
OPES
S
ANTOS
São Paulo
2009
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
D
AVID
F
ERREIRA
L
OPES
S
ANTOS
A
I
NFLUÊNCIA DA
I
NOVAÇÃO NO
D
ESEMPENHO DAS FIRMAS NO
B
RASIL
Tese apresentada ao Programa de Pós-
Graduação em Administração de Empresas
da Universidade Presbiteriana Mackenzie
para a obtenção do título de Doutor em
Administração de Empresas.
O
RIENTADOR
:
P
ROF
.
D
R
.
L
EONARDO
F
ERNANDO
C
RUZ
B
ASSO
São Paulo
2009
ads:
R
EITOR DA
U
NIVERSIDADE
P
RESBITERIANA
M
ACKENZIE
P
ROFESSOR
D
R
.
M
ANASSÉS
C
LAUDINO
F
ONTELES
D
ECANO DE
P
ESQUISA E
P
ÓS
-G
RADUAÇÃO
P
ROFESSORA
D
RA
.
S
ANDRA
M
ARIA
D
OTTO
S
TUMP
D
IRETOR DO
C
ENTRO DE
C
IÊNCIAS
S
OCIAIS E
A
PLICADAS
P
ROFESSOR
D
R
.
R
EYNALDO
C
AVALHEIRO
M
ARCONDES
C
OORDENADORA DO
P
ROGRAMA DE
P
ÓS
-G
RADUAÇÃO EM
A
DMINISTRAÇÃO DE
E
MPRESAS
P
ROFESSORA
D
RA
.
D
ARCY
M
ITIKO
H
ANASHIRO
Dedico este trabalho a minha mãe, Míria Ferreira
Lopes, que abdicou de sua vida para me entregar
o melhor.
Agradecimentos
Agradeço ao meu orientador, Prof. Dr. Leonardo Fernando Cruz Basso pela confiança, apoio,
orientações e enriquecimento do trabalho.
Ao Prof. Dr. Emerson Fernandes Marçal e Prof. Dr. Ruy Quadros Carvalho, que ofereceram
valiosas contribuições quando participaram da banca examinadora no exame de qualificação.
À minha esposa, Danielle Riegermann, que sempre me apoiou e incentivou, mesmo nos
momentos difíceis. Ao longo deste período demonstrou paciência, amor, carinho, respeito e
dedicação ao nosso relacionamento, permitindo que resultados como esse engrandeçam os
laços que nos mantém.
À minha irmã Luciane Ferreira Lopes Santos pelo amor, carinho, preocupação e apoio; ao
meu irmão Washington Carlos Lopes Santos, pela admiração e apoio.
À PETROBRAS, nas pessoas do Gerente Geral da Unidade de Negócio de Exploração e
Produção no Rio Grande do Norte e Ceará, Fernando Lima; o Gerente do Suporte Operacional,
Emerson Vital pela confiança e financiamento parcial do curso
Ao meu gerente Macilon Ribeiro, que desde o início sempre me apoiou, confiou no meu
trabalho e esforço, intercedeu junto à empresa pelo apoio formal e no decorrer desta pesquisa
demonstrou sincera amizade.
Aos meus amigos Carlos Augusto Barcellos Veloso e Luiz Fernando de Almeida que sempre
me apoiaram nesta empreitada, muitas vezes lendo vários “rascunhos” e contribuindo com
suas valiosas críticas, além das suas palavras de incentivo.
A todos os meus tios e primos pelo apoio incondicional, pela admiração, pelo incentivo e
reconhecimento, além da aceitação da minha ausência.
Aos meus alunos e ex-alunos da Universidade Estácio de Sá, Universidade Potiguar e
Faculdade de Ciência e Tecnologia Mater Christi pelo incentivo e respeito quando dos
momentos de ausência.
Ao Prof. Carlos Roberto Fernandes de Araújo pelo apoio quando da admissão no Programa,
tendo sido para mim um grande exemplo de profissional.
Ao Prof. Veriano Catinin pelo exemplo de profissional, pelo apoio, incentivo e direção.
Ao IBGE, especialmente ao Carlos Lessa e sua equipe, que gentilmente nos atenderam e me
apoiaram no Rio de Janeiro.
Ao Arnaldo, pela dedicação, amizade e apoio nos trabalhos realizados no IBGE.
Ao Mackpesquisa, pelo financiamento recebido para realização deste estudo.
Aos professores do Programa de Doutorado em Administração de Empresas do Mackenzie,
pelos ensinamentos e apoio a realização do curso.
Aos funcionários do Mackenzie, em especial, a Dagmar Dollinger pela presteza e cordialidade
em que desenvolve seu trabalho.
Enfim, a todas as outras pessoas que tiveram importância nesse desafio. Em alguns casos, em
simples gestos de incentivo ou compreensão, porém de grande importância para este trabalho.
Ciente de que minha memória cometerá enganos, prefiro deixar inconcluso o registro dos que
contribuíram certo da compreensão e generosidade destes.
“Talvez não tenhamos conseguido fazer o melhor. Mas
lutamos para que o melhor fosse feito. Não somos o que
deveríamos ser, não somos o que iremos ser, mas graças a
Deus não somos o que éramos”.
Martir Luther King
S
UMÁRIO
1.
I
NTRODUÇÃO
.........................................................................................................................20
2.
O
BJETIVO GERAL
..................................................................................................................28
2.1.
O
BJETIVOS ESPECÍFICOS
...................................................................................................28
3.
R
EFERENCIAL
T
EÓRICO
.......................................................................................................29
3.1.
F
UNDAMENTOS DA
T
EORIA DA
I
NOVAÇÃO
.......................................................................29
3.2.
I
NOVAÇÃO E
D
ESEMPENHO
...............................................................................................47
3.2.1.
Í
NDICE
B
RASIL DE
I
NOVAÇÃO
........................................................................................62
3.3.
D
ESEMPENHO
....................................................................................................................69
3.4.
I
NOVAÇÃO E
R
ISCO
............................................................................................................74
3.4.1.
F
LUXO DE
C
AIXA
D
ESCONTADO E
R
ISCO
......................................................................77
3.4.2.
O
PÇÕES
R
EAIS E
R
ISCO
..................................................................................................80
3.4.2.1.
O
M
ODELO DE
B
LACK
-S
HOLES
...................................................................................85
3.4.2.2.
M
ODELO
B
INOMINAL
………………………………………………………………..88
3.4.3.
P
ROPOSTA DE
M
ODELO DE
R
ISCO
…………………………………………………….92
4.
P
ROCEDIMENTOS
M
ETODOLÓGICOS
...................................................................................97
4.1.
E
STRUTURA DA
P
ESQUISA
.................................................................................................97
4.2.
L
IMITAÇÃO DO
M
ÉTODO
...................................................................................................98
4.3.
T
ÉCNICAS
E
STATÍSTICAS
...................................................................................................99
4.3.1.
A
NÁLISE
F
ATORIAL
........................................................................................................99
4.3.2.
R
EGRESSÃO
M
ÚLTIPLA
................................................................................................101
4.3.3.
M
ODELAGEM DE
E
QUAÇÕES
E
STRUTURAIS
................................................................102
4.4.
F
ONTE DOS
D
ADOS
...........................................................................................................107
4.4.1.
F
ORMAÇÃO DAS
V
ARIÁVEIS
.........................................................................................113
5.
A
NÁLISE DOS
D
ADOS
..........................................................................................................115
5.1.
C
ARACTERÍSTICAS DA
A
MOSTRA
....................................................................................115
5.2.
A
NÁLISE FATORIAL
.........................................................................................................124
5.3.
M
ODELAGEM DE
E
QUAÇÕES
E
STRUTURAIS
...................................................................134
5.4.
A
NÁLISE DE
R
EGRESSÃO
M
ÚLTIPLA
..............................................................................150
5.5.
M
ODELO DE
R
ISCO
..........................................................................................................156
6.
C
ONCLUSÃO
........................................................................................................................161
R
EFERÊNCIAS
B
IBLIOGRÁFICAS
............................................................................................165
A
NEXO
A.................................................................................................................................174
A
NEXO
B.................................................................................................................................188
A
NEXO
C.................................................................................................................................225
A
NEXO
D.................................................................................................................................256
A
NEXO
E.................................................................................................................................278
A
NEXO
F.................................................................................................................................304
A
NEXO
G.................................................................................................................................310
L
ISTA DE
A
BREVIATURAS E
S
ÍMBOLOS
CEMPRE - Cadastro Central de Empresas
CNPJ - Cadastro Nacional de Pessoas Jurídicas
EBIT - Earning Before Interest and Taxes
EBITDA - Earning Before Interest, Taxes, Depreciation and Amortization
IBGE - Instituto Brasileiro de Geografia e Estatística
IBI - Índice Brasil de Inovação
IAE - Indicador Agregado de Esforço
IAI - Índice de Atividades Inovativas
IAR - Indicador Agregado de Resultado
II - Índice de Impacto Econômico
IP - Índice de Patentes
IRH - Índice de Recursos Humanos
OECD - Organization for Economic Co-operation and Development
PINTEC - Pesquisa de Inovação Tecnológica
P&D - Pesquisa e Desenvolvimento
ROA - Return On Assets
ROE - Return On Equity
ROS Return On Sales
SEM - Structural Equation Modeling
L
ISTA DE
F
IGURA
Figura 1 - Curva de Desenvolvimento da Ciência e Tecnologia
Figura 2 - Esquema da Economia da Inovação
Figura 3 - Principais autores e contribuições para a Teoria da Inovação
Figura 4 - Quadro sistemático do capital humano
Figura 5 – Fórmula detalhada do IBI
Figura 6 – Legenda do IBI
Figura 7 – Diagrama de Caminhos sobre a Influência da Inovação no Desempenho das Firmas
Figura 8 - Movimento de Árvore binominal: movimentos para o valor do ativo
Figura 9 – Estrutura da Pesquisa
Figura 10 – Diagrama de Caminhos sobre a Influência da Inovação no Desempenho das
Firmas
Figura 11 – Modelo Teórico – Teste com a SEM.
Figura 12– Modelo Teórico Ajustado pela Fatorial – Teste com a SEM.
Figura 13 – Construto Inovação (Base Completa)
Figura 14 – Construto Inovação (Base Restrita)
Figura 15 – Construto Inovação Alterado (Base Completa)
Figura 16 – Construto Inovação Alterado (Base Restrita 2005)
Figura 17 – Construto Inovação Alterado (Base Completa 2003)
Figura 18 – Construto Inovação Alterado (Base Restrita 2003)
Figura 19 – Construto Inovação Alterado II (Base Completa 2003)
Figura 20 – Construto Inovação Alterado II (Base Restrita 2003)
Figura 21 – Construto Inovação Alterado (Base Completa 2000)
Figura 22 – Construto Inovação Alterado (Base Completa 2000)
Figura 23 – Construto Inovação Alterado (Base Completa 2000)
Figura 24 – Construto Inovação Alterado (Base Restrita 2000)
Figura 25 – Modelo IBI – Teste com a SEM
L
ISTA DE
T
ABELA
Tabela 1 - Os 10 principais grupos industriais com maior IBI por ordem decrescente
Tabela 2 - Intensidade em RH
Tabela 3 – Orientação para definição de cargas fatoriais.
Tabela 4 – Descrição das variáveis capital humano
Tabela 5- Descrição das variáveis de esforço inovador
Tabela 6- Descrição das variáveis de capital relacional
Tabela 7- Descrição das variáveis de desempenho
Tabela 8 – Variáveis para o capital humano. Ano base 2000.
Tabela 9 – Variáveis para esforço e capital relacional. Ano base 2000.
Tabela 9 – Variáveis para desempenho. Ano base 2000.
Tabela 10 - Variáveis transformadas em Log e padronizadas. Ano base 2000.
Tabela 11 - Distribuição de frequência das empresas segundo CNAE
Tabela 12 - Variáveis para o capital humano. Ano base 2003.
Tabela 13 – Variáveis para esforço e capital relacional. Ano base 2003.
Tabela 14 – Variáveis para desempenho. Ano base 2003.
Tabela 15 - Distribuição de frequência das empresas segundo CNAE
Tabela 16 – Variáveis para o capital humano. Ano base 2005.
Tabela 17 – Variáveis para esforço e capital relacional. Ano base 2005.
Tabela 18 – Variáveis para desempenho. Ano base 2005.
Tabela 19 - Distribuição de frequência das empresas segundo CNAE
Tabela 20 - Estatística Descritiva: Ano 2000.
Tabela 21 - Matriz rotacionada: Ano 2000.
Tabela 22 - Estatística Descritiva: Ano 2003.
Tabela 23 - Matriz rotacionada: Ano 2003.
Tabela 24 - Estatística Descritiva: Ano 2005.
Tabela 25 - Matriz rotacionada: Ano 2005.
Tabela 26 - Nível de ajuste da SEM. Ano Base: 2005.
Tabela 27 - Nível de ajuste da SEM. Ano Base: 2005.
Tabela 28 - Nível de ajuste da SEM. Ano Base: 2003.
Tabela 29 - Nível de ajuste da SEM. Ano Base: 2000.
Tabela 30 - Comparativo dos pesos padronizados da SEM
Tabela 31 - Importância relativa de cada variável para o desempenho
Tabela 32 - Importância relativa de cada variável para o desempenho
Tabela 33 - Estatística descritiva da regressão. Ano 2005.
Tabela 34 - Resumo da regressão. Ano 2005.
Tabela 35 - Coeficientes da regressão. Ano 2005.
Tabela 36 - Matriz de correlação da regressão. Ano 2005
Tabela 37 - Estatística descritiva da regressão. Ano 2003.
Tabela 38 - Resumo da regressão. Ano 2003.
Tabela 39 - Coeficientes da regressão. Ano 2003.
Tabela 40 - Matriz de correlação da regressão. Ano 2003
Tabela 41 - Estatística descritiva da regressão. Ano 2000.
Tabela 42 - Resumo da regressão. Ano 2000.
Tabela 43 - Coeficientes da regressão. Ano 2000.
Tabela 44 - Matriz de correlação da regressão. Ano 2000.
Tabela 45 - Capacidade de inovar do setor de fabricação de alimentos e bebidas
Tabela 46 - Capacidade de inovar da empresa "X" do setor de fabricação de alimentos e
bebidas.
Tabela 47 - Capacidade de inovar do setor de fabricação de produtos têxteis
Tabela 48 - Capacidade de inovar da empresa "W" do setor de fabricação de produtos têxteis
Tabela 49 - Capacidade de inovar do setor de fabricação de produtos químicos
Tabela 50 - Capacidade de inovar da empresa "K" do setor de fabricação de produtos
químicos
Tabela 51 - Capacidade de inovar do setor de fabricação de produtos siderúrgicos
Tabela 52 - Capacidade de inovar da empresa "L" do setor de fabricação de produtos
siderúrgicos
Tabela 53 - Capacidade de inovar do setor de fabricação de máquinas e equipamentos
Tabela 54 - Capacidade de inovar da empresa "Z" do setor de fabricação máquinas e
equipamentos.
L
ISTA DE
Q
UADRO
Quadro 1 – Testes de ajuste do modeloTESTES DE AJUSTE DO MODELO
Quadro 2 - Divisões e agregações de grupos de classificação nacional das atividades
L
ISTA DE
G
RÁFICO
Gráfico 1 – Quantitativo de empresas das amostras
Resumo
O trabalho foi desenvolvido sob as premissas da teoria evolucionária e da teoria
baseada em recursos de maneira a contribuir com a construção da teoria da inovação, bem
como trabalhar a relação de causalidade entre inovação e desempenho, tendo como objeto de
análise a firma. Desta forma, a pesquisa procurou identificar e influência dos investimentos
em inovação no desempenho empresarial, incluindo a formulação de um modelo de risco para
a capacidade de inovar, enquanto um recurso da empresa. Foram utilizadas as bases da
PINTEC referente os anos de 2000, 2003 e 2005 combinadas com informações financeiras de
bases do SERASA e Gazeta Mercantil, o que permitiu uma amostra média superior a 1.500
empresas para cada ano. A metodologia empregada foi a modelagem de equações estruturais,
face a necessidade de se criar variáveis latentes que melhor explicassem a relação entre
inovação e desempenho. Análise fatorial e de regressão também foram utilizadas como forma
de apoiar o procedimento metodológico adotado. Os resultados confirmaram as hipóteses
estabelecidas, pois foi possível identificar a influência da inovação no desempenho da
empresa por meio das equações estruturais, bem como foi proposta uma nova modelagem
para o risco do recurso inovação, a partir do conhecimento da influência deste no desempenho
da firma.
Palavras chaves: Inovação - Desempenho - Risco - Equações Estruturais
A
BSTRACT
The work was developed under the assumptions of evolutionary theory and the theory-
based resources in order to contribute to the construction of the theory of innovation, and
work the relationship of causality between innovation and performance, with the object of
analysis the firm. Thus, the research sought to identify and influence of investment in
innovation in business performance, including the formulation of a risk model for the ability
to innovate, while an appeal of the company. We used the basis of PINTEC concerning the
years 2000, 2003 and 2005 combined with financial reporting bases of Serasa and Gazeta
Mercantil, which has a sample average of more than 1,500 companies each year. The
methodology employed was structural equation modeling, given the need to create latent
variables that best explain the relationship between innovation and performance. Factor
analysis and regression were also used as a way to support the methodological procedure
adopted. The results confirmed the hypothesis set, it was possible to identify the influence of
innovation in the company's performance by means of structural equation and a new model
was proposed for the risk of resource innovation, from knowledge of the influence of the
performance of the firm .
Keywords:
Innovation - Performance - Risk - Structural Equations
1. I
NTRODUÇÃO
O interesse na compreensão do fenômeno inovação dentro das organizações e da
própria sociedade é recente (TIGRE, 2005). Apesar de registros identificarem no pensamento
de autores clássicos como Adam Smith e Karl Marx a influência da inovação no sistema
capitalista, foi apenas nos trabalhos de Schumpeter que a inovação recebeu um tratamento
específico e passou a ser considerada um dos vetores do crescimento econômico (PINTO E
RIOS, 2006), (TRIGRE, 2005), (FREEMAN e SOET, 1999) e (GRUPP, 1998). Assim, a
inovação, enquanto objeto de pesquisa tem recebido uma atenção crescente desde a segunda
década do último século, sendo que os estudos empíricos que tratam as relações entre as
variáveis inovação e desempenho empresarial são cada vez mais freqüentes desde o artigo
seminal de Solow (1957).
Entretanto, as diversidades de resultados das pesquisas vêem impulsionando outros
trabalhos no âmbito acadêmico para um melhor entendimento das causas e efeitos da
inovação dentro das organizações. A heterogeneidade de variáveis, as dificuldades em
compreender as relações e distinguir as ambigüidades têm dificultado a análise de pesquisas
nesta área (CAINELLI, EVANGELISTA e SAVONA, 2004).
O avanço tecnológico experimentado pela sociedade contemporânea no último século
alçou a inovação como uma estratégia competitiva para as organizações (BESANKO, et al.,
2006), em especial, àquelas que atuam em ambientes de hipercompetitividade. Para Drucker
(1999) a inovação em produtos e processos expressa uma característica da sociedade
contemporânea dominada pelo avanço do conhecimento e de suas aplicações. Em
consonância com as idéias de Schumpeter Drucker afirma que a inovação é uma das
principais ferramentas impulsionadoras do crescimento econômico nas sociedades capitalistas
(DRUCKER, 1999).
21
Alguns autores afirmam que o crescimento econômico desigual dos países ao redor do
mundo é uma conseqüência das diferenças de investimentos no desenvolvimento e aplicação
do conhecimento, especialmente aqueles destinados a geração de bens e serviços para o meio
civil. A partir de dados agregados macroeconômicos diversos trabalhos têm sido publicados
para explicar as condições econômicas dos países, a partir, de um ambiente propício a
inovação desenvolvida por estes (CASSIOLATO, et al., 2007) (HINLOOPEN, 2003) e
(DENYER e NEELY, 2004).
As diversas mudanças tecnológicas ocorridas no último século lideradas pelas
inovações nas áreas de engenharia de materiais, eletroeletrônica, telecomunicações,
tecnologia de informação e às resultantes da combinação da biologia com a ciência da
computação, como nanotecnologia, alteraram e estão modificando as estruturas empresariais,
comportamento de consumidores e os próprios valores da sociedade de uma forma geral
(QUINTELLA, 2001).
A visibilidade que as mudanças ao nível tecnológico e de gestão trouxeram para todos
os estratos da sociedade não é capaz de explicar de forma precisa as causas e os reais efeitos
que os investimentos em inovação entregam para as empresas individualmente e para a
sociedade. Este fato tem proporcionado a publicação de diversos artigos comerciais e a
promoção de muitos eventos que em diversas oportunidades são tomados pelo entusiasmo e as
discussões não refletem os resultados das pesquisas empíricas empreendidas em vários países
e setores da economia. Se aceita facilmente a hipótese de que quanto maior o grau de
inovação ou a capacidade de inovar, maior será a sustentabilidade das organizações, países e
até mesmo das famílias (DENYER e NEELY, 2004).
Apesar de receber um melhor tratamento na disciplina de economia industrial a Teoria
da Inovação tem se constituído um campo de pesquisa específico, a partir de inúmeras
contribuições das mais diversas áreas do conhecimento, principalmente aquelas oriundas dos
estudos organizacionais e econômicos, formando assim um corpo teórico sólido em
construção.
As premissas que têm norteado o desenvolvimento de novas pesquisas estão sendo
testadas por várias metodologias qualitativas e quantitativas visando um melhor tratamento
22
dos dados e por conseqüência o aumento da confiabilidade e validade dos resultados
(CAINELLI, EVANGELISTA e SAVONA, 2004).
Em razão da natureza intangível dos investimentos em inovação, a importância em
mensurar o valor da capacidade de inovar das firmas ou mesmo saber a influência do sistema
inovação nos resultados das empresas é latente, motivando diversos trabalhos empíricos nesta
área.
O interesse em se analisar a relação existente entre inovação e desempenho
empresarial está na perspectiva de entender inovação como um investimento que, por
conseqüência precisa entregar um valor adicional às organizações num determinado momento
do tempo, considerando o risco associado à expectativa de resultados futuros (ROSS,
WESTERFIELD e JAFFE, 2002).
Quando se trata inovação como investimento deve-se considerar que este terá impacto
na geração de fluxo de caixa das empresas. Gersoski, Reenen e Walters (2002) realizaram
uma pesquisa empírica para verificar a relação existente entre inovação e geração de fluxo de
caixa, porém os resultados positivos esperados não foram, o que aponta para a necessidade de
pesquisas mais acuradas sobre os efeitos dos investimentos em inovação no desempenho das
empresas.
Soete e Freeman (1999) caracterizam o processo de investimento em inovação como
uma trajetória extremamente incerta, dificultando por conseqüência a mensuração dos
resultados desta aplicação no resultado das organizações. As incertezas que envolvem os
investimentos em inovação auxiliam em explicar a diversidade do comportamento das
empresas que decidem o montante a ser aplicado e a forma como serão gastos segundo o
conjunto de informações que está disponível e a idiossincrasia dos gestores. Essa assimetria
de informação e diversidade de comportamento gerencial são os fatores que tornam as
empresas heterogêneas, mesmo quando fazem parte de um mesmo setor (HU, 2003). Com
efeito, a capacidade de inovar de cada empresa é resultante das alternativas de investimento e
gerenciamento assumidos pelos seus administradores, assumindo assim a perspectiva da
Teoria Baseada em Recursos.
23
MORGANTI (2005) e MARQUES (2007) listaram o esforço teórico na construção de
um mainstream que procura encontrar o relacionamento entre inovação e desempenho das
firmas, estas pesquisas contemplam, CARLSSON, 1994; DOSI, 1990; EISENHARDT e
SCHOONHOVEN, 1990; FREEMAN, 1990 e 1994; UTTERBACK, 1971; HINLOOPEN,
2003; WALKER et. al., 2002; KLOMP e LEEUWEN, 2001; LI e ATUAHENEGIMA, 2001;
GOPALAKRISNAN, 2000; KOSCHATZKY, 1999; MOTOHASHI, 1998; PACELLI et. al.,
1998; EVAGELISTA et. al. 1998; CHANEY e DEVINNEY, 1992; CHANEY, et. al., 1991;
ZAHRA, 1989; DAMANPOUR et. al., 1989; HAMBRICK, 1983. que pode ser adicionado
por HILL e ROTHAERMEL, 2003; PINTO e RIOS, 2006; KLEINSCHIMDT e COOPER,
2000; COOPER, 2001; TSAI, 2001; TYLECOTE e CONESA, 1999; HO, 2003; FEENY e
ROGER, 2003; SALTER e TORBETT 2002; COZZARIN, 2003; VERHEES e
MEULENBERG, 2004; CANIELLI, EVANGELISTA e SAVONA, 2004; DENYER e
NEELY, 2004; BHASKARAN, 2006; LAURSEN e SALTER, 2006; SAMPSON, 2007;
CASSIOLLATO, et. al., 2007; AGRASSI, 1999 e ANDREASSI e SBRAGIA, 2002;
DIEDEREN, VAN MEIJL e WOLTERS, 2002.
A crescente preocupação acadêmica pelo tema pode ser confirmada por uma breve
análise das datas de publicação que se concentram os artigos pesquisados neste trabalho. A
diversidade de setores e países analisados, também, demonstra a amplitude geográfica e
setorial entregue ao fenômeno, o que representa um interesse comum nos mais diversos
centros de pesquisa.
Segundo Morganti (2005) os resultados dos estudos empíricos, ainda, são limitados,
tendo como principais dificuldades: o tratamento metodológico das variáveis e a própria
definição das variáveis explicativas, tendo em vista, a alta correlação existente entre os
construtos criados para definir inovação. Alguns autores sugerem como principal dificuldade
a possível existência de ambigüidade causal entre os construtos (PINTO e ANHOLON,
2006).
No que tange as variáveis explicadas, relativas ao desempenho empresarial, encontra-
se na teoria definições já consolidadas e difundidas no meio acadêmico e que são plenamente
aceitas no âmbito empresarial (DURAND, 1999). Todavia, dentro dos trabalhos analisados,
observa-se a escolha de determinadas variáveis explicadas em detrimento de outras, não
existindo, também, uma definição de quais variáveis deveriam ser usadas. Em adição, as
24
restrições no uso de indicadores de desempenho extraídos de demonstrações contábeis, podem
não expressar a real performance da firma.
No Brasil, algumas pesquisas têm sido publicadas nos últimos anos com objetivo de
apresentar a importância da inovação na estratégia ou no próprio desempenho das firmas
(PROCHNICK E ARAÚJO, 2006), (MARQUES, 2007), (MORGANTI, 2005), (PINTO e
ANHOLON, 2006) e (ANDREASSI, 1999). Andreassi e Sbragia (2002) citam os trabalhos de
Paulinyi (1990) e Matesco (1993) como os pioneiros no cenário brasileiro a buscarem
relações entre gastos com P&D e resultado empresarial.
A dificuldade em conseguir dados seriais e a falta de integração das bases de dados
que tratam inovação e resultados financeiros das firmas limitam as pesquisas empíricas no
Brasil (ANDREASSI e SBRAGIA, 2002 e MORGANTI, 2005). Observa-se o uso de
estatística descritiva e medidas de correlação para destacar a importância da inovação na
performance de firmas (ARRUDA, VERMULM e HOLLANDA, 2006) e do próprio país
(CASSIOLATO, et. al., 2007), entretanto, pesquisas que procuram analisar as relações de
causalidade entre os construtos inovação e desempenho são poucas, onde se destacam os
trabalhos de ANDREASSI (1999), MARQUES (2007) e MORGANTI (2007), todos
destinados à conclusão de cursos de doutorado e mestrado em administração.
A despeito dos resultados alcançados nas pesquisas empíricas no Brasil não serem os
esperados pelos autores, a contribuição destes foram fundamentais para o surgimento de
novas proposições que venham a contribuir para um trabalho mais robusto no futuro. A base
de informação consolidada através da Pesquisa de Inovação Tecnológica no Brasil (PINTEC)
pelo IBGE permitiu o avanço nas pesquisas que tratam o fenômeno inovação nas empresas
instaladas no Brasil, a partir de 2002 quando foi publicada a primeira pesquisa para o período
1998 – 2000.
MORGANTI (2005) e MARQUES (2007) lançaram mão da PINTEC publicada em
2002 para realização de suas pesquisas, onde o primeiro direcionou seus esforços no
entendimento do setor químico Brasileiro e o segundo utilizou oito setores industriais para
compreender a relação da estrutura de capital das firmas com suas estratégias de inovação.
Talles (1999) sem uma base estruturada como a PINTEC focou a relação de P&D no
25
desempenho das firmas por meio de uma pesquisa exploratória, porém sem apresentar forte
associação entre os construtos.
A atenção dedicada à inovação no Brasil tem proporcionado diversos espaços na
sociedade de uma forma geral. Merece destaque à criação em 2006 do Índice Brasil de
Inovação (IBI) pelo Departamento de Política Científica da Universidade Estadual de
Campinas. O índice é formado pela composição de dois indicadores IAE e IAR que
representam esforço para inovar e os resultados alcançados com a inovação, respectivamente
(FURTADO, et. al., 2006).
É neste contexto que se insere este trabalho, onde os construtos referentes ao
fenômeno inovação estão sendo estabelecidos e a intensidade de suas relações com o
desempenho das firmas definidas. Propõem-se convergir às variáveis explicativas já estudadas
na formação de um construto inovação e que, por meio da modelagem de equações
estruturais, não utilizada até o momento, verificar o grau de relacionamento do construto
inovação com as variáveis que representam o desempenho das firmas.
Em adição, será testada uma análise exploratória para avaliar o risco da capacidade de
inovar da empresa. Essa proposta é inédita nos estudos organizacionais, pois parte-se da
premissa que o desempenho das firmas é uma conseqüência dos resultados ocasionados pela
gestão dos seus recursos, portanto quando se considera que a capacidade de inovar da firma é
um recurso e que demanda investimento, este deve ter um risco associado. Essa proposta
abrirá novos horizontes na avaliação dos recursos das empresas, em especial, os intangíveis.
Desta forma, as principais contribuições esperadas por este trabalho são: utilizar as
bases da PINTEC referentes às publicações de 2000, 2003 e 2005, permitindo uma análise
longitudinal, como fonte de informação para o construto inovação. A utilização da
modelagem de equações estruturais como uma ferramenta mais robusta para entender as
relações existentes entre as variáveis e a proposta de um modelo de risco para o recurso
inovação.
Assim sendo, apresenta-se como problema de pesquisa a seguinte questão:
Qual a influência relativa das variáveis que compõem a inovação no desempenho das
firmas no Brasil?
26
Como hipótese da pesquisa, partiu-se do princípio de que:
H1 – Investimento na capacidade de inovar da firma tem influência no seu
desempenho.
H2 - Investimento em capital humano tem influência no desempenho da firma.
H3 - Investimento em capital relacional tem influência no desempenho da firma.
H4 – Investimento no esforço inovador da firma tem influência no seu desempenho.
H5 – Há possibilidade para se avaliar o risco da capacidade de inovar da firma.
As variáveis que formaram o modelo teórico foram definidas a partir de um
levantamento bibliográfico, a priori, sobre a teoria da inovação e pesquisas empíricas que
trabalharam a relação da inovação com o desempenho das organizações, com efeito, os
construtos definidos foram:
Independente Inovação
Dependente Desempenho
Importa destacar, que em razão da natureza e escopo deste trabalho, procurou-se não
se limitar a um único modelo, mas dentro das premissas centrais dos construtos, avaliar
alternativas de relações entre as variáveis de forma a verificar novas possibilidades de
causalidade não identificadas na literatura pesquisada.
A motivação para realização desta pesquisa está na percepção de que se pode gerar um
valor “acadêmico” para este campo do conhecimento, a partir, da utilização da modelagem de
equações estruturais, permitindo que as conclusões do trabalho melhorem o delineamento dos
investimentos em inovação, tendo em vista, que a influência da inovação no desempenho das
firmas será captada de forma relativa. Espera-se ainda, com a abordagem alternativa de risco
proporcionar novos caminhos na Teoria Baseada em Recursos.
O acesso aos dados para realização do estudo, bem como uma completa revisão da
literatura foram os principais desafios para conclusão deste trabalho que teve como principais
limitações a disponibilidade dos dados além do tempo para publicação do relatório final.
27
Todavia, não se tem por objetivo encontrar a definição “verdadeira” sobre as variáveis
a serem utilizadas, mas lançando mão delas entregar resultados robustos que aumentem a
compreensão do relacionamento entre inovação e desempenho. Destarte, espera-se entregar
um trabalho inovador que verse pela clareza, objetividade, confiabilidade e por uma estrutura
metodológica capaz de suportar os resultados.
A fim de permitir um melhor encadeamento da pesquisa, esse trabalho foi construído
em três grandes etapas; o referencial teórico, a metodologia utilizada e a análise dos
resultados da pesquisa. A seguir, são descritos de forma sucinta os objetivos deste trabalho,
para que em seguida seja desenvolvido o referencial teórico. Neste, buscou-se sustentar as
principais premissas sobre inovação, a partir do entendimento que este campo do
conhecimento tem ganhado um caminho próprio dentro da teoria da firma. Também, é
desenvolvida nesta seção a base teórica sobre desempenho e risco empresarial com o objetivo
de suportar as variáveis escolhidas para testar o modelo.
A metodologia utilizada neste trabalho é apresentada na seqüência tendo como pano
de fundo os postulados epistemológicos da doutrina positivista, de maneira que as
possibilidades e limitações dessa escolha são brevemente discutidas. As ferramentas
quantitativas utilizadas são apresentadas com destaque para suas aplicações, potencialidades e
restrições, com o objetivo de esclarecer e validar a escolha.
A análise dos resultados é apresentada na continuidade do texto, onde são
apresentados todos os testes e verificações observadas quando da realização da pesquisa,
sendo uma das partes do trabalho de maior valor e atenção.
No final do trabalho seguem as conclusões, onde são apresentadas as efetivas
contribuições da pesquisa, sejam as assertivas e questionamentos, bem como sugestões para
trabalhos futuros. A bibliografia utilizada para suportar esse empreendimento está apresentada
na seqüência, bem como diversos materiais em anexos para consultas.
28
2.
O
BJETIVO
G
ERAL
• Estudar a relação entre inovação e desempenho
2.1.
O
BJETIVOS
E
SPECÍFICOS
• Revisar a literatura, em especial, pesquisas empíricas que tenham trabalhado a relação
entre inovação e desempenho.
• Construir construtos que representem inovação e desempenho sustentados por uma
sólida base teórica.
• Avaliar os resultados de uma análise de modelagem de equações estruturais em termos
de seu suporte das relações propostas e as possíveis áreas de melhorias dos resultados.
• Aplicar técnicas de modelagem de equações estruturais para problemas como análise
fatorial confirmatória, análise de caminhos e estimação de equações simultâneas.
29
3.
R
EFERENCIAL
T
EÓRICO
3.1
F
UNDAMENTOS DA
T
EORIA DA
I
NOVAÇÃO
A influência dos avanços científicos para a sociedade é observada desde a antiguidade,
todavia a falta de orientação dos povos antigos para acumulação de capital e os valores
econômicos da época não permitiram que Estados como a Grécia e Egito utilizassem os
conhecimentos desenvolvidos para a crescente geração de riqueza (LEKACHMAN, 1973).
Nos últimos três séculos a contribuição dos avanços tecnológicos, a partir da aplicação
do conhecimento científico no desenvolvimento de produtos e processos foi reconhecida e
que, combinado com a consolidação da sociedade de mercado possibilitou um campo
específico para compreender este fenômeno conhecido como inovação (GRUPP, 1998).
Cooper (2001) destaca a importância da inovação em produtos ao longo da história
dos negócios, mas, sobretudo no último século, numa revisão feita pelo autor nas empresas
Top 25 da Fortune entre 1930 e 1980, exceção às empresas da indústria petrolífera apenas a
General Motors e Dupont se manteve na lista. O aumento da participação de empresas das
áreas de serviços e principalmente, aquelas destinadas à pesquisa e desenvolvimento de
tecnologias, nos mais diversos campos do conhecimento têm assumido importante papel na
economia dos países (COOPER, 2001).
A Figura 1 ilustra o avanço tecnológico experimentado pelo mundo no último século e
que continua se propagando a mesma taxa de crescimento. A importância da tecnologia e do
avanço das aplicações científicas na formação da riqueza dos países e das firmas foi um dos
fatores centrais para profundas mudanças nos postulados clássicos das ciências econômicas e
empresariais nas primeiras décadas do Século XX (MALERBA, 2005).
30
Na década de 20 do século passado foram publicados os primeiros artigos de Joseph
Alois Schumpeter sobre os efeitos positivos da inovação nas firmas e nos países,
posicionando-a como uma “mola propulsora” para o crescimento econômico.
Figura 1: Curva de Desenvolvimento da Ciência e Tecnologia
Fonte: FARIAS FILHO, J.R. (2002)
A natureza conceitual inter e multidisciplinar que trata a inovação tem exigido
esforços das mais diversas ciências para que as bases de uma teoria sólida sejam lançadas e
possam auxiliar no entendimento deste fenômeno que, a cada dia, passa a ser força econômica
motriz das empresas e por conseqüência dos países (DRUCKER, 1999).
Reconhece-se na literatura pesquisada que a origem na então denominada Teoria da
Inovação encontra-se nos trabalhos de Schumpeter e nos autores conhecidos por neo-
schumpeterianos. São nos estudos e pesquisas destes autores que estão sedimentadas as bases
desta área do conhecimento, e por conseqüência nortearão os caminhos assumidos para
realização deste trabalho.
31
O esforço acadêmico para melhor compreender a inovação, abordando suas fontes,
processos, resultados e influências no escopo das organizações e dos países tem permitido o
surgimento de diversos conceitos e características sob a égide da inovação, no entanto, faz-se
necessário um delineamento da conceituação a ser assumida nesta pesquisa.
Grupp (1998) ressalta as diferenças nas terminologias utilizadas que em muitas
oportunidades assumem inadvertidamente o que se propõe como inovação. Segundo este
autor, a inovação quando considerada como um verbo - inovar - deve ser entendido por um
processo orientado para resultados que podem ser expressos por novos produtos, novos
sistemas de produção, transporte, sistema de gestão, desenvolvimento de novas fontes de
suprimento de matéria prima e novos mercados, de forma que estas inovações proporcionem
resultados financeiros, conhecidos em Schumpeter (1985) como rents de inovação.
Grupp (1998) esclarece que a inovação é uma conseqüência do desenvolvimento da
ciência e da tecnologia e cujos resultados são alcançados, principalmente, por meio de uma
expressiva atividade de Pesquisa e Desenvolvimento (P&D). Neste sentido, a inovação no
âmbito da empresa é materializada quando há o efetivo surgimento de algo que proporcione
rents, todavia, o seu processo depende substancialmente de investimentos realizados em P&D
e em áreas que sejam capazes de entregar aplicações ao domínio científico e tecnológico
existente. Hu (2003) resume a inovação como “um processo de produção de conhecimento
que requer criatividade e envolve um grau de incerteza, quanto os resultados”, onde se pode
ressaltar a importância entregue ao elemento incerteza.
O processo de inovação é por natureza incerta, quanto aos resultados pretendidos, e à
medida que à área do saber demanda padrões tecnológicos elevados em conhecimento
aplicado, a probabilidade de se conseguir rents de inovação é mais difícil, porém quando há
sucesso pode-se conseguir retornos elevados, pois são essas inovações que alteram os padrões
tecnológicos da indústria.
Schumpeter (1985) classifica as inovações basicamente em dois tipos:
• Radical
• Incremental
32
As inovações radicais são aquelas oriundas do processo de destruição criativa, termo
cunhado para explicar as situações onde há uma ruptura com o paradigma tecnológico ou de
mercado existente para algo completamente novo que pode ser representado por um produto
ou um processo. As mudanças incrementais são aquelas ligadas ao processo de melhoria
contínua que visam consolidar as mudanças radicais e reforçar a posição competitiva das
empresas, assim, as mudanças radicais estão ligadas às atividades de exploração (exploration)
das firmas de novos conhecimentos ou mercados, enquanto que as mudanças incrementais
estão mais combinadas com o processo de explotação (exploitation) dos conhecimentos e
mercados existentes (ADNER, 2005), a diferença de importância entre as duas se dará em
função dos setores de atuação e da compreensão de cada firma individualmente.
O interesse das organizações em inovar está associado a sua necessidade de buscar ou
defender um posicionamento competitivo no mercado (NELSON, 1992). A abordagem das
firmas, segundo o Manual de Oslo (2004), poderá ser reativa, isto é, copiando inovações
propostas por concorrentes ou pró-ativas quando elas são responsáveis pela introdução de
inovações no mercado. A despeito de, o senso comum acreditar que as empresas precisem ser
pró-ativas, há oportunidades em que a inovação é um bem público, ou seja, quando os
benefícios para o domínio público é maior que o privado (clientes e concorrentes se
beneficiam das inovações de uma empresa). Nestas situações as empresas são mais cautelosas
nos investimentos em inovação, tendo em vista que o custo para tornar o conhecimento
disponível para outros usuários é muito baixo, além da impossibilidade da empresa em se
apropriar plenamente do conhecimento desenvolvido dentro dela.
Assim, quando um determinado mercado é caracterizado como bem público, existe a
necessidade da interferência do governo, seja assumindo a responsabilidade pelo processo de
inovação ou pelo incentivo (fiscal ou financeiro) ao ambiente privado no desenvolvimento
desta mudança tecnológica (MANGEMATIN e MANDRAN, 2002).
Grupp (1998) ressalta que a participação direta do governo em investimento em
inovação, está mais relacionada com a pesquisa básica, tendo em vista, que as aplicações para
fins comerciais demandam mais tempo e são tomadas por diversas incertezas. A correta
inserção do poder público no sistema de inovação de um país, a fim, de fomentar o
desenvolvimento tecnológico e corrigir falhas do mercado é destacada em alguns estudos, que
33
propõe a integração entre o governo e as empresas (MANGEMATIN e MANDRAN, 2002),
(HINLOOPEN, 2003), (KLOMP e ROELANDT, 2004) e (LEIPONEN, 2002).
Denyer e Neely (2004) apresentam como direcionadores de políticas no âmbito das
instituições, considerando, tanto as empresas individuais quanto o governo, mecanismos que
facilitem a transferência e exploração de novos conhecimentos, a fim de incrementar a
capacidade das firmas em absorver novos conhecimentos, bem como providenciar o acesso ao
financiamento, em especial o capital de risco. O desenvolvimento de um ambiente que
estimule a competição e o comportamento empreendedor atrelado ao fomento de redes de
relacionamento e colaboração entre os diversos atores, também são propostas dos autores
visando uma estrutura empresarial voltada para inovação.
Neste sentido, alguns estudos empíricos (MANGEMATIN e MANDRAN, 2002),
(HINLOOPEN, 2003), (KLOMP e ROELANDT, 2004) e (LEIPONEN, 2002) apontam para
que um maior grau de investimento público em pesquisas nas universidades ou centros de
pesquisa numa determinada região, influenciam positivamente a propensão para inovar das
empresas no seu entorno, permitindo assim um crescimento econômico proporcionado por
ganhos de produtividade, tendo em vista a formação de mão de obra qualificada além da
tendência natural da aproximação de atividades correlatas para as proximidades geográficas.
As empresas precisam ter capacidade para absorver o conhecimento que está sendo
produzido nas mais diversas instituições. Alguns autores sugerem que em setores onde há um
maior investimento público em pesquisa numa área específica existe maior intensidade de
inovação que será captada, apenas, por empresas hábeis na apropriação destes benefícios
ocasionados por uma externalidade (KLOMP e ROELANDT, 2004) e (MANGEMATIN e
MANDRAN, 2002).
A integração das instituições, a criação de um ambiente propício à inovação e o
fortalecimento da cultura empreendedora reforçam os pressupostos schumpeterianos e
corroboram as considerações encontradas em algumas pesquisas acadêmicas (HINLOOPEN,
2003) (KLOMP e ROELANDT, 2004).
Apesar de situações como as que descritas nos parágrafos anteriores, assume-se que a
inovação pode ser compreendida como um processo, cujo objetivo para as empresas é a
34
acumulação de capital, a partir de retornos crescentes. Essa possibilidade só é possível
segundo Schumpeter (1985) quando os mercados são extremamente dinâmicos, ocasionados
por ciclos de vida de produtos cada vez mais curtos oriundos das inovações radicais. Esses
postulados lançam as empresas em estruturas de mercado voláteis, caracterizadas pela
constante alteração do comportamento dos agentes, exigindo dos pesquisadores e gestores das
firmas novos postulados econômicos, pois o cerne dos fundamentos das empresas não é mais
a busca pelo equilíbrio, mas sim o interesse no rompimento das inércias tecnológicas
existentes e por tanto nas estruturas de mercado.
Neste contexto, surge a Teoria Evolucionária trazendo para dentro do modelo a
importância da mudança tecnológica e a diversidade do comportamento das firmas,
proporcionando assim, novas formas de entender o desempenho das organizações (SILVA,
2004). A possibilidade em compreender as organizações de forma heterogenia permite
explicar as diferenças na capacidade de inovação e por conseqüência nos resultados das
firmas individualmente (HU, 2003).
A combinação da Teoria Evolucionária com a Teoria Baseada em Recursos trouxe
para o âmbito da firma o foco de interesse desta pesquisa, pois o desempenho das firmas
depende da forma como cada uma administra seus recursos, inclusive sua capacidade de
inovação (PETERAF, 1993).
Os fundamentos da teoria da inovação estão pautados na teoria institucional e
evolucionária, tendo também, recebido influência do pensamento neoclássico. A Figura 2
esquematiza os fundamentos da teoria da inovação de uma maneira didática para uma melhor
orientação da formação desta corrente, contudo, não se podem ignorar as interseções
existentes entre os pressupostos das escolas apresentadas.
35
Figura 2: Esquema da Economia da Inovação
Fonte: Adaptação pelo autor de Grupp (1998)
As origens da teoria da inovação estão nos trabalhos de Schumpeter (PAVITT, 1996),
mas como destacado anteriormente, a importância da inovação para o sistema capitalista já
havia sido analisada por economistas clássicos como Adam Smith e Karl Marx (FREEMAN e
SOET, 1999) e (GRUPP, 1998).
O próprio Schumpeter foi influenciado por economistas alemães do século XIX como
List e Roscher, além de ter sido pupilo de Menger (GRUPP, 1998). Grupp (1998) numa
revisão do pensamento schumpeteriano identifica profundas proximidades entre os postulados
de Schumpeter dos economistas alemães. O mérito de Schumpeter foi tentar explicar o
fenômeno da inovação para o desenvolvimento econômico, como uma nova combinação de
fatores de produção tendo a figura do empreendedor (indivíduo ou firma) como responsável
pelo processo de inovação (DOSI, 1996). No entanto, os trabalhos de Schumpeter não tiveram
aceitação no seu início em razão da pouca formalização matemática.
Foi, apenas, nos trabalhos de autores orientados pelos pensamentos institucionalistas e
evolucionários que a teoria da inovação começou a receber maiores delineamentos,
assumindo um campo de estudo próprio dentro das ciências econômicas (NELSON, 1996).
SCHUMPETER
Teoria da
Inovação
Teoria do
Crescimento
Neo -
Schumpeteriano
Neoclássico
Teoria
Institucional
Teoria da
Competitção
Teoria da
Decisão
Teoria dos
Jogos
Nova Teoria
do
Crescimento
Teoria
Evolucionária
Microeconomia da Inovação
36
A convergência do pensamento evolucionário com o institucionalista para a teoria da
inovação tem como base central o entendimento de que o crescimento econômico no sistema
capitalista acontece, sobretudo, dentro das instituições (PAVITT, 1996). A corrente
institucionalista tem sua base nos trabalhos de Thorstein Veblen, John Commons e Wesley
Mitchel que se opunham aos postulados neoclássicos voltados para uma economia orientada
ao equilíbrio e o ajustamento marginal (CONCEIÇÃO, 2000). O pensamento institucional
tem como posições centrais à inovação enquanto um processo, cujas origens estão tanto
dentro quanto fora da firma, onde o sistema econômico não pode ser entendido pela noção de
equilíbrio, mas por estágios em contínuo desenvolvimento (CONCEIÇÃO, 2000), (PAVITT,
1996) e (GRUPP, 1998). Outra característica fundamental do pensamento institucionalista é o
reconhecimento da limitada racionalidade dos atores econômicos (PAVITT, 1996).
A escola institucionalista é à base da teoria evolucionária (SAMUELS, 1995),
principalmente, a corrente que tem origem nos trabalhos de Veblen. Enquanto fundamentos
para a teoria da inovação a principal diferença destacada por Grupp (1998) entre o
pensamento institucionalista e o evolucionário está na posição dos autores institucionalistas
em relação ao desenvolvimento do sistema capitalista que, se sustentaria pelo crescimento das
instituições que estão sempre relacionadas com as firmas.
Na teoria evolucionária, as empresas continuam tendo um papel importante no
desenvolvimento dos países, porém não são as únicas instituições consideradas, somam-se a
ela, universidades, sociedades de classe, centros de pesquisa, governo e outros organismos
não governamentais. Outra importante diferença entre as duas escolas está no maior
entendimento do conceito evolucionário, enquanto que para o pensamento neoclássico a
inovação é dada, na teoria institucionalista ela pode acontecer tanto de forma endógena,
quanto exógena, no entanto, na perspectiva evolucionária o desenvolvimento tecnológico
acontece dentro do próprio sistema, onde as instituições colaboram em maior ou menor grau
para o crescimento científico e tecnológico, cabendo a cada empresa desenvolver e se
apropriar do conhecimento necessário para sua sobrevivência (ROMER, 1990) e (SILVA,
2004).
Assim, as organizações são compreendidas dentro de um sistema, onde a capacidade
de tomar decisões relativas às suas estratégias, adaptação às mudanças ambientais e
desenvolvimento tecnológico implicarão no seu nível de rentabilidade e por conseqüência na
37
sua permanência no mercado, “a vida do homem em sociedade, assim como a vida de outras
espécies, é uma luta pela existência e, conseqüentemente, é um processo de seleção adaptativa.
A evolução da estrutura social tem sido um processo de seleção natural de instituições.”
(Veblen, 1899, p. 188, apud, Hodgson, 1993, p. 17).
Schumpeter (1985) afirma que, para que exista um processo de desenvolvimento
econômico é necessário à convergência de três elementos, a saber: nova combinação de meios
de produção, crédito e novos empreendimentos. Essas três vertentes, quando associadas,
mudam o foco do entendimento da economia como algo estático para algo dinâmico
pressupondo que o equilíbrio é inexistente na natureza econômica, dado que constantemente
os agentes estão em processo de mudança (TIGRE, 2005). Essa perspectiva dá origem à teoria
evolucionária na ciência econômica (SILVA, 2004), cujos movimentos se propagaram dentro
dos estudos organizacionais, em especial, na associação com a teoria baseada em recursos
(BURLAMAQUI e PROENÇA, 2003).
No pensamento evolucionário os conceitos de equilíbrio e otimização são refutados,
pois como demonstrado anteriormente o processo de evolução é por natureza path depence,
portanto, diversos equilíbrios e estágios de equilíbrio são permitidos. A possibilidade em
visualizar o avanço tecnológico como motor do desenvolvimento econômico acontecendo
dentro das instituições é uma das premissas centrais da corrente evolucionária, todavia,
exportar essa perspectiva para o ambiente macro num modelo formalizado concentra o maior
desafio da teoria evolucionária (CONCEIÇÃO, 2000).
Nestes princípios estão sustentadas as bases da teoria da inovação que tem como
principais expoentes na atualidade Christopher Freeman, Giovanni Dosi, Keith Pavitt, David J.
Teece, Richard Nelson e Sidney Winter. Nos trabalhos destes autores verifica-se um
direcionamento comum das premissas utilizadas que tem servido para balizar as pesquisas
atuais.
A Teoria da Inovação tem na sua gênese e no seu desenvolvimento a característica
central de que o processo concentra-se no interior das instituições, em especial, as empresas.
Essa característica permitiu que Burlamaqui e Proença (2003) defendessem a idéia de que a
Teoria da Inovação, sustentada pelo pensamento evolucionário quando combinada com a
Teoria Baseada em Recursos permitiria o surgimento de uma nova teoria estratégica da firma.
38
A complexidade dos fatores que envolvem o processo de inovação e todas as
implicações que este processo assume dentro das organizações, tem tornado árdua a tarefa em
definir as variáveis que favorecem o surgimento das inovações no interior das firmas, bem
como seus efeitos nos resultados destas (SUNDBO, 1998) e (DeBRESSON, 1996).
O desenvolvimento da teoria da inovação tem sido feito a partir da contribuição de
diversos trabalhos empíricos e teóricos de pesquisadores das mais diversas áreas do
conhecimento.
Em todas as publicações relacionadas à inovação são freqüentes as referências aos
trabalhos de Schumpeter, tendo em vista sua contribuição ao propor as duas taxonomias de
inovação: radical e incremental, sendo estas as responsáveis pela manutenção do sistema
capitalista, a primeira que estabelece novos paradigmas tecnológicos, gerenciais ou
mercadológicos (SCHUMPETER, 1985).
Desta forma, os postulados schumpeterianos têm orientado o entendimento do
processo inovador nas firmas (MALERBA, 2005), de maneira que, o tema central dos
trabalhos de Schumpeter foi estudar as mudanças encontradas nos diversos setores da
indústria ocasionados por processos de destruição criativa ou mesmo de acumulações criativas.
(...) o impulso fundamental que inicia e mantém a máquina capitalista em
movimento decorre dos novos bens de consumo, dos novos métodos de produção,
dos novos mercados, das novas formas de organização industrial que a empresa
capitalista cria... esse processo de destruição criativa é o fato essencial acerca do
capitalismo. É nisso que consiste o capitalismo, e é aí que têm que viver todas as
empresas capitalistas Schumpeter (1984: 112-3, apud, BURLAMAQUI e
PROENÇA, 2003).
Mesmo considerando a acumulação criativa como um processo de inovação, a
inovação cuja análise, é privilegiada é aquela que representa uma ruptura com o padrão
anterior (BURLMANQUI e PROENÇA, 2003).
Dentro da teoria neo-schumpeteriana encontra-se a maioria das pesquisas que
relacionam a mudança tecnológica e o crescimento das instituições. A possibilidade de
compreender este processo fora da noção de equilíbrio tem sido objeto de diversos trabalhos
de investigação, cujos métodos variam entre o qualitativo e o quantitativo, permitindo, assim,
a formação de um framework de inovação (CAINELLI, EVANGELISTA e SAVONA, 2004).
39
Ainda em Schumpeter, pode-se destacar a importância da figura do empreendedor
como um agente individual ou coletivo (empresas ou países) capaz de assumir riscos para
investir no desenvolvimento da ciência de base e em pesquisas aplicadas para fins comerciais
(GRUPP, 1998) e (SUNDBO, 1998). A importância do crédito e do conhecimento, também
mereceu destaque nos trabalhos de Schumpeter. Segundo Schumpeter os países da Europa
continental só acompanharam o crescimento econômico inglês quando técnicos das empresas
inglesas migraram para esses países que aproveitaram para desenvolver uma estrutura
financeira sólida, sustentada por um Banco Central como na Inglaterra (SCHUMPETER,
1985 e POLANYI, 2002). Neste sentido, diversos autores têm analisado a importância de
políticas monetárias no nível microeconômico para as empresas, institutos de pesquisa além
de instituições como incubadoras de empresas e clusters que visam o crescimento e
desenvolvimento de empresas (TOUFFUT, 2003).
A Teoria da Inovação, como já destacado, tem encontrado mais segurança nas
correntes neo-schumpterianas, todavia, a doutrina Neoclássica também tem lançado mão de
postulados da inovação para o aperfeiçoamento de teorias: competição, jogos e decisão,
conforme a Figura 2.
A teoria da competição passa reconhecer a importância da inovação no âmbito da
firma, quando reconhece que a competição não acontece de maneira atomística e que a
idiossincrasia dos administradores pode gerar distorções de desempenho em diferentes firmas
do mesmo setor. O reconhecimento destas inefeciências de mercado, face, a capacidade de
uma organização em alterar os padrões da indústria por meio de uma inovação tecnológica ou
gerencial é o que tem aproximado a teoria da competição clássica para uma abordagem mais
próxima do pensamento neo-schumpteriano.
A competição é algo que antecede a existência das próprias organizações, autores
como Malthus, Darwin e Spencer já relatavam que o processo evolucionário do mundo
acontece por meio da competição entre as espécies, com efeito, a seleção daquelas que
conseguem melhor se adaptar. No âmbito das organizações essa lógica já é refletida no livro
A Riqueza das Nações de Adam Smith (1776) quando se admite que a existência de
competição quando dois ou mais indivíduos estão motivados de igual modo pelo mesmo
objetivo (TAVARES, AMARAL e GONÇALVES, 2003). A importância da competição para
o sistema econômico fez com que até mesmo críticos da teoria clássica como Marx e Keynes,
40
convergissem para a importância desse fenômeno para as estruturas de mercado. Hicks (1895)
vai mais longe e afirma que a competição é à base da teoria econômica, este autor clássico,
reconhece a tendência das indústrias convergirem para oligopólios ou mesmo deterem o
monopólio de um determinado setor, porém as desvantagens econômicas para a sociedade são
maiores quando há competição entre as firmas.
Observa-se nos trabalhos de Hicks (1895) e McNulthy (1968) que o conceito de
competição precisou ser revisto importando como variável determinante o comportamento da
firma individual frente às incertezas do mercado e o entendimento dos seus gestores quanto os
seus recursos disponíveis para que conseguisse explicar com mais clareza o comportamento
competitivo das firmas. Percebe-se assim, a incorporação das idéias de Schumpeter na teoria
econômica clássica.
Gonçalves, Dias e Muniz (2008) ao analisarem os fatores discriminantes para o
desempenho das empresas brasileiras em ambientes turbulentos, ressaltaram a importância da
integração do pensamento clássico da teoria da competição com os postulados schumpterianos.
Estes autores identificaram três correntes na teoria clássica: A Organização Industrial,
Abordagem Chamberliniana e Abordagem Schumpteriana. A primeira reconhece a
organização de maneira atômica, cujo comportamento competitivo pode ser explicado pelo
modelo de Alfred Chandler (Sctucture, Conduct, Performance). A segunda entende que o
desempenho da empresa está associado a sua capacidade de explorar os seus recursos
individuais de forma diferenciada aos seus concorrentes. E na abordagem schumpteriana é
inserida a variável incerteza ao processo decisório, sendo necessário, a avaliação contínua dos
recursos da firma que são capazes de prover o desenvolvimento de novas capacidades e
entregar melhores resultados organizacionais. Essa integração das correntes feita pelos autores
é encontrada em Barney (1986), apud, Gonçalves, Dias e Muniz (2008).
Além da influência na teoria da competição, a importância da inovação empresarial
também foi incorporada pela teoria dos jogos e pela teoria da decisão. A teoria dos jogos é
classificada por alguns autores como parte da teoria da decisão (BERNI, 2004). O processo
decisório é tão antigo quanto o homem, ou mesmo mais, dado que qualquer animal é capaz de
tomar decisões. Ao nível das organizações esse campo do conhecimento tem recebido maior
interesse devido os efeitos das decisões empresariais sobre alocações de recursos escassos em
ambientes competitivos (BERNI, 2004). O processo de escolha envolve custo e quando se
41
trata de decisões empresariais esses custos são muito altos, os fatos geradores deste vão desde
as fontes de aquisição das informações, o processamento destas e a escolha efetiva; e ainda,
existe o custo da escolha errada; desta forma, múltiplas soluções estão sendo adotadas desde
uma simples análise “custo x benefícios” até a utilização de modelos com redes neurais
artificiais capazes de se tornarem especialistas em inferências sobre um determinado ambiente,
a medida que novas informações vão sendo plotadas (BERNI, 2004).
A teoria dos jogos não se detém ao mapeamento de conflitos, quando se trata de jogos
com soma diferente de zero (o que não ocorre em jogos de azar) verifica-se a oportunidade
para a cooperação entre os jogadores. Tendo em vista, que os mercados não são jogos de
soma zero, dado que seus resultados não são efeitos apenas, de cálculos de probabilidade, mas
sim de ações estratégicas e que podem ser alteradas ao longo do período, muitos autores têm
sinalizado sobre a importância da ação cooperada entre as firmas como uma forma de se ter
um resultado com ganhos para ambos os lados (OLAVO e AMATO, 2003) e (TAUILLE,
1994).
A possibilidade de cooperação entre os agentes econômicos, em especial as firmas,
tem motivado ao longo das últimas décadas múltiplas pesquisas sobre o surgimento de
arranjos produtivos locais, clusters, redes, parque industriais, tecnópoles e outras formas de
organização que em tese seriam capazes de alcançarem maiores resultados como um grupo à
ação isolada de cada empresa (BARROS, 2002). Essa alternativa que trata as firmas e sua
forma de organização como uma das principais vertentes para o crescimento econômico de
uma sociedade tem sido definida como uma nova teoria do crescimento econômico.
Essa abordagem tem encontrado respaldo em evidências empíricas em diversos países
do mundo como Japão, Estados Unidos da América, Canadá e da Europa, como Alemanha,
França, Espanha, Inglaterra e Itália, sendo que nesta última, encontra-se o famoso Eixo
Emilio-Romana, utilizado como exemplo de aglomerações industriais de pequenas e médias
empresas extremamente competitivas internacionalmente, que tem como característica
principal a ação coordenada e cooperada das firmas que compõe a rede, desta forma, entende-
se que o crescimento econômico é um processo endógeno as firmas (BARROS, 2002).
Considera-se assim, que a teoria da inovação, apoiada principalmente no pensamento
schumpteriano tem influenciado e tem sido influenciada por diversos autores e escolas
42
econômicas. Essa interação, ainda dinâmica, tem formado um mainstream próprio, tendo
como natureza a diversidade de doutrinas (POSSAS, 1997).
A Figura 3 esquematiza as bases da Teoria da Inovação segundo a literatura
pesquisada, destacando as principais contribuições dos autores que tem sido utilizado como
base para pesquisas na área de inovação. A seguir são apresentados os principais pontos
abordados por estes autores referentes à teoria da inovação.
Nelson e Winter (1974 e 1982) criticaram a explicação neoclássica para o
entendimento do crescimento capitalista, por desconsiderar a importância do processo de
inovação dentro das firmas. Os autores são enquadrados no pensamento evolucionário
(GRUPP, 1998) tendo grande contribuição para o desenvolvimento da Teoria da Inovação.
Nos trabalhos referenciados na bibliografia destacam-se como principais características da
firma inovadora segundo Nelson e Winter os seguintes aspectos: importância do
conhecimento dentro das organizações, estrutura organizacional e existência da atividade de
P&D. O conhecimento existente nas empresas para estes autores são aqueles que cada
indivíduo tem e que cada área da empresa tem como um “time” (NELSON, 1992). Essa
perspectiva corrobora o crescente interesse pela Gestão do Conhecimento que vem se
consolidando como um ativo estratégico para as firmas, justamente, pela sua potencialidade
de gerar inovações (AMIT e SCHOEMAKER, 1993 e CHOO, 2003).
43
Figura 3 – Principais autores e Contribuições para Teoria da Inovação
Fonte: O autor
A estrutura organizacional mereceu destaque nos trabalhos de Nelson e Winter na
decisão por uma arquitetura centralizada ou descentralizada, para estes autores a estrutura
NELSON
e
WNITER
FREEMAN
SCHUMPETER
Avanço da Ciência e
da Tecnologia
Aplicação Tecnológica
como um bem
parcialmente público
Firma como um dos
Atores do Sistema
Capitalista
Importância da
atividade de P&D
para Economia
Importância do
Conhecimento Individual e
Coletivo para Firma
Estrutura Organizacional
Centralização
x
Descentralização
Forte Atividade de P&D
Intra-Firma
Forte
Atividade de
P&D Intra-
Firma
Pesquisa Básica
Própria ou em
Parceria
Patentes e
Publicações
Capacidade
Financeira para
Investimentos
Assunção de
Riscos
Lead Time
Menor que
Concorrentes
Capacidade para
Identificar
Oportunidades no
Mercado
Capacidade
Empreendedora
Boa Comunicação
com a Comunidade
Científica e
consumidores
Assimetria
Tecnológica
Inter-Firmas
Diversidade de
Comportamento
Inter-Frmas
Aprendizagem
Organizacional e
Seleção
Capacidade para
Identificar
Oportunidades
no Mercado
Especificidade
de
Conhecimento
Incerteza
Tecnológica
Irreversibilidade
(Trajetória)
Capacidade de
Apropriação de
Conhecimento
Análise das
Fronteiras da
Firma
Propriedade
X
Complementariedade
Inovação como
Ativo
Estratégico da
Firma
Competência
Específica de
Difícil
Imitação
Estrutura
Organizacional
Exploration -
Explotation
Capacidade
de Aprender
Alocação
de
Recursos
Teoria da Inovação
PAVITT
TEECE
DOSI
44
centralizada favorece a criação de inovações radicais, porém dificulta o desenvolvimento das
inovações incrementais. Não fica claro nos textos dos autores a hipótese de um trade-off, mas
a relação entre o exploitation (inovação radical) e exploration (inovação incremental) dentro
das organizações sugere a existência de um espaço de equilíbrio entre estas duas estruturas,
isto é, a performance da firma é uma função destas duas atividades e não de uma a outra (LI,
SCHOENMAKERS, VANHAVERBEKE, 2006).
No que tange a existência de uma área de P&D, Nelson e Winter, são enfáticos na
necessidade de investimentos nesta área, que, apesar da importância do exploitation dentro de
uma estrutura descentralizada que permitiria as melhorias contínuas nos processos visando à
adaptação as novas tecnologias e mercados, as inovações radicais oriundas, sobretudo, das
atividades de P&D permitiriam a destruição criativa de Schumpeter e as principais fontes de
renda para firma no longo prazo. Encontra-se nas idéias de Nelson e Winter (1982) e Nelson
(1992) a preocupação com a externalidade econômica da inovação, ou seja, sua característica
de bem público, por isso o reconhecimento dos autores de outras instituições além das
empresas como fomentadoras de mudanças tecnológicas como institutos de pesquisa e
universidades.
Christopher Freeman destaca-se juntamente com Giovanni Dosi (GRUPP, 1998) como
os principais pesquisadores neo-schumpeterianos da corrente institucionalista, autores de
diversos artigos e livros sobre inovação, são dois nomes extremamente citados, nas pesquisas
direcionadas a inovação. Destacou-se na figura 3 as principais idéias destes, cujas referências
encontram-se listadas na bibliografia. As pesquisas destes autores estão mais orientadas para o
âmago das firmas tendo o processo de inovação um posicionamento chave para o desempenho
destas. Observa-se a indicação da importância de aspectos intra-firma, como capacidade de
investimento na área de inovação, eficiência no lead time da atividade de inovação,
capacidade de identificar oportunidades no mercado e assunção de riscos, como um dos
postulados de Freeman para o que se conhece hoje como teoria da inovação (FREEMAN,
1990).
A visão de Dosi (2000) está mais próxima da Teoria Baseada em Recursos, por
admitir a assimetria tecnológica entre firmas do mesmo setor, a especificidade do
conhecimento de cada empresa, bem como a diversidade de comportamento assumida por
cada entidade, a partir de suas perspectivas do mercado e dos seus recursos. Em adição, Dosi
45
(2000) assume a característica da irreversibilidade da trajetória no sentido de que é impossível
voltar ao passado e refazer as ações tomadas, tomando a firma assim, como uma construção
histórica - social.
A possibilidade de encarar as firmas como atores independentes dentro de um sistema,
onde o seu desempenho é resultado das suas decisões sobre alocação de recursos, impulsionou
as pesquisas sobre inovação, sobre o guarda chuva do pensamento institucional e
evolucionário, permitindo não apenas o crescimento da teoria da inovação como também
correntes na teoria organizacional como a Teoria Baseada em Recursos (TEECE, 1986 e
BURLAMAQUI e PROENÇA, 2003).
Teece (1986) destaca a importância da teoria dos custos de transação dentro do
contexto da inovação, compreendida como um ativo estratégico. À medida que os ativos
intangíveis começaram a ganhar a devida importância e os processos de fusão e aquisição
como orientação estratégica, o trabalho de Teece (1986) tornou-se uma das bases para as
discussões sobre as fronteiras da firma, tendo em vista a discussão sobre os limites dentro da
cadeia de valor formada por cada empresa, isto é, os tipos de relacionamento com
fornecedores e clientes, além de empresas e instituições parceiras.
Os tipos de parcerias e sua valoração passam pela capacidade de inovação a ser gerada
ou integrada. A capacidade de absorver e potencializar a base de conhecimento unificada em
processos de fusão e aquisição, também, é destacado em Ahuja e Katilla (2001). A utilização
da fusão ou aquisição como estratégia de competição permitirá a firma a diversificação ou
consolidação dos seus conhecimentos melhorando por conseqüência sua competitividade
(SOETE e FREEMANN, 1999). Com efeito, os resultados obtidos pós-aquisição permitirão
valorar o processo de aprendizagem organizacional e a capacidade da empresa em continuar
crescendo à medida que novas bases de conhecimento somam-se as existentes (AHUJA e
KATILLA, 2001).
Por último ressalta-se o trabalho de Pavitt (1992) onde são identificados alguns
fundamentos para a teoria da inovação. No trabalho da autora a preocupação reside nos
fundamentos da inovação para o âmbito da firma individualmente, sua construção passa pelos
autores citados, além de outros posicionamentos e então se propõem as quatro características
identificadas na figura 3.
46
A competência específica de cada firma, diz respeito ao seu conhecimento de maior
valor, ou seja, aquele de difícil imitação e que proporciona a firma além de diferenciação à
geração de valor. Esse conhecimento precisa ser preservado e aprimorado, a empresa além de
identificá-lo, precisa se estruturar para desenvolvê-lo e evitar que seja rapidamente copiado ou
substituído por uma mudança técnica de algum concorrente.
Outra característica do pensamento de Pavitt diz respeito à relação já discutida em
Nelson e Winter (1982) sobre centralização e descentralização, para a autora a inovação é um
processo que não acontece instantaneamente, é necessário investimento e uma estrutura que
permita o desenvolvimento do conhecimento existente nas empresas, a arquitetura e cultura
organizacional influenciam decisivamente neste processo.
A relação entre investimentos em inovações radicais e incrementais deve ser bem
trabalhada, certamente, não há um equilíbrio definido ou um quantitativo ótimo de proporção,
porém ambas as atividades são fundamentais para o desempenho das empresas no médio e
longo prazo, não obstante, a alocação de recursos discutida pela autora implicará nesta
decisão, a discricionariedade na tomada de decisões de cada empresa é o que definirá seus
resultados (MINTZBERG, 1990).
O aspecto estratégico entregue a inovação nos últimos anos tem gerado algumas
dificuldades, como aquelas relacionadas com os custos de agência. Incorre que no processo de
inovação, dada a incerteza quanto aos resultados problemas de assimetria de informação,
ocasionando problemas de agencia para a firma.
Os problemas de agência foram identificados por Hu (2003) que considerou os
seguintes aspectos: o processo de inovação, em muitas oportunidades é um trabalho
independente e sigiloso, em especial, quando envolve conhecimento intensivo. O valor e a
aplicação dos recursos destinados à inovação também são motivadores de custo de agência,
em razão das diferenças entre os proprietários e as pessoas envolvidas (HU, 2003). Assim
sendo, se faz necessário políticas objetivas e transparentes para aplicação de recursos na
atividade de inovação, tanto dentro quanto fora da firma (HU, 2003).
Pavitt (1992) enaltece a capacidade de aprender da organização que está diretamente
relacionada à sua estrutura organizacional, seus valores e as pessoas que a compõe. A
47
estrutura do processo de aprendizagem organizacional segundo a autora pela experiência
adquirida pela firma naquela área do conhecimento o que reforça a idéia do path. Um
histórico de investimento em pesquisa e a capacidade de absorver e explicitar o conhecimento
existente são importantes características das empresas inovadoras.
Na capacidade de aprender, encontra-se também o aprendizado com os competidores,
Pavitt (1982) reforça o conceito da inovação como um bem público parcial e que as empresas
precisam aprender a se apropriar dos conhecimentos desenvolvidos por seus concorrentes. A
comunicação e principalmente o treinamento são, também, fatores fundamentais na
capacidade de aprender das firmas (PAVITT, 1982) essas características tem norteado a
grande maioria das pesquisas sobre inovação, em especial, aquelas que utilizam métodos
quantitativos (MAIDIQUE e ZIRGER, 1990).
Assim, procurou-se abordar alguns fundamentos da Teoria da Inovação sob a
perspectiva da teoria evolucionária e institucional, outras concorrentes como a do crescimento
econômico e sociologia tecnológica não foram consideradas por acreditar que os pensamentos
neo-schumpeterianos juntamente com alguns postulados microeconômicos clássicos são os
mais adequados para o entendimento do fenômeno inovação como um agente influenciador
do desempenho das firmas. Os fundamentos trabalhados pelos autores destacados embasaram
as medidas de inovação adotadas neste trabalho que são definidas na seção seguinte.
3.2
I
NOVAÇÃO E
D
ESEMPENHO
Como já foi dito anteriormente, o trabalho de Solow (1957) é citado por alguns autores
como o artigo seminal para o relacionamento entre mudança tecnológica e desempenho
empresarial (CAINELLI, EVANGELISTA e SAVONA, 2004). No entanto, o
relacionamento entre essas variáveis, ainda, não é um consenso dentro da literatura
(COZZARIN, 2004).
48
O interesse neste trabalho é analisar a influência da inovação no desempenho das
firmas no Brasil, tendo em vista, que a inovação não é um fenômeno discreto cujas fontes,
processos e resultados acontecem de forma contínua e em muitas oportunidades sobrepostas
(GRUPP, 1998 e POHLMANN, GEBHARDT, ETZKOWITZ, 2005).
Alguns trabalhos têm procurado apresentar os determinantes do comportamento
inovador das empresas, neste sentido, Cababagnols e Bas (2002) e Morganti (2005) admitem
a ausência de um modelo universal que explique por que as firmas inovam. Entretanto, o
pensamento neo-schumpeteriano tem apontado para várias justificativas já explicadas e
pesquisas têm sido realizadas para alicerçar a parte teórica.
Cabagnols e Bas (2002) encontraram na literatura seis linhas de orientação que
procuram explicar o comportamento inovador das firmas, distinguindo a inovação voltada
para produto a processo; as variáveis para estes autores são:
• Características da demanda das firmas (elasticidade de preço, evolução e
homogeneidade);
• Condições para apropriação dos benefícios da inovação (patentes e modelos
pra proteger a inovação, segredo nas atividades inovadoras, eficiência no lead time de
inovação entre produtos e processos);
• Fontes de conhecimento tecnológico (consumidores, fornecedores e sociedade);
• Estrutura de mercado (Nível de concentração, intensidade da competição
tecnológica);
• Características da firma (tamanho participação de mercado, nível de
diversificação, natureza das habilidades); e
• Estratégia da firma (qualidade, marketing, outros).
A inovação é um sistema complexo, onde diversas variáveis atuam e respondem
diferentemente nos resultados atingidos, portanto um cuidado maior é necessário no
tratamento das variáveis e na modelagem econométrica a ser utilizada (EDGERTON, 1996) e
(FEENY e ROGERS, 2003).
49
A possibilidade em entender a inovação como um processo permite a visualização
mais clara das principais variáveis que a influenciam. Alguns pesquisadores nesta área
organizaram suas pesquisas nesta lógica como Leiponen (2002), Andreassi e Sbragia (2002),
Palma (2004) e Leite (2004).
O tratamento da inovação como sistema e suas possibilidades de relações com o
desempenho empresarial podem ser verificadas nos trabalhos destacados na seção introdutória.
Em todos os trabalhos analisados os autores apontam a importância da inovação para as
organizações, enquanto uma necessidade para se manter competitiva no mercado, contudo, ao
analisarem a atividade empreendida para inovar em produto e processo, os autores
reconhecem a diversidade de fontes de inovação, resultados e relações entre eles.
Nesta perspectiva, Feeny e Rogers (2003) propõem que as atividades de inovação de
uma empresa não ocorram isoladamente das competências centrais das organizações, mas em
paralelo e dentro das próprias atividades rotineiras da firma, por meio de invenções,
aprendizado e implementação de novos conhecimento. Leiponen (2002), ainda, argumenta
que o processo de inovação acontece de forma complementar as atividades da empresa e tem
como suas bases não apenas fontes internas a organização, porém outros agentes externos a
empresa. Assim, a capacidade de inovação da firma reflete o investimento em diversos fatores
como: conhecimento dos empregados, métodos de gestão, cultura e redes internas e externas
de relacionamento (FEENY e ROGERS, 2003), (HINLOOPEN, 2003) e (GRUPP, 1998).
A complexidade do sistema de inovação levou alguns autores a comentarem a
dificuldade em precisar o valor ponderado de cada fonte de inovação (MALERBA, 2005) e
(FEENY e ROGERS, 2003).
Feeny e Rogers (2003) além de utilizarem os gastos com P&D e o número de patentes,
incluíram no construto inovação as variáveis marca e atividade de design. Duguet (2003)
reforça que outros indicadores precisam ser considerados na formação do construto inovação,
pois a atenção, apenas, em P&D pode não garantir a melhor compreensão da inovação por
meio de técnicas econométrica. Importa ressaltar que outros estudos, como o que proposto por
Hu (2003) identifica a importância da atividade de P&D como o principal vetor de inovação
das firmas. Numa pesquisa empírica conduzida junto a empresas chinesas, o autor identificou
50
que as empresas que possuíam uma atividade organizada de P&D apresentavam melhores
desempenhos em inovação daquelas que não possuíam.
Ao analisar a estrutura de inovação de uma firma deve-se reconhecer a relação
existente entre inovação em processos e inovação em produtos, tema desenvolvido por
diversos autores (VERNON, 1966), (ROTTMANN e RUCHINSKI, 1997), (DUGUET e
GREENAN, 1997), (CAPON et al. 1992, apud, CABAGNOLS e BAS, 2002) e (LEIPONEN,
2002). Alguns estudos trabalham sob a hipótese que a inovação nos produtos antecede a
inovação nos processos (MOHNEN e DAGENAIS, 2002) e (TEECE, 1986), a argumentação
relaciona-se as características do mercado atual, onde o ciclo de vida dos produtos está cada
vez mais curto, esta condição parece impulsionar as empresas a inovarem constantemente os
seus produtos, que em conseqüência demandarão alterações nas suas estruturas de produção.
Não obstante, Cabagnols e Bas (2002) afirmam que as empresas orientadas para
inovação em produtos apresentam melhores resultados que aquelas orientadas para processo.
As inovações em processo não acontecem, apenas, para acompanhar o desenvolvimento de
novos produtos, direcionam-se, também, para ganhos de eficiência operacional que permitirão
lead time mais curto, maior confiabilidade do processo, aumento de flexibilidade na produção
e redução de custos e despesas operacionais. Assim sendo, a estratégia de inovação em
produto e processo simultaneamente implica na capacidade de apropriação de conhecimentos
no mercado ou no desenvolvimento desse conhecimento no interior da firma (CABAGNOLS
e BAS, 2002).
Apesar da possibilidade de existir inovações radicais nos processos de produção,
diversos trabalhos apontam que as inovações no interior dos processos de produção são, em
sua maioria, de natureza incremental, isto é, tem por características o aperfeiçoamento das
rotinas, difusão de conhecimento e práticas de trabalho, que visam à melhoria do desempenho
operacional (SBRAGIA, et al., 2006).
Cooper (2001) destaca a importância estratégica da firma em conseguir introduzir
novos produtos no mercado, que teria como causa principal uma estrutura contínua e
orientada a pesquisa e desenvolvimento de novos produtos. Como observada anteriormente a
estratégia voltada para inovações radicais pode ser desestimulada quando o bem em questão é
um bem público, adiciona-se a este fato a preocupação com as incertezas tecnológicas que
51
permeiam os investimentos direcionados a criação de novos produtos. A decisão estratégica
referente à inovação será definida segundo a idiossincrasia dos gestores quanto aos benefícios
de uma posição pioneira como e o risco atrelado a esse investimento (BESANKO, et al.,
2006).
Adner (2005) analisa a tensão existente entre o interesse da firma em explorar novas
oportunidades de negócios por meio da introdução de novos produtos ou desenvolvimento de
novos mercados e o desenvolvimento das competências existentes. Essa relação entre a
exploração de novos conhecimentos, oportunidades e mercados ou o desenvolvimento dos já
existentes é o denominado exploration x exploitation (ADNER, 2005), (MARCH, 1991) e (LI,
SCHOENMAKERS, VANHAVERBEKE, 2006). Adner (2005) destaca que essa relação já
vem sendo estudada por outros autores como Nelson e Winter (2002) invenção versus
refinamento e Hannan e Freeman (1977) variação versus seleção. Li, Schoenmakers e
Vanhaverbeke (2006) identificam na teoria dos estudos organizacionais baseados nos
trabalhos de Abernathy (1978) e Tushman e Romanelli (1985) a tensão entre exploration e
exploitation relacionados às mudanças radicais e incrementais. Para Adner (2005) esse
conflito não se torna necessariamente um tradeoff, tendo em vista que as empresas precisam
melhorar continuamente sua produtividade para efeitos de curto prazo e prover novos
conhecimentos e tecnologias para garantir sua longevidade.
Para esta pesquisa estará sendo assumido em consonância com Adner (2005) e
Abernathy (1978), Tushman e Romanelli (1985) apud Li, Schoenmakers e Vanhaverbeke
(2006) que exploration visa à aquisição de novos conhecimentos, tecnologias e mercados para
a empresa e o exploitation o desenvolvimento dos conhecimentos, tecnologias e mercados
existentes. Nesse sentido, os investimentos em alterações tecnológicas e de gestão que
proporcionem inovações incrementais serão do tipo exploitation e o esforço em prover
inovações radicais em produtos ou processos, em especial, produtos inovadores para indústria
e que, portanto, promove à destruição criativa schumpeteriana serão consideradas como
exploration. O desempenho da firma no médio e longo prazo será assim, afetado pela sua
estratégia de alocação de recursos em atividade de inovação voltada para o desenvolvimento
de novas oportunidades que capacitem à empresa lançar produtos inovadores tanto para
indústria quanto para ela (COOPER, 2001).
52
Essa relação entre investimentos em inovações radicais e incrementais tem sido objeto
de estudo de vários pesquisadores. No Brasil, por exemplo, ao analisar os padrões
tecnológicos das firmas no Brasil De Negri (2006) teve como uma das conclusões a evidência
de que as empresas brasileiras estão muito distantes dos padrões tecnológicos mundiais ao
nível de produto. Todavia, o trabalho da autora ressalta a importância da inovação em
processo para um melhor desempenho das firmas no Brasil no mercado exterior no que diz
respeito à produtividade, confiabilidade do produto e do seu gerenciamento.
A importância em investimentos tanto em inovações de produto quanto processo,
também é destacada no trabalho de Kumar e Siddhartan (1993 apud De NEGRI, 2006). Em
pesquisa empírica realizada em empresas indianas buscou-se compreender a relação entre o
comportamento inovador e o desempenho em exportações, tendo como premissa que a
capacidade em exportar entregaria a empresa uma estrutura competitiva a nível global. Os
autores utilizaram os investimentos em P&D como variáveis explicativas e encontraram
significância entre o comportamento inovador e exportações de produtos com intensidade
tecnológica moderada, sugerindo que empresas oriundas de países em desenvolvimento
teriam dificuldades para concorrer com empresas intensivas em tecnologia com alto grau de
conhecimento aplicado. Os resultados encontrados reforçam os postulados da teoria da
inovação, onde ambientes com intensivo investimento em pesquisa básica favorece o
desenvolvimento de mudanças tecnológicas.
A distinção entre inovação de produto e processo, também é feita pelo Instituto
Brasileiro de Geografia e Estatística na construção da PINTEC, segundo o IBGE o conceito
de inovação de produto, seja radical ou incremental, é (IBGE, 2002):
Produto tecnologicamente novo é aquele cujas características fundamentais
(especificações técnicas, usos pretendidos, software, ou outro componente material
incorporado) diferem significativamente de todos os produtos previamente
produzidos pela empresa. A inovação de produto também pode ser progressiva,
através de um significativo aperfeiçoamento tecnológico de produto previamente
existente, cujo desempenho foi substancialmente aumentado ou aprimorado. Um
produto simples pode ser aperfeiçoado (no sentido de obter um melhor desempenho
ou um menor custo) através da utilização de matérias primas ou componentes de
maior rendimento (IBGE, 2002 p. 17).
O Manual de Oslo (2004) também apresenta uma definição para inovação de produto.
“Uma inovação tecnológica de produto é a implantação / comercialização de um produto com
53
características de desempenho aprimorados de modo a fornecer objetivamente ao consumidor
serviços novos ou aprimorados”.
Alguns autores têm trabalhado a qualidade da inovação de produto (COZZARIN, 2004)
onde existe a preocupação em diferenciar inovações de produtos para indústria, para firma ou
mesmo para o mundo. Apesar das evidências empíricas não comprovarem plenamente a
importância dessa distinção, a teoria tem sugerido que existe uma escala não apenas de
esforço inovador, mas também de resultados entre empresas empenhadas no first mover
daquelas preocupadas em acompanhar as mudanças tecnológicas e gerenciais correntes
(COZZARIN, 2004). Hill e Rothaermel (2003) reconhecem que empreendimentos que
trabalham focados em inovações que modificam os padrões tecnológicos da indústria têm
dificuldade em se manterem no mercado, ao contrário, apresentam retornos decrescentes, a
medida que novos entrantes realizam o exploitation das novas tecnologias. No entanto, estes
autores argumentam que existem empresas voltadas para o desenvolvimento contínuo de
novos produtos para indústria que conseguem manter os níveis de retorno esperados, para
tanto, se faz necessário (HILL e ROTHAERMEL, 2003):
• Estrutura de pesquisa de base orientada para aplicações tecnológicas;
• Investimentos analisados sob a perspectiva de opções reais;
• Estrutura organizacional do tipo ad hoc, e
• Divisão comercial para novas tecnologias;
• Aperfeiçoamento contínuo dos produtos e dos ativos críticos para a
comercialização das novas tecnologias; e
• Estrutura operacional e gerencial sólida e competente.
No que se refere às inovações em processo, em regra, os resultados são melhores
compreendidos de forma cumulativa, todavia, empresas de capital intensivo podem promover
mudanças radicais nos seus processos, cujos resultados são capazes de influenciar
decisivamente a performance da empresa, assim, segundo o IBGE (2002) a inovação
tecnológica de processo e definida por :
54
Inovação tecnológica de processo refere-se a processo tecnologicamente novo ou
substancialmente aprimorado, que envolve a introdução de tecnologia de produção
nova ou significativamente aperfeiçoada, assim como de métodos novos ou
substancialmente aprimorados de manuseio e entrega de produtos
(acondicionamentos e preservação). Estes novos métodos podem envolver mudanças
nas máquinas e equipamentos e/ou na organização produtiva (desde que
acompanhada de mudanças no processo técnico de transformação do produto).
(IBGE, 2002 p. 17).
Para o Manual de Oslo (2004) as inovações em processo são reconhecidas quando “há
implantação / adoção de métodos de produção ou comercialização novos ou
significativamente aprimorados. Ela pode envolver mudanças de equipamento, recursos
humanos, métodos de trabalho, ou uma combinação destes”.
Leiponen (2002) assume que a inovação de produto é fundamentada por um sistema
de atividade que abrange o P&D interno, P&D colaborativo e o P&D de terceiros, sendo que a
melhoria contínua do processo, ou seja, o exploitation é sustentado pelas competências e
habilidades da firma. Todavia, Leiponen (2002), ainda destaca que P&D não pode ser
entendido, simplesmente, como fonte de inovação de produtos para indústria, mas também
acompanhar os avanços tecnológicos realizados por outras firmas e ser capaz de internalizar
esse conhecimento, portanto, as fontes de conhecimento internas e externas são
complementares as atividades de inovação da firma.
Feita assim, a distinção dos resultados dos processos de inovação, observa-se em
ambos a importância do capital humano, tendo em vista, que a introdução de nova tecnologia,
conhecimento ou mesmo o aperfeiçoamento da existente só acontece mediante a intervenção
humana (SUNDBO, 1998), (FARAZMAND, 2004) e (ROS e LABEAGA, 2002). Em todos
os textos pesquisados sobre inovação, verifica-se a importância entregue ao fator humano.
Leiponen (2002) ao lançar as bases do seu framework enfatiza a importância das
capacidades dinâmicas da firma e seu entendimento como recurso determinante para a
competitividade da firma. A utilização do capital humano das firmas tem sido uma prática
comum nas pesquisas empíricas como alternativa complementar ao tradicional foco nos
gastos com P&D (ROS e LABEAGA, 2002), onde o capital humano era considerado por
meio dos valores pagos referentes a salários e benefícios pagos.
A importância do capital humano para as organizações e para sociedade de uma forma
geral tem sido destacada pelos mais diversos meios de comunicação, gerando por
55
conseqüência uma diversidade de conceitos, adotou-se neste trabalho o conceito da OECD
(1996), onde o capital humano é definido como “o conhecimento que indivíduos adquirem
durante sua vida e o usam para produzir bens e serviços ou idéias em circunstâncias de
mercado ou fora do mercado”. (OECD, 1996, tradução livre).
Para Gupta (2006) a importância do capital humano e por conseqüência o seu
gerenciamento dentro das organizações atuais tem modificado as práticas e as perspectivas da
administração de recursos humanos, ainda voltados para paradigmas industriais
redirecionando o foco desta área para geração de ativos intangíveis, baseados, sobretudo, no
conhecimento dos funcionários (DRUCKER, 1999).
A influência do capital humano na atividade de inovação das firmas, também tem sido
alvo nos estudos que envolvem fusões e aquisições, Ahuja e Katilla (2001) asseguram que o
desempenho da empresa aumenta à medida que esta incrementa sua base de conhecimento.
No estudo empírico realizado pelos autores essa hipótese foi comprovada para empresas de
grande porte tendo o indicador patente como variável dependente.
Andreassi e Sbragia (2002) confirmaram em pesquisa realizada em empresas no Brasil,
que as empresas mais inovadoras, são aquelas com maiores quantidades de pessoas alocadas
às atividades de pesquisa, que não necessariamente estejam voltadas para novos projetos ou
projetos finalizados, mas pela manutenção do conhecimento existente e acompanhamento das
alterações ocorridas no mercado captados por indicadores como aquisição de tecnologias e
engenharia não rotineira.
Olaverri, Arribas e Kintana (2006), Jaw, Wang e Chen (2006), Gupta (2006), Leite
(2004) e Palma (2004) destacam a importância do papel da estrutura organizacional e dos
gerentes no desenvolvimento do capital humano. Jaw, Wang e Chen (2006) apresentam o
capital humano como um quadro sistemático, onde eles identificam um papel central dos
gerentes seniores no processo de gerenciamento do capital humano.
56
Figura 04 - Quadro Sistemático do Capital Humano
Fonte Jaw, Wang e Chen (2006), (Adaptado pelo autor)
A perspectiva do capital humano, apresentada pelos autores é interessante por entender
o capital humano como um recurso sistêmico, cujo processo é função da competência da
gerência sênior, no que tange sua maximização. Assim, o capital humano é um dos principais
recursos para geração de vantagem competitiva das firmas, baseado no desenvolvimento de
ativos de difícil imitação, transferência e substituição, tornando-os, por conseqüência,
extremamente valiosos (LIPPMAN e RUMELT, 2003).
A figura 04, também, apresenta uma distinção sutil, porém importante para formação
do construto inovação, há uma diferença entre investimento em capital humano e o próprio
capital humano. O quadro permite observar que o investimento no capital humano é um
insumo para o resultado do recurso e não o próprio recurso, bem como os resultados não pode
ser confundido com o recurso. Portanto, um construto que represente o capital humano deve
fazer convergir às entradas, processo e saídas, ou justificar o uso de algumas das etapas e
assumir as limitações desta decisão.
Evidente que algumas das etapas, em especial, as entradas e saídas são mais factíveis
de serem aferidas quantitativamente, no entanto, estabelecer parâmetros confiáveis para
“habilidade empreendedora dos funcionários” é uma tarefa árdua. Não obstante, estabelecer
quais são as variáveis de entrada, transformação e saída a serem utilizadas são possivelmente,
uma das principais causas da diversidade de indicadores utilizados para representar o capital
humano no construto inovação.
Saídas Transformação Entradas
Investimento
em capital
Resultados Habilidade empreendedora
funcioná
rios
Competência dos Gerentes Seniores
57
A compreensão do capital humano como um recurso da firma, pressupõe que este
recurso seja um recurso econômico e, portanto deva ser tratado de forma financeira
(ANTHONY e REECE, 1983, apud, OECD 1996). Assim o capital humano precisa ser
precificado como um ativo qualquer que, de forma simples é valorado segundo as
expectativas de retorno num determinado horizonte de tempo futuro, bem como a
probabilidade de volatilidade deste retorno (risco). Ainda nesta premissa, o capital humano
precisa atender quatro condições: 1) o recurso deve ser mensurado; 2) a firma deve deter o
controle (propriedade) do capital; 3) o custo da compra e desenvolvimento deve ser
quantificado e 4) saber quando este capital se tornará físico.
As condições levantadas na OECD (1996) expõem as principais dificuldades para
mensurar o capital humano desde o nível individual até o nível nacional. As razões centrais
baseiam-se nas discussões que envolvem a propriedade e o controle das competências das
pessoas e a própria possibilidade de mensuração de algo intangível, cuja materialização é
extremamente variável.
Reconhecendo as restrições teóricas no tratamento do capital humano enquanto um
recurso econômico da firma, porém, baseado no desenvolvimento conceitual feito
anteriormente, corroborado pelo argumento de Machlup (1984), será assumido nesta pesquisa
que o capital humano é assim um recurso econômico passivo de ser mensurado.
Investimento no humano constitui a formação de capital com todas as características
tradicionais: o capital é durável e sua vida útil e limitada; se faz necessário a
manutenção e reposição ou aperfeiçoamentos, pois ao contrário pode tornar-se
obsoleto; e como seu valor é subjetivo, ele pode ser apreciado ou depreciado em
função da oferta e procura pelos seus resultados (MACHLUP, 1984, apud, OECD,
1996. Tradução livre).
Um dos pontos de interseção das escolas schumpeterianas e clássica no campo das
organizações estão nas relações fronteiriças das organizações e suas estratégias baseadas nos
custos de transação. Diversos autores têm destacado a importância do então denominado
capital relacional (CABAGNOLS e BAS, 2002), (ROS e LABEAGA, 2002), (TEECE, 1986),
(PAVITT, 1984), (DIEDEREN, VAN MEIJL, WOLTERS, 2002) e (LAURSEN e SALTER,
2006).
Em pesquisa realizada na Inglaterra com uma amostra de 2.707 empresas de
manufatura, Laursen e Salter (2006) asseguram que as empresas precisam inserir dentro de
58
sua estratégia de inovação a utilização de atores externos, seja tanto para auxiliar a empresa
no desenvolvimento de suas competências, quanto para se apropriar do conhecimento
existente no mercado. Certamente, não há possibilidade para adquirir todo conhecimento
externo, por isso, Laursen e Salter (2006) encontraram retornos decrescentes para um
determinado ponto de investimento em fontes externas de conhecimento.
O interesse no desenvolvimento de fontes externas de conhecimento é para Laursen e
Salter (2006) uma forma de diversificar os investimentos em inovação, que em muitas
oportunidades estão concentrados na atividade P&D, segundo os autores a mobilidade que os
“funcionários do conhecimento” possuem tem inibido as empresas em investirem grandes
somas de recursos no desenvolvimento das pessoas, e não por outro motivo a gestão do
conhecimento tem sido tão valorizada. O ponto central dessa estratégia é como e onde a
empresa pode operacionalizar uma rede de relacionamento, que ela possa absorver o
conhecimento desenvolvido por estes atores a fim de inovar em seus produtos ou processos
(LAURSEN e SALTER, 2006).
Laursen e Salter (2006) sugerem como fontes de conhecimento o mercado
(fornecedores, concorrentes, clientes, consultorias, laboratórios e centros de P&D
independentes), instituições (universidades, centros de pesquisa governamentais, órgãos
governamentais e institutos de pesquisa privado), instituições especializadas (regulamentações
de segurança, saúde e meio ambiente, normas técnicas e entidades de classe) e outros (feiras,
congressos, professores, associações comerciais e industriais).
O relacionamento que as empresas desenvolvem com os diversos atores do ambiente
tem formado o chamado capital relacional, identificam-se, ainda, as parcerias, alianças
estratégicas e joint ventures como formas de aquisição ou desenvolvimento de conhecimento
em conjunto com outras instituições. Sampson (2007) identificou a importância destes tipos
de relacionamento para o desempenho de firmas da indústria de telecomunicações. A
diversidade tecnológica envolvida influencia no grau de desempenho do investimento, todavia,
em maior ou menor grau, o autor encontrou evidências empíricas de que alianças
proporcionam benefícios para as organizações envolvidas.
59
Portanto, faz-se necessário para formação do construto inovação, variáveis que
expressem o relacionamento da empresa com o mercado e instituições que, tenham por
objetivos a inovação nos seus produtos e processos.
Até o momento foram consideradas, para formação do construto inovação, as variáveis
que representam as fontes e o processo de inovação. Em razão da incerteza que cerca o
esforço em inovar é difícil precisar quando os resultados aparecerão, todavia, como a
inovação está sendo entendida como um processo, as saídas devem ser mensuradas.
Tem sido uma prática nas pesquisas empíricas analisar, somente, o indicador patente
como resultado do processo de inovação (DUGUET, 2003). Solow (1957) em seu estudo
entre inovação e desempenho, utilizou a variável patente como explicativa para o desempenho
das empresas. No entanto, a utilização, tão somente, da variável patente não garante que todos
os resultados da atividade de inovação serão capturados, principalmente, as inovações
incrementais.
Assumindo que todo investimento empresarial acontece de forma racional, ou seja,
maximizando a função utilidade dos investidores, não se admitiria que investimentos em
inovação e o dispêndio cada vez maior nessa atividade (ANDREASSI e SBRAGIA 2002) não
aconteceriam se a probabilidade de retorno do investimento não compensasse. Em adição,
sendo os pressupostos de Schumpeter verdadeiros, o grande desafio acadêmico está no
tratamento do fenômeno e na maior compreensão das variáveis que formam esse sistema.
Hinloopen (2003) apresentou o relacionamento entre a dinâmica econômica do
ambiente e a performance em inovação, quando trabalhou 14 países europeus. No entanto, a
diferença de desempenho entre empresas do mesmo setor dentro de um mesmo país, sugere
que exista alguma relação entre o sistema de inovação e o desempenho de cada empresa
individualmente. Geroski, Reenen e Walters (2002) ao analisar de forma quantitativa, por
meio de regressão, a relação existente entre esforço em inovação (dispêndios com P&D) e
patentes com o fluxo de caixa de empresas britânicas listadas no mercado acionário
verificaram a existência de um relacionamento entre essas variáveis no decorrer do tempo,
contudo, o relacionamento entre os indicadores de esforço e resultado não foi consistente.
60
Apesar, de não apontar para a pesquisa dos autores anteriores, VAN OPHEM, et al.
(2002) assegura que uma das causas de não se encontrar evidências de relacionamento entre
gastos com P&D e patentes está no momento em que os dados são coletados, para estes
autores as patentes são resultados de pesquisas que em muitas oportunidades consomem anos
de investimento, sendo necessário assim considerar os resultados em períodos posteriores de
tempo, numa pesquisa realizada por estes autores em empresas holandesas os resultados
foram consistentes, tomando como base uma diferença de quatro anos.
Existem outras características que influenciam os resultados da inovação como o
tamanho das firmas (VAN OPHEM, et. al., 2002), (GEROSKI, REENEN e WALTERS,
2002), (DIEDEREN, VAN MEIJL e WOLTERS, 2002) e (BALDWIN, HANEL e
SABORIUN, 2002). Segundo o trabalho desses autores firmas menores são mais voltadas
para as variáveis de esforço em inovação, enquanto que os fluxos de caixas das empresas
maiores são mais sensíveis a variável de resultado – patentes – (GEROSKI, REENEN e
WALTERS, 2002).
Bhaskaran (2006) ao estudar as implicações das inovações incrementais (PAVITT,
1998) no desempenho das pequenas e médias empresas, foi capaz de verificar para a amostra
escolhida por ele, que as pequenas e médias empresas não podem ser comparadas com as
empresas de grande porte, muito menos, no aspecto de competição. Todavia, as firmas
pequenas e médias podem apresentar excelentes níveis de rentabilidade se souberem
desenvolver dentro delas as condições para as inovações incrementais.
É neste sentido, que mensurar, apenas, patentes ou crescimento de receitas como
conseqüência das atividades de inovação pode “esconder” os resultados positivos
provenientes das inovações incrementais em processo.
Em adição, ao tamanho da firma, a variável dispersão geográfica também é importante
(BALDWIN, HANEL e SABORIUN, 2002) e (TSAI, 2001). É natural em empresas com
atuação em diversos países ter suas atividades de P&D centralizadas, além de terem
mecanismos de difusão de conhecimento robustos como comunidades de prática e
universidades corporativas, assim, quando uma sucursal é analisada isoladamente, podem-se
perder informações valiosas para análise, seja pela inclusão de dados referentes ao esforço e
61
resultados de inovação que se desdobram em diversas filiais espalhadas pelo mundo, como
pela desconsideração das informações referentes aos investimentos e resultados com inovação.
Assim, a firma precisa ser considerada na sua totalidade, Tsai (2001) identificou em
pesquisa empírica nas indústrias petroquímica e de manufatura de alimentos, que as empresas
conseguem melhores desempenhos quando possuem mecanismos de difusão, acesso e
absorção de novos conhecimentos gerados dentro das suas estruturas de negócios.
Uma alternativa metodológica para contornar este fato, foi proposta por De Negri
(2006) que considerou como uma das variáveis explanatórias a aquisição de conhecimento de
outras unidades ou empresas controladas do mesmo grupo. Essa proposta permite assim,
captar o potencial para absorção e difusão de novos conhecimentos fora do círculo interno de
uma determinada sucursal.
A importância em se considerar o espaço de tempo entre os dados referentes ao
esforço em inovação e os seus resultados, inclusive o próprio desempenho pode ser
encontrado em Diederen, Van Meijl e Wolters (2002); na pesquisa destes autores em fazendas
holandesas a taxa de crescimento em inovação era maior que a taxa de crescimento da firmas
para o espaço de tempo analisado, sugerindo os autores, que os efeitos da inovação se
propagariam como decorrer do tempo. Entretanto, os autores encontraram evidências
significativas entre inovação e desempenho, quando mensurado em lucro para um espaço de
tempo de dois anos. Cozzarin (2004) utiliza o período de um ano entre os dados do construto
de inovação e os dados de desempenho.
Além da questão temporal, outros fatores que são apontados como responsáveis pelo
insucesso em diversas pesquisas empíricas que envolvem inovação e desempenho é o foco
quase que exclusivo na atividade de P&D como responsável pela inovação, não considerando
outras entradas para o sistema como tamanho da firma, estrutura de mercado e intensidade em
inovação (BALDWIN, HANEL e SABORIUN, 2002), (De NEGRI, 2006) e (MOWERY e
ROSENBERG, 1989).
A formação do construto inovação será resultado da compreensão de como acontece à
inovação dentro da firma, seja ela de processo ou de produto, radical ou incremental. Está
justamente na diversidade de entendimento deste fenômeno a variedade de indicadores e
62
metodologias utilizadas para encontrar as causas e efeitos da inovação no âmbito das
organizações De Negri (2006), por exemplo, ao construir o construto inovação assume como
variáveis explicativas: eficiência de escala, eficiência técnica, inovação de produto, processo
para a indústria e para própria empresa e utilização de outras empresas do grupo como fonte
de informação. Já Cainelli, Evangelista e Savona (2004) utilizaram no seu trabalho empírico
como indicadores o desembolso com todos os funcionários da firma, os recursos
empreendidos com os funcionários na atividade de P&D, design e aquisição de conhecimento,
gastos para aquisição de softwares e total de recursos dedicados para compras de máquinas e
equipamentos.
O interesse em analisar a inovação como um sistema, tem forte embasamento teórico
como apresentado, porém quando tratada de forma quantitativa em modelos econométricos
deve-se saber que individualmente os indicadores terão variações, exatamente por que
diferentes firmas têm formas desiguais de gerir sua estratégia de inovação. Este fato pode ser
observado nas diferenças de eficiência no desenvolvimento das pesquisas, nas diversas formas
de promover a inovação e na heterogeneidade de relacionamentos com fornecedores, clientes,
universidades e comunidade científica (MOHNEN e DAGENAIS, 2002).
Baldwin, Hanel e Sabourin (2002) reforçam que as diferenças no comportamento das
firmas em relação às estratégias de investimento em inovação, bem como, a baixa
compreensão entre esforço inovador e resultados da inovação podem ser uma das causas para
que alguns gestores não atentem para inovação como um diferencial competitivo.
3.2.1.
Í
NDICE
B
RASIL DE
I
NOVAÇÃO
Dentro deste cenário, enquadram-se os trabalhos desenvolvidos pelo Departamento de
Política Científica e Tecnológica do Instituto de Geociências da Universidade Estadual de
Campinas onde foi elaborado o Índice Brasil de Inovação – IBI – (FURTADO, QUADROS,
2006).
63
“A proposta do IBI é criar um índice de inovação das empresas do setor industrial
para ordená-las de acordo com seu grau de inovação (...) a idéia de criar um
indicador agregado de inovação parte da premissa de que o processo de inovação é
complexo e multifacetado, devendo, portanto seu índice compreender vários
indicadores parciais referentes a dimensões específicas-chaves desse processo. Duas
dimensões destacam-se nessa variedade: de um lado a necessidade de incluir os
esforços realizados pelas empresas para inovar, e de outro, os resultados
tecnológicos e econômicos da inovação.” (INÁCIO e QUADROS, 2006).
Assim, o Índice Brasil de Inovação é formado por dois conjuntos agregados de
indicadores, a saber: Indicador Agregado de Esforço (IAE) e Indicador Agregado de
Resultado (IAR). Estes indicadores agregados por sua vez são desmembrados em dois
indicadores cada: Índice de Atividades Inovativas (IAI) e Índice de Recursos Humanos (IRH),
compõem o IAE e o IAR é formado pelo Índice de Patentes (IP) e pelo Índice Impacto
Econômico (II)
O cálculo do IBI, segundo, Furtado e Quadros (2006) segue a fórmula a seguir:
(
)
(
)
111
,
214321
243121
=+=+=+
⋅
+
⋅
+
⋅
+
⋅
=
QQPPPP
Onde
QPIIPIPQPIRHPIAIIBI
As duas figuras a seguir apresentam a metodologia de cálculo detalhada bem como as
devidas orientações.
Figura 5 – Fórmula detalhada do IBI
Fonte: (INÁCIO e QUADROS, 2006)
64
Figura 6 – Legenda do IBI
Fonte: (INÁCIO e QUADROS, 2006)
Os pesos adotados para calcular o IBI, apresentados na parte inferior da tabela, não
foram explicitados, sugerindo que houve uma decisão subjetiva sobre os mesmos.
Furtado e Quadros (2006) apresentam um exercício com dez grupos da indústria de
transformação com maior IBI. A Tabela 1 apresenta os resultados.
Dentro dos grupos observam-se setores de alta tecnologia e setores de tecnologia
intermediária, este fato deve-se ao indicador medir o desempenho relativo do grupo dentro de
uma atividade setorial, tornando assim, o indicador mais coerente com a realidade tecnológica
de cada setor (FURTADO e QUADROS, 2006).
65
A estrutura conceitual do IAI é coerente com o novo conceito de dispêndio com
inovação que no passado era mensurado, apenas, pelos desembolsos na área de P&D, sendo
considerado atualmente como todos os gastos com inovação, inclusive aquisição de patentes,
licenças, equipamentos e instalações (MOHNEN e DAGENAIS, 2002).
Ainda, alguns autores como Mansfield (1986), Levin et al. (1987), Cohen (1996) e
Baldwin (1997) apud Baldwin, Hanel e Saboriun (2002), (ROS e LABEAGA, 2002),
(MANGEMATIN e MANDRAN, 2002) (FEENY e ROGERS, 2003) asseguram que a
mensuração, tão somente, do investimento em P&D não capta o esforço inovador da firma
como um todo, em adição, Ros e Labeaga (2002) afirmam que nem todos as atividades na
área de P&D geram patentes, em muitas oportunidades há ocorrência de mudanças
tecnológicas no âmbito da firma que não são reconhecidas pelo número de patentes.
66
TABELA 1: OS 10 PRINCIPAIS GRUPOS INDUSTRIAIS COM MAIOR IBI POR ORDEM
DECRESCENTE
Fonte: (FURTADO e QUADROS, 2006)
Como apresentado anteriormente as características dos Recursos Humanos compõem
o IBI. A proposta apresentada pelo IRH da Unicamp segue a orientação do Manual de
Canberra ao considerar tanto o aspecto educacional quanto a ocupacional – função exercida e
experiência nesta - (DOMINGUES e FURTADO, 2006). A composição do índice é feita
segundo os autores como:
“Para fins de medição do IRH o número de pessoal de nível superior mobilizado em
P&D é normalizado pelo pessoal ocupado total de cada setor e ponderado de acordo
com o nível de formação, de forma que o termo correspondente aos doutores, tem
67
um peso maior, o que corresponde aos mestres um peso intermediário e o que
corresponde aos graduados, o menor peso. Para formar o IRH, a soma dos recursos
humanos relativos, alocados em tempo integral à P&D, ponderada por nível de
qualificação de cada empresa, é depois normalizada em relação à média setorial
ponderada a dois dígitos. Com isso objetiva-se destacar as empresas com maiores e
mais intensos esforços para inovar em relação ao seu respectivo setor, o que também
se reflete pela melhor qualificação do pessoal mobilizado em P&D” (DOMINGUES
e FURTADO, 2006).
A Tabela 2 apresenta os resultados obtidos pelos autores em empresas brasileiras,
utilizando dados da PINTEC (2003), a partir do modelo proposto. Tendo em vista, as
definições utilizadas pelos autores, foi considerado para efeitos de insumo ao processo
inovador, apenas, o capital humano dedicado a atividade de P&D.
Os setores apresentados na tabela 2 foram agregados segundo a intensidade
tecnológica destes, tendo como ponto de partida os vinte e dois sub-setores listados na
Classificação Nacional de Atividades Econômicas do IBGE (FRANCO, CARVALHO e
CARVALHO, 2006).
68
TABELA 2: INTENSIDADE EM RH.
Fonte: Dominges e Furtado (2006)
69
O Índice Brasil de Inovação (IBI) na sua composição combina esforço e resultado num
único indicador, cujas variáveis segundo a fórmula, são relativizadas pelo desempenho do
setor, fato que ocorre quando os dados da empresa individual são divididos pela média do
setor. Importa destacar também, que as variáveis de impacto econômico estão relacionadas,
apenas, com o crescimento de receita, não existindo indicador que mensure o real efeito na
maximização de riqueza, tendo em vista, ser possível aumentar receita e destruir riqueza ao
mesmo tempo.
Apesar das limitações do modelo, condição natural para qualquer proposta de
modelagem organizacional, as premissas que norteiam esse trabalho se distaciam daquelas
que formam o IBI, pois nesta pesquisa busca-se entender a relação de causalidade entre o
processo de inovação e os seus resultados no desempenho da firma; e não uma análise
combinada de esforço e impacto. Todavia, as variáveis e pesos atribuídos pelo modelo IBI
permitiram uma melhor análise dos resultados a serem trabalhados nessa pesquisa.
3.3.
D
ESEMPENHO
Besanko, et al. (2006, p.36) ao questionar as origens da vantagem competitiva, afirma
que “algumas empresas exploram oportunidades para criar posições competitivas rentáveis
que outras empresas ignoram ou não conseguem explorar”. Assim, em mercados
competitivos, as firmas buscarão constantemente uma posição que lhes assegure um retorno
compatível com o nível de risco assumido (GITMAN e MADURA, 2003).
Todas as ações empreendidas por uma organização, inclusive àquelas destinadas à
inovação, são precedidas de investimentos, que em última análise constituirão ativos
(tangíveis e intangíveis) que pelo posicionamento da literatura financistanecessitará ter um
valor financeiro.
Para Damodaran (1999) o mais importante nos investimentos não é compreender o
montante aplicado, mas sim suas fontes de valor. Este princípio importa para o interesse desta
70
pesquisa, pois se procura entender as fontes de valor proporcionadas pelo investimento
realizado em inovação.
Analisar o desempenho de investimentos, que pode ser inclusive uma empresa, pode
assumir diversos caminhos, pois a definição de Damodaran (1999, p. 20) “(...)proporcionar
um posicionamento rentável(...)” é extremamente complexa, a começar pelo que seria
“rentável”? Outro ponto importante é a definição da taxa de desconto. Não existe um
consenso dentro da teoria de finanças sobre quais variáveis e em que medida, estas devem ser
consideradas para formar uma taxa de risco compatível com o empreendimento em questão.
A utilização de métricas de desempenho tradicionais, isto é, aquelas que não
consideram o custo do capital são as mais difundidas (MORGANTI, 2005). As principais
medidas de desempenho tradicionais são:
• Crescimento da Receita Líquida
• Crescimento dos lucros (líquido, bruto, operacional, antes de impostos,
depreciação e amortização, etc)
• Retorno sobre patrimônio líquido
• Retorno sobre o ativo total
• Retorno sobre vendas
• Giro do ativo total
• Retorno sobre os ativos líquidos
• Lucro por ação
• Índice Preço / Lucro
No entanto, essas medidas apresentam restrições, que podem ser encontradas em
Basso e Krauter (2003). A principal restrição é que a base de dados para o cálculo dessas
medidas é proveniente da contabilidade, cujas regras não contemplam princípios financeiros
71
importantes como: o risco das operações que as empresas estão incorrendo e o valor do
dinheiro no tempo.
Existem, ainda, particularidades entre os sistemas contábeis dos países que dificulta a
comparação entre empresas estrangeiras, além de flexibilidades nas próprias regras contábeis
para lançamentos de determinadas contas, como por exemplo, o próprio investimento em
inovação, que se pode constituir como ativo a ser diferido ou pode ser lançado como despesas,
respeitando é claro os limites impostos pela autoridade regulamentadora.
A distinção da informação contábil e financeira é importante quando empresas são
intensivas em capital e tem grandes investimentos na aquisição e desenvolvimento de
tecnologias, como por exemplo, à indústria petrolífera.
Um caminho utilizado é adoção de métricas de valor econômico adicionado, tais como:
Fluxo de Caixa Livre, Fluxo de Caixa Descontado, Fluxo de Caixa Descontado a Valor
Presente e Valor Econômico Adicionado. O uso dessas métricas permite capturar o valor da
empresa considerando todos os custos envolvidos nas suas operações e o custo do capital
próprio. A dificuldade em utilizar essas métricas numa pesquisa como esta é que não há séries
históricas de domínio público sobre essas informações o que acaba inviabilizando a execução
da pesquisa.
Como destacadas anteriormente, diversas pesquisas empíricas foram realizadas com
intuito de estabelecer a relação entre inovação e desempenho. A diversidade de métricas
utilizadas em ambos os construtos é latente e os resultados alcançados não apontam para quais
os indicadores a serem utilizados.
Cainelli, Evangelista e Savona (2004) utilizaram taxa média de crescimento das
vendas (totais e por empregado) e a taxa de crescimento dos empregados. Cozzarin (2004)
utilizou como indicadores de desempenho a produtividade do trabalho, emprego, participação
no mercado e valor adicionado. Feeny e Rogers (2003) definiram como métrica de
desempenho o valor de mercado das empresas. A justificativa por utilizar, apenas, o valor de
mercado está na aproximação do “q” de Tobin que congrega tanto o valor dos ativos tangíveis
quanto os intangíveis.
72
Kleinschmidt e Cooper (2000) usaram como medidas de desempenho para inovação
de produtos a rentabilidade adquirida pela introdução dos novos produtos, o período de
payback do investimento realizado, participação de mercado e crescimento de vendas e
exportação. Andreassi e Sbragia (2002) adotaram com métricas de resultado empresarial os
indicadores: lucro, faturamento, faturamento gerado por novos produtos, participação no
mercado e redução de custos advindas de melhorias no processo.
Morganti (2005) em estudo similar ao proposto utilizou como variáveis de
desempenho o ROA (Return On Assets), ROE (Return On Equity), EBITDA (Earning Berfore
Interest Tax Depreciation and Amortization), Crescimento do Lucro Operacional e
Crescimento da Receita Líquida.
Em razão dos objetivos propostos para essa pesquisa, bem como a disponibilidade dos
dados junto as fontes, o construto desempenho proposto para este trabalho será composto
pelos indicadores abaixo:
• ROS (Return On Sales)
• ROE (Return On Equity)
• ROA (Return On Assets)
• Margem Operacional
Foram privilegiados os indicadores tradicionais na análise de desempenho das firmas e
que possibilitem averiguar o efetivo ganho para a organização.
A Figura 7 representa de forma resumida a estrutura de relacionamento que se
pretende verificar nesta pesquisa com base no referencial teórico desenvolvido.
73
% Mestres e doutores
na atividade de P&D
% técnicos
dedicados ao P&D.
% pessoas
dedicadas a P&D.
Total gastos com
Treinamento no P&D /
Receita
% de graduados
dedicados ao P&D
Gastos com P&D
Interno / Receita
Gastos com
aquisição de,
máquinas / Receita
Número de Projetos
Capital
Humano
Número de Patentes
e licenças
Gastos com P&D
externo / Receita
Gastos com
conhecexterno / Receita
Impacto
Inovador
Esforço
Inovativo
I
N
O
V
A
Ç
Ã
O
D
E
S
E
M
P
E
H
N
O
Return on sales
Return on Equity
Return on Asset
Margem Operacional
Capital
relacional
74
Figura 7 – Diagrama de Caminhos sobre a Influência da Inovação no Desempenho das Firmas
Fonte: O autor
3.4. Inovação e Risco
Um dos principais desafios da teoria de finanças é mensurar o risco de um determinado
ativo. Danthine e Donaldson (2005) vão mais longe ao afirmarem que a aferição do risco de um
ativo é o coração da teoria de finanças. Tradicionalmente, a avaliação de ativos envolve bens,
empresas, ou um ativo financeiro, sendo a avaliação do risco de recursos intangíveis um campo
totalmente aberto a novas pesquisas.
Esse contexto pode ser compreendido pela dificuldade teórica em prover modelos
capazes de capturar o risco de investimentos, principalmente, quando os retornos não podem ser
dimensionados com clareza em razão de variações endógenas e exógenas a firma
(DAMODARAN, 1999) e (ASSAF NETO, 2005). Assim, o processo de tomada de decisão em
investir ou não, se torna uma tarefa árdua e certamente uma das decisões que definem o sucesso
ou fracasso de uma empresa.
Assim, insere-se uma das principais contribuições deste trabalho que, é apresentar um
modelo inédito para aferição do risco do recurso inovação, enquanto um capital intangível da
firma. Essa necessidade é justificada, pois o construto desempenho foi composto com variáveis
que mensuram o retorno da empresa, no entanto, é de pleno domínio no campo da valoração
empresarial que todo retorno está associado a um risco, desta forma, propõem-se uma estrutura
de cálculo que permita a identificação do risco do recurso inovação.
A compreensão do risco em finanças está baseada em dois fatores principais, segundo
Olivares (2002):
• Preferência pela liquidez dos investidores;
75
• Incertezas em relação aos retornos do investimento.
Para Olivares (2002) a preferência pela liquidez está baseada na teoria pós keynesiana,
onde os investidores tendem a demonstrar preferência aos ativos com maior poder de liquidez,
quando os riscos envolvidos são os mesmos. Essa condição é compartilhada com maior
profundidade em Danthine e Donaldson (2005), sendo que o conceito central é que os
investidores só aceitam a realização de um investimento hoje, se e somente se, o retorno desse
investimento no futuro lhe proporcionar uma riqueza maior que o seu investimento atual.
A possibilidade de variações no retorno é o que caracteriza o risco do recurso. Sabe-se
que atualmente já se trabalha uma distinção conceitual entre risco e incerteza, sendo o primeiro
caracterizado por variações passivas de serem modeladas estatisticamente e a segunda como um
evento aleatório não passivo de ser previsto. Essa distinção conceitual entre risco e incerteza,
pode ser encontrada em Knight (apud, DEQUECH, 1997). A situação é mais sensível em
indústrias impactadas diretamente por múltiplas variáveis externas a firma cujo comportamento
se apresenta sempre como incógnitas.
A necessidade em dimensionar o risco do recurso ao nível da firma está em conformidade
com a vertente teórica que orienta esta pesquisa, isto é, a teoria baseada em recursos. Conforme
destacado anteriormente, a escolha desta corrente se justifica por esta se apresentar como uma
teoria mais robusta no entendimento do desempenho das firmas em comparação com a
orientação neoclássica.
Desta forma, a teoria baseada em recursos assume que o desempenho das firmas é
determinado pelo seu nível de recursos estratégicos disponíveis, onde se entende como
estratégicos os recursos caracterizados pelo seu valor de mercado, raridade, não imitáveis e não
substituíveis (BARNEY, 1991). Com efeito, considera-se o desempenho da empresa e, portanto,
o seu risco uma conseqüência do gerenciamento e operacionalização dos recursos estratégicos da
firma.
76
Apesar da importância dos recursos para a competitividade das firmas, ainda não se
observa na literatura uma maior tratamento do risco do recurso, tornando-se assim uma
oportunidade para se identificar essa relação e ampliar o foco da análise.
Barney (2007) considera um recurso como arriscado conforme a variação existente na sua
distribuição de probabilidades de ocorrência, contudo, há uma dificuldade latente em se definir
parâmetros de maior ou menor variação.
Uma alternativa para resolver a questão acima é considerar a variação do setor, assim
quando se entende que os resultados atuais da empresa são efeitos das escolhas assumidas no
passado, a avaliação do retorno e risco sempre será realizada com base nos padrões de mercado
e/ou indústria, ou seja, o risco da firma quando considerado individualmente não explica seu
nível de competitividade dentro do setor, sendo necessário o estabelecimento de uma relação
entre a firma e o setor.
A bibliografia tradicional de finanças quantifica a dispersão da distribuição de
probabilidades de resultados futuros por meio do desvio padrão, cuja fórmula encontra-se a
seguir.
Desvio Padrão =
( )
∑
=
−
N
i
ii
VVP
1
2
(1)
Onde,
=
P
probabilidade de ocorrência do resultado i,
=
V
o valor do resultado i,
=V a média de todos os resultados
=
N
número de resultados.
Em razão, do recurso inovação ser tratado como um investimento, importa realizar uma
análise nas técnicas mais tradicionais para análise de investimento encontradas na literatura, que
são basicamente: Payback, Taxa Interna de Retorno, Fluxo de Caixa Descontado e Opções Reais
77
(DAMODARAN, 1999), (GITMAN e MADURA, 2003), (ROSS, WESTERFIELD e JAFFE,
2002) e (ASSAF NETO, 2005), no entanto, a utilização do Fluxo de Caixa Descontado e Opções
Reais são consideradas as mais robustas, em especial, a última (SANTOS, 2002).
A avaliação de investimentos por meio de fluxo de caixa descontado e opções reais são
brevemente discutidas na sequência desta seção, com intuito, de proporcionar um melhor
entendimento do posicionamento e formação da variável risco nos dois métodos, para na
continuidade apresentar a formação do modelo de risco.
3.4.1. Fluxo de Caixa Descontado e Risco
Damodaran (2001) apresenta o método do FCD para avaliação de investimentos como
segue:
(
)
( )
∑
=
+
=
1
1
t
t
WACC
FCL
FCD
(2)
Onde,
=
t
FCL
Fluxo de Caixa Livre proporcionado pelo investimento no período t.
=
WACC
É a sigla inglesa do custo médio ponderado de capital (
Weighted Average Cost of
Capital
).
A aceitação ou rejeição do investimento dá-se pelo cálculo do Valor Presente Líquido
(VPL) apresentado a seguir (DAMODARAN, 2001):
(
)
( )
∑
=
−
+
=
1
1
t
t
I
WACC
FCL
VPL
(3)
78
Na equação (3) o FCD é subtraído do investimento realizado. Se o valor for positivo o
investimento é aceito, se o valor for negativo o investimento é rejeitado.
Por apresentar forte apelo intuitivo o FCD é a ferramenta mais utilizada pelos analistas,
no entanto, suas limitações são evidentes pela sua metodologia, pois depois de feita as projeções
e estimativas de fluxo de caixa, este é descontado para data presente, não sendo possível
acompanhar ou captar possíveis alterações no cenário futuro.
Observa-se na fórmula 3 que a variável risco está inserida no custo do capital, cuja
fórmula encontra-se abaixo.
( ) ( )
+
+
+
=
DE
D
K
DE
E
KWACC
de
(4)
Onde,
=
WACC
Custo Médio Ponderado de Capital
=
e
K
Custo do patrimônio líquido
=
d
K
Custo das dívidas
(
)
[
]
=+ DEE /
Proporção em valor de mercado do Patrimônio Líquido em relação ao valor do
mix de financiamento;
(
)
[
]
=+ DED /
Proporção em valor de mercado da dívida em relação ao valor do mix de
financiamento.
O custo da dívida é mais fácil de ser identificado e, portanto quantificado, contudo, o
custo do patrimônio líquido, está associado ao custo de oportunidade da firma, a despeito da
recomendação dos principais autores em se buscar o nível do custo de capital de cada projeto, a
maioria das empresas utiliza uma taxa interna definida com base no seu custo de oportunidade
79
para avaliar os projetos (SANTOS, 2002). Assim sendo, o custo do capital próprio tem sido
mensurado pelo conceito de beta
(
)
β
, oriundo do mercado financeiro, onde a covariância entre
os retornos de um determinado ativo e da carteira de mercado é dividida pela variância da
carteira de mercado, conforme Ross, Westerfield e Jaffe (2002).
(
)
( )
m
mi
R
RRCOV
2
,
σ
β
=
(5)
Apesar da prática empresarial apresentada acima, Barney (2002) argumenta que existem
incertezas significativas e riscos associados com os fluxos de caixas oriundos de estratégias
novas e inovadoras, isto é, os resultados do recurso inovação e que, em tese, tem uma estrutura
de risco divergente do restante da empresa, não poderia ser avaliado pelo custo de oportunidade
da empresa.
De igual forma, a utilização da taxa livre de risco é inapropriada, pois, os investimentos
em recursos inovativos apresentam um grau de risco mais elevado que os prêmios pagos aos
investimentos em ativos livres de risco.
A solução encontrada por Barney (2002) foi designar uma taxa de desconto aos fluxos de
caixa que podem ser gerados implementando estratégias novas e inovadoras, taxa está baseada
em uma classe de risco (
risk class
), ou seja, o autor sugere classes de riscos específicas para
investimentos em recursos inovativos, obedecendo categorias como conservadores, moderados e
agressivos; onde a lógica para aceitação de investimentos, quando em ambientes com restrição
orçamentária dar-se-ia pela escolha daqueles que maximizam o valor presente líquido com o
menor risco associado.
O fluxo de caixa descontado como ferramenta de análise de investimento tem a severa
limitação de considerar os investimentos como irreversíveis (DIXIT e PINDYCK, 1995); desta
forma, admite-se que depois de aceito não se pode alterar o curso do projeto, seja adiantando,
antecipando, trocando tecnologia ou mesmo a paralisações provisórias do investimento.
Adiciona-se outra limitação, pois à medida que o investimento se materializa, novas informações
80
vão sendo incorporadas tornando, normalmente, mais claro (menos incerteza e risco) os
resultados do investimento, em conseqüência, essa situação altera as premissas iniciais do
investimento, inclusive a taxa de desconto, permitindo uma nova análise e, em conseqüência,
novas escolhas.
A estrutura do fluxo de caixa descontado, também, não incorpora informações de
aprendizado estratégico, em especial na área de inovação, onde um dos principais produtos é a
formação de conhecimento, desta forma, um investimento em atividades inovativas pode não ter
conseqüências diretas e positivas para uma empresa no curto prazo, mas pode criar
oportunidades estratégicas para esta a empresa no futuro em razão do conhecimento adquirido.
Barney (2002), mais uma vez, sinaliza uma possível solução para estas restrições do fluxo
de caixa descontado quando da utilização das classes de risco ajustadas para cada investimento e
que estas fossem atualizadas sistematicamente, contudo, o próprio autor se mostra descrente
quanto à efetiva aplicação empírica da proposta, pois o esforço gerencial em mensurar
sistematicamente as estratégias de investimentos adotadas e principalmente em áreas com altas
taxas de risco e incerteza seria praticamente impossível.
Destarte, as limitações do método fluxo de caixa descontado têm possibilitado uma maior
utilização no meio empresarial da teoria de opções reais; sendo esta uma metodologia mais
robusta para análise de investimentos com alta distribuição de resultados e incerteza (SANTOS,
2002).
3.4.2. Opções Reais e Risco
Os parâmetros que modelam a moderna Teoria das Opções Reais (TOR) não são novos.
O filósofo Tales (350 a.C.), formulou um modelo para determinar uma fração do valor das
prensas utilizadas na produção de óleo de oliva que seria pago ao proprietário delas como uma
81
opção de exercer ou não o direito de utilizá-las num determinado período de tempo
(BERSNTEIN, 1992, apud DEZEN, 2001).
A possibilidade de exercer ou não esse direito era de grande importância, pois não se
conhecia, a priori, a quantidade e o valor da colheita.
Tales, assim, estabeleceu uma proposta que lhe garantia a opção de utilizar as prensas,
contudo essa opção não lhe trazia uma obrigação de aquisição. Ele procurou por uma fração do
valor das prensar ter o direito de fazer uma escolha; utilizar as prensas e pagar um valor pré-
estabelecido ou não exercer a opção e perder o valor já desembolsado para assegurar a opção,
porém, seria um prejuízo menor se adquirisse as prensas e o cenário pessimista se confirmasse.
Dessa forma, Tales poderia maximizar seus ganhos em caso de sucesso na colheita de
oliva e minimizaria sua perda num cenário de péssima colheita. O parâmetro principal é poder
esperar o momento mais indicado para tomar a decisão, de maneira que se possa reagir às
informações com maior segurança, pagando-se um prêmio por essa opção ou por esse direito.
As opções financeiras apresentam diversas aplicações em várias áreas do conhecimento e
seu uso se iniciou no mercado financeiro, onde recebeu os primeiros tratamentos matemáticos e
depois foi propagado em outros meios, em especial no mundo corporativo.
A utilização inicial no mercado financeiro visava atender a necessidade de produtores
agrícolas que buscavam uma forma de garantir um preço pelas suas colheitas futuras. Buscavam
vender no mercado a colheita futura por um preço já estabelecido e encontravam nos investidores
possíveis compradores desse direito, que buscavam auferir lucros utilizando sua expertise em
determinar o valor futuro desses ativos. Nessas circunstâncias é que surge a teoria das opções.
Uma opção é um direito que alguém tem, todavia esse direito não é uma obrigação,
podendo ser exercido ou não segundo a idiossincrasia do tomador de decisão em cada momento
da vida útil daquela opção. Esse direito é sustentado por um contrato que garante ao comprador o
direito de comprar ou vender um determinado ativo por um preço pré-determinado. A vida útil
da opção também é determinada em contrato, para obter esse direito, como no exemplo de Tales,
o comprador precisa pagar um valor ou, como é conhecido, um prêmio pela opção.
82
De posse desse contrato, o comprador pode exercer o seu direito comprando ou vendendo
o ativo em questão, e em contrapartida o vendedor ou o lançador da opção se obriga a vender ou
comprar o ativo pelo preço determinado em contrato, caso o comprador decida exercer o seu
direito. Na hipótese de que o comprador não exerça tal direito o lançador mantém a propriedade
do ativo e lucra o prêmio pela opção, já pago pelo comprador.
O ativo em questão, também chamado de ativo-subjacente ou ativo objeto, é qualquer
bem ou direito que o lançador tenha, cujo valor possa ser expresso em unidade monetária ou
através de um índice.
Além das opções de compra e venda conhecidas, como “tradicionais” existem as
chamadas opções exóticas, como por exemplo, opções cujo valor é o máximo entre a média
geométrica dos preços do ativo subjacente menos o preço de exercício e zero.
Diante da situação apresentada, pode-se dizer que todo contrato de opção deverá ter:
Prêmio ou valor pela opção
– o direito de possuir uma opção tem um preço que servirá
para pagar o lançador da opção o seu compromisso em vender ou comprar o ativo-objeto pelo
preço estipulado.
Preço de exercício
– o ativo-objeto terá um preço previamente determinado que deverá
ser expresso em forma de índice ou em unidades monetárias.
Prazo de exercício
– a opção deverá ter uma data limite para exercício. O tempo que
compreende a aquisição da opção e o seu vencimento é conhecido como maturidade. Se o
comprador não exercer o seu direito, a opção expira e ele perde o valor desembolsado pelo
prêmio da opção.
Ativo-objeto
– é um bem ou direito que fundamenta o valor da opção e deverá ter o seu
valor quantificado previamente pelas formas já mencionadas.
83
A classificação das opções reais é realizada segundo a flexibilidade que elas apresentam.
A flexibilidade que os tomadores de decisão possuem ao realizarem algum tipo de investimento é
o principal diferencial entre a TOR e o FCD. À medida que o tempo avança e novas informações
são recebidas a avaliação do exercício ou não da opção ganha em importância financeira, pois
permite ao tomador de decisão minimizar as perdas ou mesmo maximizar os ganhos não
previstos anteriormente.
Segundo Trigeorgis (1996) as opções dentro de um projeto de investimento podem ser
classificadas da seguinte forma: opção de adiar, opção de investimentos em fases, opção de
alterar a escala de operação, opção de abandonar, opção de mudar (produção ou matéria prima) e
opções Múltiplas.
A TOR não elimina a técnica FCD, passa, agora, a utilizá-la como um insumo
importante para a valoração da opção, pois a TOR é um fluxo de caixa descontado, que capta as
flexibilidades de tomada de decisão no decorrer do tempo (SANTOS, 2002). Dessa forma, o
valor de uma opção será a diferença entre um valor presente líquido de um projeto com
flexibilidade (expandido), do valor presente líquido sem flexibilidade, podendo ser escrito como:
VPLflexVPLOpção
−
=
)( (6)
Como apresentado, a teoria das opções reais apresenta maior robustez na análise para
tomada de decisão à metodologia FCD. Para Amram e Kulatilaka (1999) a utilização da
metodologia opções reais para avaliação de investimentos deve ser aplicada quando:
•
Existem decisões contingenciais;
•
Grande variância assimetricamente positiva;
•
A incerteza é grande o bastante para tornar imperativa a consideração da flexibilidade;
•
Existência de oportunidades de crescimento são mais significativas que a geração de
fluxo de caixa;
•
Quando o VPL do projeto for apresentar expressivos resultados positivos.
84
Se algumas das condições acima são atendidas, ou mesmo apenas uma, deve-se utilizar a
TOR. Para tanto os passos são os seguintes:
•
Determinação das incertezas futuras do projeto de investimento;
•
Escolher um modelo de avaliação das opções;
•
Aplicar o modelo e analisar os resultados visando a tomada de decisão.
Após a identificação das incertezas, se faz necessário escolher um modelo de avaliação
para o cálculo do valor das opções, a saber:
•
Black – Scholes (utilização de equações diferenciais parciais)
•
Simulações ( Monte Carlo)
•
Programação Dinâmica (Distribuição Binominal)
Segundo Dias (1996), em sua dissertação de mestrado, os modelos matemáticos para
valorar as opções devem levar em consideração vários fatores que influenciam o prêmio pela
opção; sendo assim, é salutar que todas as premissas abaixo sejam satisfeitas:
•
Ativos são negociados continuamente, e todos os preços seguem processos estocásticos
contínuos e estacionários;
•
Os fluxos de caixa intermediários não são considerados;
•
Os preços dos ativos se comportam de forma randômica;
•
A distribuição dos preços do ativo subjacente é log normal;
•
A variância do retorno e a taxa livre de risco são constantes ao longo do tempo;
•
Inexistência de restrições ou custos atrelados a venda;
•
Os custos de transação ou taxas não são considerados.
85
3.4.2.1. O Modelo de Black – Scholes
Apesar da utilização intuitiva dos fundamentos da teoria das opções desde a antiguidade,
ela ganha forte impulso com a publicação do artigo The Pricing of Options and Corporate
Liabilities por Fisher Black e Myron Scholes em 1973 que passou a vigorar no mercado de
capitais americanos. No mesmo ano Robert Merton publica um artigo sob o título The Theory of
Rations Options Pricing onde calcula as opções por um modelo semelhante. A importância do
trabalho desses autores rendeu a Myron Scholes e Robert Merton o Prêmio Nobel de Economia
em 1997, Fisher Black não recebeu por ter falecido em 1989.
O modelo Black – Scholes foi criado para avaliar opções financeiras protegidas por
dividendos do tipo européia. O modelo alicerçar-se na premissa que o valor do ativo subjacente
varia no decorrer do tempo seguindo um processo estocástico definido como Movimento
Geométrico Browniano. Para acompanhar o valor do ativo o modelo constitui uma carteira que
represente o movimento do valor do ativo. Essa carteira é hegiada para que se elimine os ganhos
de arbitragem e proporcione ao investidor uma taxa de retorno igual à taxa do ativo livre de risco.
De acordo com Copeland e Antikarov (2001) a utilização do modelo pressupõe o
entendimento das sete hipóteses que limitam o modelo na avaliação das opções reais, a saber:
•
Trata-se de uma opção européia, logo a decisão em realizá-la ou não ocorrerá
apenas no vencimento da opção;
•
Opções compostas não podem ser utilizadas, pois o modelo pressupõe apenas um
único ativo subjacente sujeito ao risco;
•
As taxas de juros são constantes;
•
O ativo subjacente não paga dividendos;
•
A variância do retorno sobre o ativo subjacente não se altera no decorrer do
projeto de investimento;
86
•
O preço de exercício é conhecido e constante;
•
O preço de mercado corrente e o processo estocástico seguido pelo ativo
subjacente são conhecidos.
O valor de uma opção de compra no modelo Black-Scholes pode ser expresso como
função das seguintes variáveis:
0
S Valor atual do ativo subjacente;
(
)
1
dN
Probabilidade normal acumulada de uma unidade normal da variável
1
d
(
)
2
dN
Probabilidade normal acumulada de uma unidade normal da variável
2
d
X
Preço de exercício;
T
Prazo de vencimento;
f
R Taxa livre de risco;
e
Base dos logaritmos naturais, constantes = 2,7128
O modelo em si pode ser expresso como:
(
)
(
)
2100
dNeXdNSC
tR
f
⋅⋅−⋅=
⋅−
(7)
Onde,
T
T
TR
X
S
d
f
⋅⋅+
⋅
⋅+⋅
=
σ
σ
2
1
ln
1
(8)
Tdd ⋅−=
σ
12
(9)
Utilizando o mesmo modelo para valorar uma opção de venda pode-se expressar da
seguinte forma por Damodaran (2001):
87
(
)
(
)
1020
dNSdNeXP
tR
f
⋅−−⋅⋅=
⋅
(10)
Apesar das restrições, o modelo acima é bastante didático, pois as variáveis podem ser
facilmente encontradas no mercado, por isso é amplamente utilizado para o cálculo de opções
financeiras. A principal dificuldade é justamente a definição da variância do retorno, isto é, o
risco. Essa volatilidade pode ser aferida por intermédio de diversos métodos, dentre eles: a
variabilidade histórica, volatilidade condicional, apurada através de modelos auto-regressivos ou
mesmo pela volatilidade implícita que é calculada pelo modelo de Black-Sholes, contudo, volta-
se a proposição semelhante do fluxo de caixa descontado.
3.3.2.2. Simulação
A simulação Monte Carlo é a ferramenta mais conhecida, segundo Joel Antunes
Guimarães Júnior em sua dissertação de mestrado (2003). A técnica acima é utilizada na
avaliação de opções financeiras do tipo européia, através de uma “simulação estatística que
utiliza métodos de amostragem para resolver problemas de natureza estocástica ou determinística.
Normalmente, quantidades que podem ser escritas sob a fórmula de valor esperado de uma
variável aleatória, definida sob um espaço de probabilidade”. Assim ela lança mão de regras de
decisão que analisam as complicadas relações entre o valor da opção e o valor do ativo base.
Para efeitos de análise a simulação de Monte Carlo lança mão do valor atual do ativo
subjacente, taxa livre de risco, volatilidade da taxa de retorno e do intervalo de tempo. De posse
desses dados o software é capaz de gerar números pseudo-aleatórios que representam o preço do
ativo num intervalo de tempo para uma determinada data. O software pode gerar até 500
trajetórias para o preço do ativo do momento inicial até o vencimento (SASSATANI e
SIQUEIRA, 2000).
88
3.4.2.2. Modelo Binominal
A literatura financista considera o modelo binominal o mais adequado para avaliação de
opções americanas (COPELAND e ANTIKAROV, 2001). Esse tipo de opção é a que mais se
aproxima dos ativos reais, pois pressupõe a possibilidade para realização do exercício antes do
prazo. Além disso, o modelo é capaz de captar todas as alterações de preço do ativo subjacente
em cada momento (nó) da vida útil do investimento.
O modelo binominal ainda oferecerá a vantagem de não contar com a aferição do risco
não diversificável, pois o processo de modelagem implica na criação de uma carteira que
replique as características de retorno do investimento, utilizando o princípio da neutralidade de
risco (COX, ROSS e RUBINSTEIN, 1979). Assim, todos os ativos podem ser avaliados
utilizando-se a taxa de retorno livre de risco.
O modelo binominal proposto por Cox, Ross e Rubinstein (1979) coloca como
imperativo:
•
Apenas dois valores do ativo subjacente para cada momento da vida útil do
investimento;
•
Não existe oportunidade para ganhos de arbitragem.
Assim em cada intervalo de tempo t
∆
, o ativo subjacente assumirá dois valores; um
ascendente caracterizado por )1(
>
uu e um descendente caracterizado por d )1(
<
d . Destarte,
se
0
S for o valor atual do ativo subjacente, o preço do mesmo para
1
=
t
, seria alcançado por
uSS ×=
01
; ou por
dSS ×=
01
nas duas situações o preço da opção seria
u
F
e
d
F
respectivamente.
Existindo um aumento no preço do ativo subjacente, o valor da carteira será:
u
FuS −∆⋅
0
(11)
Em contrapartida, se houver uma redução no preço do ativo subjacente, ter-se-á:
89
d
FdS −∆⋅
0
(12)
Logo, para que a carteira ofereça um retorno livre de risco, (11) e (12) precisam ser iguais.
Desta forma,
du
SS
FF
o
du
0
−
−
=∆
(13)
Assim sendo, ∆ pode ser entendido como sendo a taxa de variação do preço da opção em
relação à variação do preço do ativo subjacente. Marreco (2001) chega a seguinte definição:
(
)
TR
u
f
eFuSFS
⋅−
⋅−∆⋅=−∆
00
(14)
Substituindo ∆ obtido pela equação (13) e (14) e simplificando tem-se:
(
)
[
]
du
TR
FFeF
f
⋅−+⋅⋅=
⋅−
ρρ
1
(15)
Onde,
d
u
de
TR
f
−
−
=
⋅−
ρ
(16)
Percebe-se que os valores “u” e “d” são definidos segundo a variabilidade e o retorno
esperado do ativo subjacente. De acordo com Hull,1999 (apud, MARRECO, 2001), isso pode ser
feito da forma descrita a seguir.
t
∆
nada mais é do que o intervalo entre os nós que possuem os valores do ativo
subjacente em cada momento da vida do investimento. A probabilidade associada ao movimento
ascendente “u” é dada por “ρ”, não obstante o movimento descendente “d” será (1 – ρ). Portanto,
o valor do ativo subjacente ao final do período será alcançado por
t
eS
∆
⋅
µ
0
, onde “µ” representa
90
o remuneração esperada do ativo subjacente. Destarte, o valor esperado considerando as
probabilidades será dado por:
(
)
dSS
u
⋅⋅−+⋅
00
1
ρρ
(17)
Igualando a equação (17) a remuneração esperada do ativo subjacente, pode-se encontrar
uma fórmula para calcular “ρ”.
d
u
de
t
−
−
=
∆
µ
ρ
(18)
Resta apenas o cálculo da variabilidade dos retornos em cada período de tempo, com
assunção de que o valor do ativo segue um processo browniano. O desvio padrão do ativo pode
ser obtido em:
( )
( )
1
2
2
−
∑−∑
=
n
xxn
σ
(19)
“Divide-se a fórmula do desvio padrão por
t∆
1
, pois a unidade de medida padrão na
avaliação das opções é um ano, e, de acordo com o modelo de movimento browniano,
t∆⋅
σ
é
a volatilidade para um período de tempo ∆t”. (ROCHMAN, 1998)
Para ajustar ao modelo binominal a volatilidade, igualam-se as variâncias do retorno do
ativo a árvore.
(
)
(
)
[
]
tdpudu ∆⋅=−+⋅−⋅−+⋅
2
2
22
11
σρρρ
(20)
Substituindo (19) em (20) é possível chegar aos valores de “u” e “d”, assim,
t
eu
∆⋅
=
σ
(21)
91
t
ed
∆⋅−
=
σ
ou
u
d
1
= (22)
Após o entendimento dos procedimentos anteriores pode-se compreender com mais
precisão a árvore binominal (Figura 8) resultante do modelo desenvolvido. Atente-se que o
modelo acura o valor justo para o prêmio a cada nó, quando dos valores futuros é descontada a
taxa livre de risco. Dessa forma, o modelo possibilita verificar o valor correto do prêmio em cada
nó de acordo com seus movimentos ascendentes ou descendentes.
Figura 8 - Movimento de Árvore binominal: movimentos para o valor do ativo
Fonte: O autor
Para o cálculo do valor da opção, se faz necessário determinar o preço de exercício do
ativo subjacente e num processo de trás para frente é possível chegar ao momento zero com o
valor do ativo agora com a flexibilidade captada.
S
S
u
S
d
S
S
u
2
S
d
2
S
u
3
S
u
S
d
S
d
3
92
3.4.3. Proposta de Modelo de Risco
Como desenvolvidos em seções anteriores a diversidade de setores e empresas implicará
em níveis de investimento e por conseqüência risco distinto tanto entre setores como entre firmas.
Desta forma, a mensuração do risco da firma deve levar em consideração não só a volatilidade
dos seus resultados esperados, mas também a associação destes com os resultados e variância do
setor.
A dificuldade em mensurar o risco foi apresentada anteriormente e, apesar do esforço
teórico, observa-se que não há consenso na literatura sobre a melhor técnica a ser utilizada.
Portanto, estão sendo propostos neste trabalho três modelos de risco para o construto inovação,
sendo que todos tomarão como base os resultados da relação de causalidade entre inovação e
desempenho tratada pela modelagem de equações estruturais.
O primeiro modelo servirá como base para os demais, onde a questão central reside na
hipótese de que o construto inovação (capacidade de inovar da firma) exerce influência positiva
no desempenho empresarial. Essa hipótese quando testada, e se confirmada, pela modelagem de
equações estruturais permitirá avaliar o fator relativo de cada variável na capacidade de inovar,
tanto no âmbito da empresa individual, quanto setorialmente. Em adição, a partir da
quantificação da capacidade de inovar das empresas e setor longitudinalmente (2000, 2003 e
2005), espera-se ser possível captar a volatilidade intrínseca ao construto inovação da empresa e
do setor, e então, a identificação do risco.
O modelo de risco para o construto inovação será construído, a partir de um conceito
simples até uma formulação mais completa. A idéia inicial parte do princípio que o construto
inovação é formado por uma única variável, por exemplo, os gastos totais em P&D interno, neste
sentido, poder-se-ia calcular o nível médio longitudinal do recurso inovação da firma como a
média dos gastos totais em P&D interno num determinado período.
A fórmula (23) expressa o cálculo:
93
∑
=
=
M
t
t
i
M
NRE
NRE
1
_______
(23)
Onde,
=
i
NRE
média dos gastos totais para um determinado período
M = número de períodos
De igual modo, tem-se a possibilidade de calcular o nível médio do recurso inovação para
um determinado setor conforme abaixo:
∑
=
=
N
t
i
N
NRE
NRS
1
_______
(24)
Onde,
=NRS
média dos gastos totais em P&D interno para um determinado setor
=
N número de empresas no setor
Desta forma, o risco da empresa poderia calculado, a partir da seguinte diferença:
tset
t
i
NRS
NRE
RE
σσ
−= (25)
Onde,
=
i
RE Risco da Empresa
=
t
NRE gastos com P&D interno da empresa no período t.
=NRS
média dos gastos com P&D interno no setor.
=
et
σ
desvio padrão dos gastos com P&D interno da empresa no período t.
=
st
σ
desvio padrão dos gastos comP&D interno do setor no período t.
Entretanto, a figura 7 mostra um construto inovação, formado por diversas variáveis que
provavelmente possuem influências relativas distintas na capacidade de inovar da firma, portanto,
se faz necessário estender o conceito simples expresso na fórmula (25) para um modelo que
considere pesos diferenciados para os recursos.
94
Assim, a capacidade de inovar da firma poderia ser representada na fórmula a seguir:
i
i
i
pesos
Variáveis
InoCapacidade ×=
∑
σ
var_ (26)
Sendo, ainda, possível calcular o desvio padrão de cada variável para um determinado
período t, bem como a média dos gastos totais para a empresa e para o setor, pode-se alcançar
um conceito complexo de risco de inovação:
s
s
e
e
InvestInvest
EmpresaRisco
σσ
−=_ (27)
+
+
−
+
+
t
t
t
t
t
t
t
t
t
t
t
t
zs
z
ys
y
xs
x
ez
z
ey
y
ex
x
NRS
c
NRS
b
NRS
a
NRE
c
NRE
b
NRE
aEmpresaRisco
σσσσσσ
_
(28)
Onde,
=
CIE Capacidade de inovar da empresa
=
CIS Capacidade de inovar do setor
=
e
σ
Desvio padrão do recurso da empresa
=
s
σ
Desvio padrão do recurso do setor
=
cba ,, pesos distintos de contribuição para formação do construto inovação
=
z
y
x
,
,
diferentes variáveis que explicam a inovação
O modelo IBI, por exemplo, além de ter definido as variáveis que compõem o construto
inovação, atribuiu pesos a estas variáveis. Essa posição foi testada nessa pesquisa, para que se
possa comparar os pesos atribuídos pelo IBI com os pesos atribuídos pelas equações estruturais.
A proposta sugere que o risco do recurso da empresa leva em consideração a posição do
nível de capacidade de inovar da empresa (dividida pelo desvio padrão do recurso) em relação a
média do setor (dividida pelo desvio padrão do setor).
95
Desta forma, se a capacidade de inovar da empresa for maior que a capacidade do setor,
significa que a empresa possui um risco do recurso inovação menor que o setor, pois para cada
unidade de desvio padrão a empresa apresenta um valor maior.
4.
P
ROCEDIMENTOS
M
ETODOLÓGICOS
Diversos caminhos metodológicos poderiam ser tomados para realização dessa pesquisa,
como se pode verificar no referencial teórico. Essa diversidade é inerente aos estudos
organizacionais enquanto área do conhecimento dominada pela muldisciplinariedade, assim
pesquisas qualitativas e quantitativas se confrontam e ao mesmo tempo se complementam na
administração, além do uso crescente de metodologias não convencionais. Essa situação não é
diferente na teoria da inovação, como exemplo, Badwin e Johson (1996) (apud, MOHNEN e
DAGENAIS, 2002) que utilizaram uma técnica não paramétrica para avaliar se as firmas mais
inovadoras são aquelas que dentre outros fatores valorizam o capital humano, marketing, fontes
de financiamento diversificadas e visão gerencial.
Todavia, a pesquisa quantitativa é predominante nesta área do conhecimento por
conseguir apresentar resultados mais tangíveis e factíveis de confirmação e replicação em outros
contextos. Nesta linha diversos autores têm se esforçado para encontrar indicadores desde o nível
macro até o micro com o objetivo de mensurar a importância da inovação tanto para as
organizações quanto para países e regiões. Porter e Stern (1999), por exemplo, criaram um
indicador para medir os determinantes básicos da inovação para os países, capturando assim,
informações como, recursos humanos, infra-estrutura em pesquisa básica, fontes de
financiamento de capital de risco, incentivo para inovação, presença de clusters, fornecedores
locais, fornecedores sofisticados e outros.
96
A pesquisa quantitativa no campo da teoria da inovação tem sido facilitada pela evolução
da base teórica e da criação de dados secundários do tipo
survey
para construção de séries
históricas (DUGUET, 2003), além é claro, da existência de diversas técnicas estatísticas
multivariadas amplamente utilizadas em outras disciplinas. No entanto, a falta de consenso entre
as variáveis que compõem o construto inovação é uma das dificuldades apresentadas por Duguet
(2003) em resenha apresentada ao livro de A. Kleniknecht (
Determinants of Innovation: The
Message from New Indicators, London: MacMillan Press
).
Portanto, faz-se necessário o contínuo esforço em utilizar novas variáveis para formação
do construto inovação e que estas venham a complementar, o tradicional P&D. Em adição, a
possibilidade de diversificar as ferramentas estatísticas para o tratamento dos dados poderá
apresentar novos resultados e entregar maior robustez àqueles já alcançados quando puderem ser
confirmados.
Este trabalho, como já destacado anteriormente, foi conduzido por intermédio de métodos
quantitativos multivariados que permitiram testar e propor modelos de causalidade entre
inovação e desempenho, portanto, a base epistemológica que sustentou esse caminho é a doutrina
positivista que tem suas origens em Descartes e Bacon.
No entanto, importa destacar que, essa escolha não implica na assunção de se buscar uma
verdade ou mesmo na plena confiança das ferramentas estatísticas, isto é, buscou-se usar as
potencialidades das técnicas estatísticas para explicar as relações de causa e efeito entre os
construtos, sem ignorar as limitações do método e na adoção de uma postura ativa sobre os
fenômenos.
Essa perspectiva foi salutar no curso da pesquisa, pois permitiu realizar alterações na
formação das variáveis, sem desrespeito a orientação teórica, a fim de se encontrar um modelo
mais ajustado, garantindo um dinamismo no ato de pesquisar, bem como, compreender as
relações de causalidade sob outras perspectivas.
97
4.1.
E
STRUTURA DA
P
ESQUISA
A pesquisa foi realizada com base em dados secundários oriundos de três fontes distintas,
Gazeta Mercantil, SERASA e IBGE-PINTEC, sendo que as bases da Gazeta Mercantil e
SERASA proveram as informações inerentes ao construto desempenho e a base do IBGE-
PINTEC as informações inerentes as variáveis que compõe a inovação.
A base do SERASA já estava disponível junto a Universidade, sendo necessária, a
inclusão de outras empresas para aumentar a representatividade do universo a serem
encaminhados para o IBGE, assim, utilizou-se a base da Gazeta Mercantil que disponibilizava os
dados setorialmente e por conta solicitada, o que demandou grande trabalho para a correta
aquisição e tabulação dos dados em planilha eletrônica.
O universo de empresas enviado para o IBGE superou 4.000 (quatro mil) firmas, que fez
o cruzamento (
merger
) desta base com a PINTEC, por meio do CNPJ. O próprio IBGE unificou
a base completa e a disponibilizou nas suas instalações, onde o tratamento estatístico foi entregue
em duas oportunidades, uma na primeira semana de outubro de 2008 e a segunda na primeira
semana de 2009, para ajustes e outros testes necessários.
Assim, a pesquisa deu-se em quatro estágios, conforme a Figura 9. O seqüenciamento
apresentado teve por natureza um melhor planejamento e organização das atividades. Contudo,
com o decorrer da pesquisa e dos resultados, esse fluxo aconteceu ciclicamente com o intuito de
se testar todas as alternativas possíveis, bem como, oferecer a oportunidade em se comparar
modelos, a fim, de se buscar o melhor ajuste possível.
O tratamento estatístico foi realizado pelo software SPSS versão 15.0 e seu aplicativo
AMOS na versão 17.0 para trabalhar a modelagem de equações estruturais.
98
Figura 9 – Estrutura da Pesquisa
Fonte: O autor.
4.2.
L
IMITAÇÕES DO
M
ÉTODO
Além das limitações tradicionais quanto ao uso de técnicas estatísticas em amostras não
probabilísticas, como a generalização; o tempo para realização da pesquisa e seu tratamento
Formação do construto
inovação
Análise Fatorial das variáveis
explicativas da PINTEC
Análise da influência da
Inovação no desempenho das
empresas
Utilização da SEM para análise
nos três construtos: IBI, modelo
teórico e modelo definido pela
análise fatorial.
Análise de risco dos recursos
dedicados a inovação
Análise dos resultados e
Conclusão
Utilização da regressão múltipa
nos modelos definidos
anteriormente.
99
foram restritivos a melhores resultados, pois como havia necessidade em se trabalhar dentro das
instalações do IBGE (pelas razões óbvias de segurança da informação) e que este não dispõe de
muitos computadores, acabou trazendo dificuldade para uma melhor análise e mais condições de
“ida – volta” nos dados. Todavia, considerou-se que os resultados alcançados atendem aos
objetivos da pesquisa e as hipóteses formuladas.
4.3.
T
ÉCNICAS
E
STATÍSTICAS
4.3.1.
A
NÁLISE
F
ATORIAL
A análise fatorial é uma técnica muito recorrente nos estudos organizacionais, face as
suas potencialidades, em especial, pela capacidade em resumir um universo de variáveis em
fatores, que se apresentam como uma dimensão latente de um conjunto de variáveis que possuem
inter-relações (HAIR, et al.,2005. 91).
“Com a análise fatorial, o pesquisador pode primeiro identificar as dimensões
separadas da estrutura e então determinar o grau em que cada variável é
explicada por cada dimensão. Uma vez que essas dimensões e explicação de
cada variável estejam determinadas, os dois principais usos da análise fatorial –
resumo e redução dos dados – podem ser conseguidos. Ao resumir os dados, a
análise fatorial obtém dimensões latentes, que quando interpretadas e
compreendidas, descrevem os dados em um número muito menor de conceitos
do que as variáveis originais. A redução dos dados pode ser conseguida
calculando escores para cada dimensão latente e substituindo as variáveis
originais pelos mesmos.” (HAIR, et al., 2005, p.91)
Portanto, a análise fatorial não tem por interesse verificar relações de causa-efeito entre
fenômenos, mas estabelecer fatores que são explicados por variáveis que possuem uma estrutura
estatística de inter-dependência.
100
A utilização da análise fatorial neste trabalho, a priori, não teve o objetivo de as variáveis
definidas a partir do referencial teórico, porém verificar, se os fatores entregues por esta
ferramenta correspondiam com os propostos pela teoria, de maneira, a confirmar, aperfeiçoar ou
invalidar os construtos idealizados.
Hair, et al. (2005) recomenda que a amostra não seja inferior a 50 observações, sendo que
o desejado seria um número superior a 100, ou, 10 a 20 observações para cada variável. Os
autores, ainda sugerem, para um melhor ajuste do modelo que seja feito o teste Barlett de
esfericidade. O teste Kaiser-Meyer-Olkin (KMO) compara a magnitude do coeficiente de
correlação observado com a magnitude do coeficiente de correlação parcial. Levando em conta
que os valores deste teste variam de 0 a 1, pequenos valores de KMO (abaixo de 0,50) indicam a
não adequabilidade da análise e valores próximos de 1,0 indicam que o método de analise
fatorial é perfeitamente adequado para o tratamento dos dados.
A interpretação dos resultados deu-se por meio da matriz de correlação e principalmente
da matriz rotacionada. As cargas fatoriais foram consideradas significantes, a partir, da tabela
sugerida em Hair, et al.(2005), que foi reproduzida a seguir.
Tabela 3 – Orientação para definição de cargas fatoriais.
Orientações para identificação de cargas fatoriais
significantes com base no tamanho da amostra
Carga Fatorial Tamanho Necessário da Amostra
0,30 350
0,35 250
0,40 200
0,45 150
0,50 120
0,55 100
0,60 85
0,65 70
0,70 60
0,75 50
Fonte: (HAIR, et al., 2005, p. 107)
A significância do tamanho da amostra é baseada em um nível de significância de 0,05
(
)
α
, um nível de poder de 80% e erros padrão.
101
4.3.2
R
EGRESSÃO
M
ÚLTIPLA
A análise de regressão múltipla é uma ferramenta estatística amplamente utilizada nos
estudos organizacionais em razão da sua capacidade de verificar relações de causalidade entre
uma variável (dependente) com várias variáveis explicativas (independentes) (HAIR, et al.,
2005).
No processo de regressão múltipla as variáveis explicativas (independentes) são tratadas
no sentido de se verificar o peso relativo que cada variável tem para explicar a variável
dependente.
A escolha dessa ferramenta estatística para esta pesquisa tem como objetivo, servir de
teste para as equações estruturais, desta forma, providenciou-se uma segunda técnica para
confrontar com os resultados obtidos pela SEM.
Trabalhos anteriores como o Andreassi (1999) e Morganti (2005) procuraram encontrar
essa relação de causalidade entre inovação e desempenho, por meio da análise de regressão,
porém os resultados foram limitados, em razão da pouca significância das variáveis
independentes para explicação do desempenho das firmas.
A função de regressão múltipla generalizada pode ser expressa como:
inniii
uXXXY ++++=
133221
...
ββββ
(33)
Onde,
=
Y
Variável independente.
=
1
β
intercepto.
2
X
,
3
X
a
=
n
X
variáveis dependentes.
2
β
,
3
β
a
=
n
β
os coeficientes parciais da regressão.
102
=
u
erro estocástico.
Assim, o uso da regressão múltipla neste trabalho visa oferecer uma segunda abordagem
ao a SEM, com a vantagem de utilizar uma técnica clássica no tratamento de causalidade entre
variáveis cujos coeficientes parciais de regressão expressam de forma mais direta o efeito médio
na variável independente.
Sabe-se que a utilização das equações estruturais é mais robusta no sentido da
possibilidade de verificar relações entre variáveis independentes e dependentes, incluindo a
utilização de variáveis latentes. Desta forma, o uso da regressão será mais limitado.
4.3.3.
M
ODELAGEM DE
E
QUAÇÕES
E
STRUTURAIS
Novas técnicas econométricas precisam ser utilizadas para o tratamento da relação
inovação e desempenho. Duguet (2003) aponta para procedimentos que envolva sistema de
equações simultâneas e dados em painel. Observa-se na literatura a concentração das pesquisas
em métodos tradicionais como regressão múltipla.
Uma das potencialidades do uso da SEM é a capacidade em trabalhar com mais de uma
variável dependente. A figura 7 apresentada anteriormente apresenta que o modelo criado com
base na teoria contemplou quatro variáveis de desempenho.
Poucas técnicas estatísticas multivariadas permitem expandir a análise explanatória para
várias variáveis, ferramentas como regressão múltipla, análise fatorial, análise multivariada de
variância e análise discriminante só possibilitam examinar uma relação por vez (HAIR,
et. al
.,
2005). A técnica estatística a ser utilizada neste trabalho é a modelagem por equações estruturais
- SEM - (
Structural Equation Modeling
), pois esta “é particularmente útil quando uma variável
103
dependente se torna independente em subseqüentes relações de dependência (...) a formulação
básica da SEM em termos de equações é” (HAIR, et. al., 2005, p. 476):
mnmmmm
n
n
XXXXY
XXXXY
XXXXY
++++=
++++=
+
+
+
+
=
...
...
...
321
22322212
11312111
(34)
A modelagem de equações estruturais, também, é conhecida como análise de estrutura de
covariância, análise de variável latente, análise fatorial confirmatória, ou simplesmente análise
Lisrel (nome de um
software
muito utilizado para calculá-lo a SEM). De forma mais objetiva, a
SEM estima diversas equações de regressão múltipla separadas, porém em paralelo. A diferença
da SEM para técnicas como correlação canônica e análise multivariada de variância, que
também, permitem a utilização de várias variáveis dependentes é que estas últimas só permitem
uma única relação (equação) entre variáveis dependentes e independentes.
Ainda em Hair et al. (2005, p. 466) pode-se encontrar as justificativas para o uso das
equações estruturais:
•
Fornece um método direto para lidar com múltiplas relações simultaneamente
enquanto entrega significância estatística;
•
Habilidade para avaliar as relações em âmbito geral e fornecer uma transição da
análise explanatória para análise confirmatória.
•
Habilidade de empregar múltiplas medidas de um conceito em uma maneira
semelhante à análise fatorial.
Além das possibilidades acima, a SEM tem a capacidade de incorporar as denominadas
variáveis latentes no modelo. As variáveis latentes melhoram a estimação estatística, explicando
com mais precisão os conceitos teóricos, isto, por que um coeficiente de regressão é formado por
dois elementos a parte verdadeira e a confiável. O elemento verdadeiro é a parte precisa da
relação existente entre as variáveis, enquanto que o confiável é um grau em que a variável
independente é livre de erro, pois se sabe que é impossível estimar um modelo perfeito (HAIR,
et. al., 2005).
104
As equações estruturais devem ser utilizadas para validação de modelos, assim, faz-se
necessário que o modelo seja construído a partir de uma revisão bibliográfica, para que não se
incorra no risco de se estabelecer relações espúrias entre as variáveis.
O modelo teórico foi definido anteriormente e as relações que se pretende compreender
possibilitaram a formação de um diagrama de caminhos. Os trabalhos empíricos e teóricos
utilizados na bibliografia preliminar para sustentar esta pesquisa indicam que existe relação de
causalidade entre os construtos inovação e desempenho, a dificuldade encontrada pelos autores
estava principalmente nas ambigüidades causais existentes entre as variáveis, principalmente, por
que o desempenho de uma firma é função de inúmeros outros fatores, inclusive externos a
organização.
Portanto, a expectativa é que a utilização da modelagem de equações estruturais permitirá
captar o peso de cada variável explanatória no desempenho, considerando, ainda, as relações
entre as próprias variáveis independentes e dependentes.
A base teórica pesquisada, também, permitiu que o modelo proposto não omitisse
variáveis importantes, bem como não incluísse variáveis desnecessárias sem confirmação
empírica de causalidade o que fosse mais bem traduzida de forma conjunta, espera-se assim, que
o modelo não contenha erro de especificação, permitindo que os resultados não sejam
enviesados.
A construção do diagrama de caminhos é fundamental para a SEM, pois o tratamento
estatístico no software obedece as relações definidas no diagrama que deve respeitar na sua
construção os formatos padronizados, onde os retângulos indicam as variáveis exógenas que são
formadas pelas bases de dados externas, neste caso, pela PINTEC e SERASA / GAZETA
MERCANTIL, os construtos são representados pelas formas ovais e as setas indicam as relações
entre os construtos e variáveis.
Em razão da teoria da inovação ainda não ter um construto robusto o suficiente para
explicar o processo inovador das firmas e os efeitos que este processo desencadeia nos resultados
das empresas, esta pesquisa teve o desafio adicional que foi a formação de um construto
105
inovação. Para tanto, foram testados inicialmente o modelo teórico proposto na Figura 7, o
modelo teórico ajustado pela analise fatorial e o modelo sugerido IBI.
Ao longo da pesquisa, em especial, no tratamento estatístico das variáveis, bem como na
análise dos resultados, os modelos foram sofrendo variações, sempre respeitando as relações
impostas pela teoria, a fim de se buscar um melhor ajuste entre as variáveis. Essa postura foi
amplamente utilizada nas equações estruturais, principalmente, com a base do ano 2005 (mais
completa) para que houvesse segurança de que os modelos fossem estatisticamente significantes.
Foram realizados procedimentos nas variáveis originais das bases, a fim, de entregar
normalidade na distribuição das variáveis. Essa condição é fundamental para a utilização da
SEM (HAIR, et al. 2005).
A necessidade de entregar um modelo estatisticamente ajustado é fundamental para a
validação dessa tese e dos resultados por ela propostos, em especial, no uso SEM. Hair, et. ali
(2005, p. 488) ressalta que os resultados da SEM devem ser analisados primeiramente pela
verificação da existência de estimativas transgressoras, isto é, se os coeficientes padronizados
excedem ou estão muito próximos a 1,0; se existem variâncias negativas ou não significantes de
erro para qualquer construto, ou se há erro padrão muito grandes associados com as variáveis
exógenas.
Além da necessidade de se verificar a existência de estimativas transgressoras, existem
diversos testes que devem ser analisados, a fim de se verificar o ajuste do modelo. Assim sendo,
definiu-se a utilização dos testes abaixo, em conformidade com o HAIR, et ali. (2005):
106
TABELA 3 – TESTES DE AJUSTE DO MODELO
Medidas de Qualidade de Ajuste Análise Nível de Ajuste Aceitável
Estatística qui-quadrado de razão
de verossimilhança
)(
2
x
Teste de significância fornecido Entre 1% a 10%.
Índice de Qualidade de Ajuste
(GFI)
Valores maiores indicam melhor
ajuste.
Deve ser maior que 0,90
Índice de Ajuste Normado (NFI) Medida de Ajuste incremental.
Valores maiores indicam melhor
ajuste.
Nível recomendado > que 90
Índice de Tucker-Lewis (TLI) ou
NNFI.
Medida de Ajuste incremental.
Valores maiores indicam melhor
ajuste.
Nível recomendado > que 90
Índice de Qualidade de Ajuste
(AGFI)
Medida de Ajuste incremental.
Valores maiores indicam melhor
ajuste.
Nível recomendado > que 90
Qui-quadrado Normado Razão entre o qui-quadrado e os
graus de liberdade
Limite inferior: 1,0
Limite superior: 5,0.
Raiz do Erro Quadrático
Médio de Aproximação
(RMSEA)
Diferença média por grau de
liberdade que se espera
ocorrer na população, não na
amostra.
Valores aceitáveis abaixo de
0,08.
Fonte: O autor
A Tabela 3 segue a mesma orientação de outros autores como Kelloway (1998, p. 27 e
28) e Schumacker e Lomax (2004, p. 82), sendo que estes últimos fazem a recomendação de que
os testes GFI, NFI, TLFI e AGFI encontram no índice maior que 0,95 o melhor ajuste, bem
como um valor menor que 0,05 para o RMSEA.
O tamanho da amostra tem sido alvo de discussão de diversos autores como destaca
Kelloway (1998, p. 20) para o uso da modelagem de equações estruturais. Este autor afirma que
a SEM é uma técnica que demanda uma amostra muito grande, em geral não inferior a 200
observações, estabelecendo como mínimo o uso de 100 observações. Schumacker e Lomax
(2004, p. 113) afirmam que o tamanho da amostra afeta diretamente o
2
x
, de forma que amostras
superiores a 200 observações tendem a apresentar um
2
x
maior.
107
4.4.
F
ONTE DOS
D
ADOS
As fontes de dados que sustentaram a realização desta pesquisa foram extraídas bases da
PINTEC anos 2000, 2003 e 2005, das informações financeiras junto ao SERASA e a GAZETA
MERCANTIL.
Os dados da PINTEC formaram as variáveis exógenas explanatórias referentes ao
construto inovação, de maneira que foram construídas três bases distintas segundo os anos de
publicação da pesquisa (2000, 2003 e 2005). As informações dessas bases foram combinadas
com os dados financeiros dos anos 2001, 2004 e 2006; esse procedimento segue o proposto por
COZZARIN (2004) que afirmou que os resultados de investimento em inovação começam a
serem observados após um ano.
A utilização da base da PINTEC foi fundamental para a pesquisa, pois como já
observado, apenas, com esse tipo de publicação torna possível uma análise quantitativa mais
abrangente, como a que se propõe neste trabalho. O formulário utilizado pelo IBGE para a
realização da PINTEC encontra-se em anexo ao trabalho.
A PINTEC tem por referência conceitual o Manual de Oslo, que conforme destacado no
referencial teórico é coerente com a literatura empregada, tornando as premissas deste trabalho
consoantes com as definições utilizadas pela PINTEC. O aspecto metodológico segue o modelo
aplicado pela Oficina Estatística da Comunidade Européia – EUROSTAT, a terceira versão da
Community Innovation Survey
– CIS 1998 – 2000 (IBGE, 2007, p. 13). A pesquisa tem por
objetivo construir indicadores setoriais, nacionais e regionais do processo de inovação das firmas
instaladas no Brasil, que atendessem aos seguintes requisitos (IBGE, 2007, p. 14):
•
Estar em situação ativa no Cadastro Central de Empresas – CEMPRE, do IBGE;
•
Ter atividade principal a indústria extrativista ou de transformação;
•
Ter dez ou mais pessoas ocupadas em 31 de dezembro do ano de referência.
108
Os setores de Telecomunicação e Informática não serão trabalhados nesta pesquisa, pois
as empresas destas indústrias só passaram a responder o formulário da PINTEC na pesquisa de
2005. O Quadro 1 apresenta a relação dos setores e suas subdivisões que foram adotadas na
PINTEC 2005.
109
O tamanho da amostra para o setor industrial que responderam a pesquisa em 2000 foi de
10.106 empresas, em 2003 a amostra passou para 10.384 e em 2005 a amostra alcançou 12.710,
110
o crescimento dos respondentes permitirá que as empresas alcançadas em 2000 sejam repetidas
nas duas pesquisas seguintes, salvo se estas tiverem suas razões sociais liquidadas por falência,
incorporação ou fusão.
A unidade de investigação da PINTEC é a firma, enquanto unidade jurídica, caracterizada
por uma razão social. Nas situações de grupos econômicos, a PINTEC distribuiu questionários a
todas as empresas coligadas e controladas e num segundo momento consolidou as informações
junto à administração central.
O IBGE estruturou a pesquisa da PINTEC para as empresas que afirmaram serem
inovadoras em 8 blocos, a saber: Atividades Inovativas, Fontes de Financiamento, Atividades
Internas de P&D, Impacto das Inovações, Fontes de Informação, Cooperação para Inovação,
Apoio do Governo e Patentes e Outros Métodos de Inovação (IBGE, 2007, p. 17).
Atividades inovativas
são mensuradas em valores monetários empregados nas inovações
implementadas, em desenvolvimento ou abandonadas, os indicadores são:
•
Atividades internas de P&D;
•
Aquisição externa de P&D;
•
Aquisição de outros conhecimentos externos;
•
Aquisição de software;
•
Aquisição de máquinas e equipamentos;
•
Treinamento;
•
Introdução das inovações tecnológicas no mercado;
•
Projeto industrial e outras preparações técnicas para a produção e distribuição.
111
Fontes de Informação
procuram ser um indicador do processo de criação, disseminação
e absorção de conhecimentos sob dois aspectos. O primeiro trabalha o relacionamento com
instituições de pesquisa, universidades, centros de capacitações, entre outros, para auxiliar no
desenvolvimento de produtos e processos originais, inovações que busquem o aspecto
exploration
. O segundo trabalha a incorporação de conhecimentos de fornecedores e clientes que
visem mudanças tecnológicas (IBGE, 2007).
A Relação de Cooperação
é definida como “a participação ativa da empresa em projetos
conjuntos de P&D e outros projetos de inovação com outra organização, o que implica
necessariamente que as partes envolvidas obtenham benefícios comerciais imediatos”.
No que tange o
Apoio do Governo
as informações englobam: financiamentos, incentivos
fiscais, subvenções, participação em programas públicos voltados para o desenvolvimento
tecnológico entre outros.
O IBGE (2007, p. 21) por meio da PINTEC entende que o Impacto da Inovação pode ser
identificado ao nível de produto (melhoria da qualidade ou extensão da linha de produtos),
mercado (manutenção e ampliação da participação no mercado), processo (ganhos de
produtividade e flexibilidade nas operações) e ambientais (segurança do trabalho, saúde
ocupacional e meio ambiente).
Patentes e outros meios de produção medem a “capacidade que as empresas têm em
garantir a apropriação dos resultados da inovação”(IBGE, 2007, p. 21). As empresas são
indagadas sobre patentes depositadas no Brasil e exterior, marca registrada, registro de design,
copyright, segredos industriais, complexidade do desenho, vantagens de tempo sobre os
concorrentes, etc.
A PINTEC, também, segrega as informações segundo o total de pessoal ocupado na
firma, o que permitirá analisar em conjunto e separadamente por porte da empresa (pequena,
média e grande) conforme o número de empregados. São consideradas empresas pequenas
aquelas com até 49 pessoas ocupadas. Empresas de médio porte àquelas que possuem nos seus
quadros entre 50 e 249 funcionários e de grande porte aquelas com mais de 500 funcionários.
112
A possibilidade de utilização dos dados desagregados em tabulações especiais está
prevista na disseminação de resultados da PINTEC (IBGE, 2007, p. 33). O IBGE esclarece que o
“atendimento a estas solicitações dependerá de estudo com vistas a avaliar se o desenho amostral
permite estimativa das variáveis pesquisadas em nível mais desagregado e se o sigilo estatístico
mantém-se preservado” (IBGE, 2007, p. 33).
Nesta pesquisa não foram utilizados os dados referentes aos blocos Fontes de
Financiamento, Impacto das Inovações, Fontes de Informação, Cooperação para Inovação, Apoio
do Governo e Patentes e Outros Métodos de Inovação, pois estas variáveis são categóricas, cujos
dados são do tipo “sim” e “não”; privilegiou-se, sobretudo, que as variáveis fossem
quantificáveis e expressas em números.
Os dados referentes às variáveis dependentes foram adquiridos junto às bases do
SERASA para os períodos 2001 a 2006 e GAZETA MERCANTIL para os períodos entre 1998 a
2006. As informações sobre o desempenho das empresas dessas bases seguem os preceitos da
contabilidade nacional, o que dificultou a formulação de variáveis financeiras mais voltadas para
a geração de valor como EBITDA, dado a extensão do tratamento necessário para as variáveis,
bem como, a ausência de informações sobre depreciação e pagamento de juros na base da
GAZETA MERCANTIL. Assim, foram privilegiadas as variáveis de desempenho tradicionais
previstas em Durand (1999).
Após a junção das duas bases (SERASA e GAZETA MERCANTIL) houve um trabalho
de análise detalhada da amostra, com objetivo de se identificar possíveis repetições de empresas,
de maneira que quando estes eventos eram identificados, foi providenciada a exclusão de uma
observação. Adiciona-se a este trabalho, a verificação se as empresas possuíam as informações
necessárias, como por exemplo, o lucro líquido, sendo o interesse a eliminação dessas
observações, tornando a base mais fidedigna.
113
4.4.1.
F
ORMAÇÃO DAS
V
ARIÁVEIS
Depois de realizada a fusão entre as bases e a liberação do IBGE para realização da
pesquisa nas suas instalações o tratamento estatístico teve seu início, sendo que a primeira
providência foi à definição e formação das variáveis, respeitando as diferenças existentes entre as
PINTEC’s.
As tabelas a seguir apresentam as variáveis utilizadas para a formação dos construtos
inovação e desempenho, com base nas variáveis latentes “Capital Humano”, “Esforço Inovador”
e “Capital Relacional” e “Rentabilidade” bem como sua nomenclatura estabelecida junto ao
SPSS 15.0.
TABELA 4 – DESCRIÇÃO DAS VARIÁVEIS CAPITAL HUMANO
CAPITAL HUMANO
Nomenclatura Descrição Unidade de Medida Fonte
Dout Total de doutores dedicados exclusivamente
a P&D em relação ao efetivo total.
% PINTEC
Mest Total de mestres dedicados exclusivamente
a P&D em relação ao efetivo total.
% PINTEC
Grad Total de graduados dedicados
exclusivamente a P&D em relação ao efetivo
total.
% PINTEC
Tecn Total de técnicos dedicados exclusivamente
a P&D em relação ao efetivo total.
% PINTEC
Total_hum_ped Total de pessoas dedicadas a P&D em
relação ao efetivo total.
% PINTEC
Fonte: O autor
114
TABELA 5 – DESCRIÇÃO DAS VARIÁVEIS DE EFORÇO INOVADOR
Esforço Inovador
Nomenclatura Descrição Unidade de Medida Fonte
Treinamento Total dos dispêndios em treinamento
dividido pela receita da firma.
% PINTEC /
SERASA E
GAZETA
PeD_Interno Total dos dispêndios em P&D interno
dividido pela receita da firma.
% PINTEC /
SERASA E
GAZETA
Aq_Maq Total dos dispêndios em aquisição de
máquinas pela receita da firma.
% PINTEC /
SERASA E
GAZETA
Intro_inov_tec Total dos dispêndios em introdução de
inovações tecnológicas dividido pela receita
da firma.
% PINTEC /
SERASA E
GAZETA
Fonte: O autor
TABELA 6 – DESCRIÇÃO DAS VARIÁVEIS DE CAPITAL RELACIONAL
Capital Relacional
Nomenclatura Descrição Unidade de Medida Fonte
PeD_Externo Total dos dispêndios em P&D externo
dividido pela receita da firma.
% PINTEC /
SERASA E
GAZETA
Conhec_Externo Total dos dispêndios na aquisição de
conhecimento externo dividido pela receita
da firma.
% PINTEC /
SERASA E
GAZETA
Fonte: O autor
TABELA 7 – DESCRIÇÃO DAS VARIÁVEIS DE DESEMPENHO
Rentabilidade
Nomenclatura Descrição Unidade de Medida Fonte
ROA Lucro líquido do período dividido pelo
total do ativo.
% SERASA E
GAZETA
ROS Lucro líquido do período dividido pela
receita total.
% SERASA E
GAZETA
ROE Lucro líquido do período dividido pelo
patrimônio líquido.
% SERASA E
GAZETA
Margem_Operacional Lucro operacional do período dividido pela
receita total.
% SERASA E
GAZETA
Fonte: O autor
As variáveis que envolvem valores financeiros foram divididas por 1.000 (um mil), para
facilitar a identificação e análise.
Ao longo da pesquisa, com o interesse de normalizar os dados, as variáveis anteriores
receberam tratamento estatístico, os procedimentos utilizados foram à padronização dos dados e
115
a transformação das variáveis em logaritmo, assim, as variáveis quando padronizadas aparecerão
com a expressão “Zscore” antes da nomenclatura definida e “Ln” para logaritmo.
5. A
NÁLISE DOS
D
ADOS
5.1.
C
ARACTERÍSTICAS DA
A
MOSTRA
A base, com os dados trabalhados pelas técnicas estatísticas, foi consolidada no IBGE,
quando da integração dos arquivos PINTEC e SERASA/ GAZETA. A utilização dos dados da
PINTEC 2000, 2003 e 2005 com intuito de propiciar uma análise longitudinal da relação
inovação e desempenho implica em reconhecer que ao longo dos 5 anos a base sofreu alterações,
tanto, pela disponibilidade dos dados junto as empresas, quanto ao próprio curso das firmas
individualmente, tendo em vista, a possibilidade de extinção, surgimento, fusões e incorporações
de empresas.
No decorrer do tratamento estatístico da amostra, em especial, da necessidade de entregar
uma amostra normalizada e que as empresas apresentassem dados para todas variáveis sugeridas
pelo modelo, o banco de dados inicial foi sendo reduzido, principalmente nas PINTEC’s de 2003
e 2005, pois, mesmo com a possibilidade de se trabalhar com todos os dados, optou-se por esse
caminho com o intuito de se entregar mais qualidade às amostras estudadas, tendo em vista, que
em muitas situações não era possível distinguir um dado não informado pelo respondente à
informação “zero” no sentido de que não há.
Pode-se observar o efeito mencionado no parágrafo anterior no gráfico 1, quando a base
útil, isto é, àquela utilizada para se processar as análises estatísticas caiu drasticamente, em 2000
116
foi possível utilizar mais 90% da base completa, quando em 2003 e 2005 essa possibilidade
passou para 14% e 17% respectivamente. Todavia, ressalta-se novamente, que a base do ano
2000 não apresentava distinção entre um dado não informado e o dado “0”.
1.712
1.608
1.587
231
1.563
277
2000 2003 2005
PINTEC
Amostras
Base Completa Base Útil
Gráfico 1 – Quantitativo de empresas das amostras
Fonte: O autor
A seguir são apresentadas informações das amostras que têm por objetivo aumentar a
compreensão dos dados descritivos consolidados de cada ano estudado, bem como, o
quantitativo de empresas por setores.
Para facilitar a leitura e entendimento, as informações são apresentadas de maneira
cronológica em ordem crescente, portanto, tem-se início com a base do ano 2000, sem esquecer
que os dados financeiros utilizados referem-se do ano seguinte.
117
TABELA 8 – VARIÁVEIS PARA O CAPITAL HUMANO. ANO BASE 2000.
Variáveis N Mínimo Máximo Média Desvio Padrão
Grad
1712 ,00 ,36 ,0050 ,02132
Tecn
1712 ,00 ,35 ,0038 ,01553
Total_hum_ped
1712 ,00 ,53 ,0102 ,03872
Mest
1712 ,00 ,11 ,0007 ,00547
Dout
1712 ,00 ,52 ,0007 ,01411
Valid N (listwise)
1712
Fonte: Autor
TABELA 9 – VARIÁVEIS PARA ESFORÇO E CAPITAL RELACIONAL. ANO BASE 2000.
Variáveis N Mínimo Máximo Média Desvio Padrão
Treinamento
1714 ,0000 33,3333 ,021686 ,8053431
PeD_Interno
1714 ,0000 2166,6667 1,285026 52,3346311
Aq_maqui
1714 ,0000 545,3333 ,508383 13,8920588
PeD_Externo
1714 ,0000 1,4286 ,002470 ,0383483
Conhec_Externo
1714 ,0000 ,9831 ,002980 ,0332841
Intro_inov_tec
1714 ,00 333,33 ,1981 8,05138
Valid N (listwise)
1714
Fonte: Autor
TABELA 9 – VARIÁVEIS PARA DESEMPENHO. ANO BASE 2000.
N Mínimo Máximo Média Desvio Padrão
ROA
1648 -6,42 1,88 ,0067 ,27046
ROE
1648 -281,07 361,83 ,0175 11,42519
ROS
1641 -13,52 63,78 ,0218 1,83256
Margem_Operacional_
2001
1610 -15,30 29,87 -,0155 1,07182
Valid N (listwise)
1610
Fonte: Autor
A seguir são apresentados os resultados comparados de cada variável transformada para
logaritmo e padronizada, procedimentos utilizados para tornar as séries com a maior normalidade
possível. Observa-se para o ano 2000 que quando se utiliza as variáveis em logaritmo à amostra
é reduzida significativamente, em razão, justamente, pela grande quantidade de “zeros” presentes
na base.
118
Pode-se verificar no ANEXO B que quando padronizadas ou transformadas em logaritmo
as variáveis apresentaram uma estrutura mais próxima de uma distribuição normal, em especial,
quando padronizadas. O teste utilizado para verificar a normalidade dos dados foi o
Kolmogorov-Smirnov (K-S), já disponível no software e recomendado na literatura (HAIR, et
ali, 2005).
TABELA 10 – VARIÁVEIS TRANSFORMADAS EM LOG E PADRONIZADAS. ANO BASE 2000.
N Média Desvio Padrão Mínimo Máximo
Treinamento
1714
,021686
,8053431
,0000
33,3333
Ln_Treinamento
686
-6,9690
1,80528
-13,65
3,51
Zscore(Treinamento)
1714
,0000000
1,00000000
-,02693
41,36330
PeD_Interno
1714
1,285026
52,3346311
,0000
2166,6667
Ln_PeD_Interno
770
-5,0438
1,80298
-12,29
7,68
Zscore(PeD_Interno)
1714
,0000000
1,00000000
-,02455
41,37569
Aq_maqui
1714
,508383
13,8920588
,0000
545,3333
Ln_Aq_maqui
913
-4,0991
1,82121
-11,22
6,30
Zscore(Aq_maqui)
1714
,0000000
1,00000000
-,03660
39,21845
PeD_Externo
1714
,002470
,0383483
,0000
1,4286
Ln_PeD_Externo
249
-6,4278
1,94510
-11,52
,36
Zscore(PeD_Externo)
1714
,0000000
1,00000000
-,06441
37,18814
Conhec_Externo
1714
,002980
,0332841
,0000
,9831
Ln_Conhec_Externo
331
-6,1276
1,87819
-13,30
-,02
Zscore(Conhec_Externo)
1714
,0000000
1,00000000
-,08953
29,44846
Intro_inov_tec
1714
,1981
8,05138
,00
333,33
Ln_Intro_inov_tec
511
-6,0608
2,02419
-13,65
5,81
Zscore(Intro_inov_tec)
1714
,0000000
1,00000000
-,02460
41,37616
Fonte: Autor
A tabela a seguir mostra a distribuição de freqüência das empresas pelos seus setores. A
classificação setorial teve como base a Classificação Nacional das Atividades Econômicas
(CNAE), cuja tabela completa foi apresentada anteriormente no Quadro 1.
A base útil ou restrita do ano 2000, conta com empresas distribuídas entre 25 segmentos
de atividades econômicas distintas, entre os quais cinco setores 15, 17, 24, 27 e 29 são os mais
representativos com 43% de todas as empresas analisadas. Essas atividades industriais estão
relacionadas à transformação de: produtos alimentícios e bebidas; produtos têxteis; produtos de
artefatos de couro e calçados; produtos químicos; produtos siderúrgicos; e produtos de máquinas
e equipamentos. Assim sendo, a amostra, além de representativa, traduz os setores industriais
mais fortes economicamente da indústria brasileira.
119
TABELA 11– DISTRIBUIÇÃO DE FREQUÊNCIA DAS EMPRESAS SEGUNDO CNAE.
CNAE Freqüência Percentual
Percentual
Válido
Percentual
Acumulado
13,00
13
,8
,8
,8
14,00
13
,8
,8
1,6
15,00
222
13,8
13,8
15,4
16,00
3
,2
,2
15,6
17,00
114
7,1
7,1
22,7
18,00
21
1,3
1,3
24,0
19,00
58
3,6
3,6
27,6
20,00
46
2,9
2,9
30,5
21,00
94
5,8
5,9
36,4
22,00
6
,4
,4
36,7
23,00
69
4,3
4,3
41,0
24,00
153
9,5
9,5
50,6
25,00
37
2,3
2,3
52,9
26,00
44
2,7
2,7
55,6
27,00
109
6,8
6,8
62,4
28,00
83
5,2
5,2
67,6
29,00
135
8,4
8,4
76,0
30,00
22
1,4
1,4
77,3
31,00
83
5,2
5,2
82,5
32,00
62
3,9
3,9
86,4
33,00
62
3,9
3,9
90,2
34,00
62
3,9
3,9
94,1
35,00
31
1,9
1,9
96,0
36,00
62
3,9
3,9
99,9
37,00
2
,1
,1
100,0
Total
1606
99,9
100,0
Missing System
2
,1
Total
1608
100,0
Fonte: O autor
A base do ano de 2003 sofreu como já destacado anteriormente, a redução do quantitativo
da amostra em resposta a grande quantidade de dados incompletos na base, de forma, que nas
três pesquisas foi onde se teve o menor aproveitamento percentual da base original.
120
TABELA 12 – VARIÁVEIS PARA O CAPITAL HUMANO. ANO BASE 2003.
Variáveis N Mínimo Máximo Média Desvio Padrão
Grad
613 ,00 ,57 ,0207 ,05739
Tecn
613 ,00 ,70 ,0143 ,05034
Total_hum_ped
613 ,00 1,01 ,0409 ,09967
Mest
613 ,00 ,15 ,0024 ,00926
Dout
613 ,00 ,11 ,0009 ,00610
Valid N (listwise)
613
Fonte: Autor
TABELA 13 – VARIÁVEIS PARA ESFORÇO E CAPITAL RELACIONAL. ANO BASE 2003.
Variáveis N Mínimo Máximo Média Desvio Padrão
Treinamento
773 ,00 ,27 ,0024 ,01388
PeD_Interno
636 ,00 10,23 ,0578 ,50973
Aq_maqui
835 ,00 140,66 ,2176 4,87110
PeD_Externo
1585 ,00 ,55 ,0018 ,02277
Conhec_Externo
1582 ,00 ,45 ,0016 ,01538
Intro_inov_tec
445 ,00 19,18 ,0710 ,94232
Valid N (listwise)
285
Fonte: Autor
TABELA 14 – VARIÁVEIS PARA DESEMPENHO. ANO BASE 2003.
Variáveis N Mínimo Máximo Média Desvio Padrão
ROA
1369 -2,65 2,69 ,0409 ,21704
ROE
1369 -22,04 129,98 ,1719 3,83419
ROS
1362 -5,25 74,81 ,0822 2,06389
Margem_Operacional_
2004
1351 -77,00 75,02 ,0592 3,19528
Valid N (listwise)
1351
Fonte: Autor
De igual modo a base do ano 2000 foi disponibilizada no ANEXO B todas as
informações inerentes ao processo de transformação das variáveis em séries padronizadas e
logarítmicas, bem como, os testes de normalidade dessas séries. As saídas e os procedimentos de
execução no software foram mantidos na sua integridade como forma de permitir confirmações
futuras ou alterações processuais e que venham a tornar no futuro novas proposições.
A tabela com a distribuição de freqüência das empresas presentes na amostra do ano 2003
vem a seguir. Pode-se averiguar que a amostra contém 24 setores, um a menos que a base do ano
121
2000 , entretanto, o quantitativo é bem menor e os setores mais representativos em quantidade
passaram a ser o 15, 17, 23, 24 e 35, que respondem por mais de 56% da amostra.
TABELA 15– DISTRIBUIÇÃO DE FREQUÊNCIA DAS EMPRESAS SEGUNDO CNAE.
CNAE Freqüência Percentual
Percentual
Válidos
Pecentual
Acumulado
13,00
1
,4
,4
,4
15,00
32
13,9
13,9
14,3
16,00
1
,4
,4
14,7
17,00
22
9,5
9,5
24,2
18,00
1
,4
,4
24,7
19,00
8
3,5
3,5
28,1
20,00
5
2,2
2,2
30,3
21,00
7
3,0
3,0
33,3
22,00
1
,4
,4
33,8
23,00
2
,9
,9
34,6
24,00
35
15,2
15,2
49,8
25,00
9
3,9
3,9
53,7
26,00
3
1,3
1,3
55,0
27,00
15
6,5
6,5
61,5
28,00
11
4,8
4,8
66,2
29,00
15
6,5
6,5
72,7
30,00
11
4,8
4,8
77,5
31,00
18
7,8
7,8
85,3
32,00
12
5,2
5,2
90,5
33,00
3
1,3
1,3
91,8
34,00
4
1,7
1,7
93,5
35,00
2
,9
,9
94,4
36,00
13
5,6
5,6
100,0
Valid
Total
231
100,0
100,0
Fonte: O autor
Os setores que começaram a figurar entre os 5 mais representativos são: fabricação
coque, refino de petróleo, elaboração de combustíveis nucleares e produção de álcool e
fabricação de equipamentos de transporte.
Os dados da última base consolidada (2005) encontram-se na seqüência, onde a base útil
para o tratamento estatístico multivariado foi bem inferior a disponível, porém com uma relativa
melhora em comparação a base de 2003.
122
TABELA 16 – VARIÁVEIS PARA O CAPITAL HUMANO. ANO BASE 2005.
Variáveis N Mínimo Máximo Média Desvio Padrão
Grad
573 ,00 1,33 ,0217 ,07518
Tecn
573 ,00 ,21 ,0111 ,02614
Total_hum_ped
573 ,00 1,67 ,0394 ,10111
Mest
573 ,00 ,33 ,0029 ,01581
Dout
573 ,00 ,19 ,0013 ,00943
Valid N (listwise)
573
Fonte: Autor
TABELA 17 – VARIÁVEIS PARA ESFORÇO E CAPITAL RELACIONAL. ANO BASE 2005.
Variáveis
N Mínimo Máximo Média Desvio Padrão
Treinamento
910
,00
3,00
,0042
,09955
PeD_Interno
648
,00
8,12
,0401
,43451
Aq_maqui
972
,00
78,41
,1872
2,90846
PeD_Externo
1562
,00
,05
,0005
,00304
Conhec_Externo
1561
,00
,16
,0009
,00725
Intro_inov_tec
557
,00
13,84
,0302
,58634
Valid N (listwise)
343
Fonte: Autor
TABELA 18 – VARIÁVEIS PARA DESEMPENHO. ANO BASE 2005.
Variáveis N Mínimo Máximo Média Desvio Padrão
ROA
1303 -149,50 1,34 -,0736 4,14628
ROE
1302 -4196,08 644,61 -3,5845 126,24970
ROS
1299 -27,10 22,69 ,0198 1,15539
Margem_Operacional_
2006
1299 -27,62 22,95 ,0295 1,16962
Valid N (listwise)
1297
Fonte: Autor
A distribuição de frequência das empresas por setores utilizados para análise multivariada
encontra-se abaixo, sendo que todas as saídas e transformação das séries originais em logaritmo
e padronizada estão no ANEXO B.
123
TABELA 19– DISTRIBUIÇÃO DE FREQUÊNCIA DAS EMPRESAS SEGUNDO CNAE.
CNAE Freqüência Percentual
Percentual
Válidos
Percentual
Acumulado
14,00
2 ,7 ,7 ,7
15,00
50 18,1 18,1 18,8
17,00
11 4,0 4,0 22,7
18,00
7 2,5 2,5 25,3
19,00
7 2,5 2,5 27,8
20,00
1 ,4 ,4 28,2
21,00
8 2,9 2,9 31,0
22,00
2 ,7 ,7 31,8
23,00
3 1,1 1,1 32,9
24,00
42 15,2 15,2 48,0
25,00
4 1,4 1,4 49,5
26,00
8 2,9 2,9 52,3
27,00
21 7,6 7,6 59,9
28,00
11 4,0 4,0 63,9
29,00
24 8,7 8,7 72,6
30,00
8 2,9 2,9 75,5
31,00
18 6,5 6,5 81,9
32,00
12 4,3 4,3 86,3
33,00
18 6,5 6,5 92,8
34,00
8 2,9 2,9 95,7
35,00
2 ,7 ,7 96,4
36,00
10 3,6 3,6 100,0
Valid
Total
277 100,0 100,0
Fonte: O autor
Os setores mais representativos no ano de 2005 são 15, 24, 27 e 29 que respondem por
mais de 49% das empresas constantes na amostra. De maneira que os setores 15, 24 e 27 são os
mais representativos para as três amostras e o 17 e 29 aparecem em duas oportunidades. Assim,
pode-se dizer que, 50% da base consolidada das três amostras referem-se a firmas de 5 setores da
economia nacional:
•
(15) Fabricação de produtos alimentícios e bebidas
•
(17) Fabricação de produtos têxteis
124
•
(24) Fabricação de produtos químicos
•
(27) Fabricação de produtos siderúrgicos
•
(29) Fabricação de Máquinas e Equipamentos
Quando se observa as três bases conjuntamente, pode-se verificar que o padrão de
investimento em inovação apresenta grandes variações em praticamente todas as variáveis,
mantendo-se semelhante um predomínio num maior esforço em aquisição de máquinas e na
baixa participação de mestres e doutores dedicados as suas atividades de Pesquisa e
Desenvolvimento, o que sinaliza como coerente as afirmações de autores como Arruda,
Vermulum e Hollanda (2006) que a perspectiva estratégica das empresas instaladas no Brasil é
acompanhar as inovações introduzidas por outras firmas.
5.2.
A
NÁLISE
F
ATORIAL
A análise dos dados respeitou o fluxo proposto na figura 6 do trabalho, onde a formação
do construto inovação e desempenho seriam testados por meio de análise fatorial das variáveis
propostas. A utilização dessa ferramenta estatística deu-se com o interesse de confirmar se as
variáveis latentes da figura 5, estruturadas a partir do referencial teórico, encontravam
consistência estatística com a base de dados disponível para as empresas brasileiras.
Seguem abaixo os resultados das análises fatoriais dos dados para os anos de 2000, 2003
e 2005. Para uma análise estatística mais detalhada todos os resultados provenientes do software
SPSS 15.0 foram disponibilizados no ANEXO A.
125
TABELA 20 – ESTATÍSTICA DESCRITIVA: ANO 2000
Média Desvio Padrão Observações
Grad
,0051 ,02161
1608
Tecn
,0039 ,01590
1608
Total_hum_ped
,0103 ,03923
1608
Dout
,0007 ,01454
1608
Mest
,0007 ,00548
1608
Zscore(Treinamento)
,0012475 1,03227903
1608
Zscore(PeD_Interno)
,0015361 1,03243295
1608
Zscore(Aq_maqui)
,0015488 1,03200244
1608
Zscore(PeD_Externo)
,0016445 1,03010420
1608
Zscore(Conhec_Externo)
,0046751 1,03217791
1608
Zscore: ROA
-,0043902 ,99420063
1608
Zscore: ROE
-,0004331 1,01222711
1608
Zscore: ROS
-,0213147 ,51628028
1608
Zscore(Margem_Operacional
_2001)
,0060268 ,97116633
1608
Zscore(Intro_inov_tec)
,0015931 1,03243411
1608
Fonte: O autor
TABELA 21 – MATRIZ ROTACIONADA: ANO 2000
Componentes
1 2 3 4
Grad
,009 ,866 ,026 ,044
Tecn
-,003 ,697 ,106 ,044
Total_hum_ped
,004 ,984 ,046 ,018
Dout
-,004 ,333 -,036 -,069
Mest
,014 ,722 ,012 ,007
Zscore(Treinamento)
,997 ,005 ,003 ,001
Zscore(PeD_Interno)
,997 ,005 ,003 -,002
Zscore(Aq_maqui)
,970 ,002 ,000 ,001
Zscore(PeD_Externo)
,000 -,011 -,018 ,736
Zscore(Conhec_Externo)
-6,36E-005 -,022 ,003 ,729
Zscore: ROA
,004 ,042 ,548 -,053
Zscore: ROE
,000 -,002 ,035 -,038
Zscore: ROS
-,001 ,025 ,951 -,003
Zscore(Margem_Operacional
_2001)
-,001 ,026 ,940 ,001
Zscore(Intro_inov_tec)
,997 ,005 ,003 -,003
Método de Extração: Principal Component Analysis.
Método de Rotação: Varimax with Kaiser Normalization.
Fonte: O autor.
126
A validação dessa análise pode ser verificada no ANEXO A, onde o teste KMO próximo
do ajuste indicado (0,5) com o valor de 0,468 e as cargas fatoriais em cada componente foram
bem acima aquela requerida pela literatura em 0,3, desta forma pode-se considerar que o modelo
tem ajuste adequado estatisticamente.
A base de dados de 2000 apresentou uma amostra de 1.608 empresas, todavia, numa
análise cuidadosa do banco de dados, observou-se que não havia campos sem resposta, todos
estavam respondidos e muitos apresentavam “0”, situação que aconteceu nos seguintes, desta
forma, sugere-se que muitos dados deveriam estar sem nenhuma informação, estavam na verdade
com a informação zerada. Apesar, desse problema na base de dados, as categorias formadas pela
análise fatorial sugerem um modelo muito próximo do teórico.
Observa-se que todas as variáveis identificadas como capital humano: graduados,
técnicos, doutores, mestres e o total de pessoas dedicadas em P&D apresentaram forte relação e
foram agrupadas no segundo fator, apesar, valor apresentado para doutores ficar bem abaixo dos
demais.
O primeiro fator verifica-se a presença de todas as variáveis propostas pelo modelo
teórico para a formação da variável latente esforço inovador (P&D Interno, Introdução de
Inovações Tecnológicas e Aquisição de Máquinas), exceção para a variável Treinamento que não
está associada ao fator capital humano e sim ao esforço, propondo então, uma maior relação
entre a necessidade de treinamento com o nível de esforço que a empresa tem e não
necessariamente com a quantidade de empregados que a mesma possui.
As variáveis P&D Externo e Aquisição de Conhecimento externo estruturadas a priori
para formação da latente capital relacional apresentaram ótima correlação entre elas
configurando num fator único para as duas.
Importa destacar o terceiro fator onde as variáveis de desempenho estabeleceram forte
entre elas (Margem Operacional, ROA e ROS), exceção ao ROE que não apresentou correlação
estatística com nenhuma variável, nem mesmo com as demais variáveis de desempenho. A
relação existente entre as três variáveis de desempenho sugere que as mesmas possam formar um
127
único construto de desempenho e não duas variáveis latentes para formação de um construto
maior conforme foi proposto na figura 7.
TABELA 22 – ESTATÍSTICA DESCRITIVA: ANO 2003
Média Desvio Padrão Observações
Mest
,0029 ,00888
231
Dout
,0009 ,00494
231
Grad
,0178 ,04702
231
Tecn
,0159 ,05489
231
Total_hum_ped
,0403 ,09753
231
Zscore: ROA
,0129288 ,50400672
231
Zscore: ROE
,0156107 ,66984323
231
Zscore: ROS
-,0099010 ,20606668
231
Zscore(Margem_Operacional
_2004)
,0050573 ,13830897
231
Zscore(Treinamento)
,0936528 1,44498870
231
Zscore(PeD_Interno)
,1077730 1,63300466
231
Zscore(Aq_maqui)
,0918789 1,90029207
231
Zscore(PeD_Externo)
,1957110 1,94575700
231
Zscore(Conhec_Externo)
,1901544 1,52498435
231
Zscore(Intro_inov_tec)
,0629134 1,38628105
231
Fonte: O autor
TABELA 23 – MATRIZ ROTACIONADA: ANO 2003
Component
1 2 3 4
Mest
,435 -,019 ,016 ,104
Dout
,230 ,057 ,049 ,312
Grad
,836 -,022 ,011 -,066
Tecn
,867 ,027 ,014 ,048
Total_hum_ped
,981 ,027 ,038 ,085
Zscore: ROA
-,276 -,101 -,006 ,498
Zscore: ROE
,243 ,003 -,034 -,187
Zscore: ROS
,106 ,023 -,002 ,941
Zscore(Margem_Operacional
_2004)
,102 ,022 -,020 ,946
Zscore(Treinamento)
-4,75E-005 ,060 ,937 ,046
Zscore(PeD_Interno)
,063 ,930 ,252 ,064
Zscore(Aq_maqui)
-,045 ,960 -,069 -,049
Zscore(PeD_Externo)
-,035 -,033 ,854 -,037
Zscore(Conhec_Externo)
,085 ,131 ,904 ,038
Zscore(Intro_inov_tec)
,000 ,997 ,012 -,004
Método de Extração: Principal Component Analysis.
Método de Rotação: Varimax with Kaiser Normalization.
Fonte: O autor
128
A validação dessa análise pode ser verificada no ANEXO A, onde o teste KMO pouco
abaixo do indicado (0,5) em 0,421 e as cargas fatoriais em cada componente foram bem acima
aquela requerida pela literatura em 0,40, desta forma o modelo tem ajuste adequado
estatisticamente.
Os dados disponíveis para o ano de 2003 possibilitaram utilizar a análise fatorial para um
total de 231 empresas que tinham as informações completas para todas as variáveis, o que
permitiu um resultado mais robusto, inclusive, para uma avaliação descritiva mais próxima da
realidade da amostra.
A configuração fatorial para o ano de 2003 apresentou algumas variações em relação a
base de 2000, em todos os fatores, a começar pelo capital humano, onde a variável doutores que
já apresentava pouca relação com as demais do capital relacional no ano 2000, apresentou uma
relação mais forte relação com as variáveis de desempenho a capital humano. Mais uma vez a
variável treinamento não teve relação significativa com o construto capital humano. Observa-se
que a média da relação de mestres e doutores dedicados a atividade de P&D pela quantidade de
funcionários das empresas brasileiras é muito baixa, bem como o quantitativo total de pessoas
dedicadas a P&D. O que reforça os trabalhos de Arruda, Vermulum e Hollanda (2006) que
afirmam atribuem o atraso tecnológico brasileiro a dificuldade de associar os pesquisadores às
empresas privadas.
O segundo fator foi formado pelas variáveis que compõem a latente esforço inovador
(aquisição de máquinas, P&D interno e introdução de inovações tecnológicas), essas variáveis
matem excelente correlação entre elas, entretanto, a variável treinamento que havia apresentado
relação com essas variáveis, teve maior correlação com as variáveis do terceiro fator, capital
relacional que manteve as variáveis P&D externo e aquisição de conhecimento externo.
O fator que congregou as variáveis de desempenho manteve as correlações apresentadas
no ano de 2000, com ROA, ROS e Margem Operacional e o ROE sem maiores correlações com
os demais fatores. Como já destacado, a variável doutores apresentou maior correlação com as
variáveis de desempenho, sugerindo, talvez, que a importância dessa variável esteja mais
129
direcionada com a performance da empresa que qualquer outra variável individual do capital
humano.
TABELA 24 – ESTATÍSTICA DESCRITIVA: ANO 2005
Média Desvio Padrão Observações
Zscore: ROA
,0258787 ,04239687
277
Zscore: ROE
,0314213 ,06349085
277
Zscore: ROS
,0027725 1,84848151
277
Zscore(Margem_Operacional
_2006)
,0065942 1,85544303
277
Zscore(Treinamento)
-,0260858 ,07945962
277
Zscore(PeD_Interno)
,0179613 1,12690395
277
Zscore(Aq_maqui)
,0425156 1,61971762
277
Zscore(PeD_Externo)
,3076282 1,56619916
277
Zscore(Conhec_Externo)
,1366582 1,47618319
277
Zscore(Intro_inov_tec)
,0461973 1,41775566
277
Grad
,0163 ,03387
277
Tecn
,0101 ,02486
277
Mest
,0024 ,00830
277
Dout
,0006 ,00308
277
Total_hum_ped
,0326 ,06216
277
Fonte: O autor
TABELA 25 – MATRIZ ROTACIONADA: ANO 2005
Component
1 2 3 4
Zscore: ROA
-,006 ,062 ,707 ,027
Zscore: ROE
,002 ,036 ,115 -,152
Zscore: ROS
,030 -,014 ,963 -,036
Zscore(Margem_Operacional
_2006)
,031 -,013 ,963 -,033
Zscore(Treinamento)
,488 ,181 ,082 -,053
Zscore(PeD_Interno)
,993 -,040 ,010 ,017
Zscore(Aq_maqui)
,984 -,063 -,038 ,005
Zscore(PeD_Externo)
-,006 ,005 ,020 ,772
Zscore(Conhec_Externo)
-,006 ,033 -,001 ,099
Zscore(Intro_inov_tec)
,984 -,062 -,028 ,009
Grad
,008 ,740 ,040 ,360
Tecn
,025 ,876 ,002 -,213
Mest
,018 ,654 ,034 ,411
Dout
,013 ,371 ,054 ,723
Total_hum_ped
,021 ,967 ,032 ,180
Método de Extração: Principal Component Analysis.
Método de Rotação: Varimax with Kaiser Normalization.
Fonte: O autor
130
A validação dessa análise pode ser verificada no ANEXO A, onde o teste KMO ficou
acima do indicado (0,5) em 0,553 e as cargas fatoriais em cada componente foram bem acima
aquela requerida pela literatura em 0,35, desta forma o modelo tem ajuste adequado
estatisticamente.
A base de dados para 2005 permitiu uma amostra com 277 empresas e assim como 2003,
os dados individualmente para as empresas estavam mais coerentes, tendo em vista, que as
informações não preenchidas pelas empresas estavam anuladas e não zeradas.
Os dados também sugeriram 4 fatores para categorizar as variáveis inseridas, sendo o
fator 1 para esforço inovador, o fator 2 para capital humano, o fator 3 para desempenho e o fator
4 para capital relacional.
O critério para seleção do número de fatores obedeceu o critério da observação do gráfico
scree-plot
, ANEXO A. Uma vez que os autovalores são dispostos em ordem decrescente, assim,
o ponto de salto representa o decréscimo de importância em relação à variância total. A
quantidade de fatores é igual ao número de autovalores anteriores ao “ponto de salto”.
O fator 1, esforço inovador, manteve as variáveis, aquisição de máquina, P&D interno e
introdução de inovação tecnológica, constantes em todas outras bases e apresentou novamente a
variável treinamento, o que válida o entendimento dessas variáveis como inerentes a atividade de
esforço inovador da firma. Em nenhuma das três bases a variável treinamento mostrou correlação
com as variáveis relativas à capital humano, contudo, esteve sempre associada as variáveis
esforço inovador (2000 e 2005) e capital relacional (2003) essa condição possibilita o
entendimento de que investimento em treinamento esteja mais relacionado com o seu nível de
esforço interno e relacional em inovação a quantidade de pessoas envolvidas em inovação. Neste
trabalho, a variável treinamento passará a ser entendida como formadora da variável latente
esforço inovador.
O fator 2, capital humano, apresentou, novamente, as quatro variáveis: mestres,
graduados, técnicos e total de pessoas dedicadas a P&D com boa correlação, essa situação foi
131
evidenciada nas três bases e confirma a possibilidade de incluí-las para a formação da variável
latente capital humano, entretanto, como já apontado na base de 2003 e sinalizado em 2000, a
variável doutor não demonstrou correlação com as supracitadas, sendo que em 2005, essa
variável mostrou melhor correlação no fator 4 em capital relacional, constituindo-se assim, uma
nova questão de pesquisa.
No que tange o fator 3, desempenho, os indicadores de rentabilidade da firma ROA, ROS
e Margem Operacional continuaram apresentando correlação, de igual forma, o ROE não
apresentou correlação significativa com nenhum outro fator, devendo assim, ser considerado
sozinho na análise de causalidade entre inovação e desempenho.
O fator 4, capital relacional, ao contrário dos outros anos, não confirmou um bom nível
de correlação entre as variáveis, P&D externo e aquisição de conhecimento externo, sendo que
em 2005 observa-se a presença da variável doutor neste fator com bom nível de relação. Nesta
pesquisa serão utilizados, para formação da variável latente capital relacional, as duas variáveis:
P&D externo e aquisição de conhecimento externo.
Após a aplicação da técnica estatística de análise fatorial e a disponibilização dos dados
para a realização da pesquisa, o diagrama de caminhos proposto inicialmente, na Figura 7, foi
revisto e o resultado implicou na formulação de um novo diagrama de caminhos, representado na
Figura 10, a ser testado por meio da modelagem de equações estruturais.
132
Figura 10 – Diagrama de Caminhos sobre a Influência da Inovação no Desempenho das Firmas
Fonte: O autor
% Mestres na atividade
de P&D
% técnicos dedicados
ao P&D.
% pessoas dedicadas a
P&D.
% de graduados para o
total
da empresa.
Gastos com P&D
Interno / Receita
Gastos com aquisição
de software, máquinas,
e equipamentos /
Capital
Humano
Gastros com
introdução de produtos
Gastos com P&D
externo / Receita
Gastos com aquisição
externa de outro
Esforço
Inovador
I
N
O
V
A
Ç
Ã
O
D
E
S
E
M
P
E
H
N
O
Return on Sales (ROS)
Margem Operacional
Return on Assets
Capital
relacional
Gastos com
Treinamento / Receita
133
5.3.
M
ODELAGEM DE
E
QUAÇÕES
E
STRUTURAIS
Uma das principais contribuições desse trabalho é prover um tratamento multivariado
para a relação inovação e desempenho por meio da modelagem de equações estruturais (SEM)
Structural Equation Modeling
. A expectativa no uso dessa técnica é a possibilidade de se
verificar possíveis de caminhos da relação entre inovação e desempenho de maneira que se
possa avaliar a contribuição relativa de cada variável na formação de uma variável latente e
desta com o construto desempenho.
Com base no pressuposto teórico de que o construto inovação tem influencia no
desempenho das empresas e tendo ciência de que não há na bibliografia um consenso sobre a
correta formação deste recurso da firma, buscou-se testar as variáveis já definidas dentro da
SEM a fim de encontrar um modelo que tenha respaldo teórico e sustentação estatística. Para
tanto, tomou-se como ponto de partida o modelo teórico inicial proposto na figura 7, o modelo
teórico ajustado pela análise fatorial (Figura 10) e o IBI, em específico, a estrutura utilizada
para mensurar o Índice de Atividades Inovativas (IAI).
No curso da pesquisa e do tratamento estatístico dos dados foram realizadas mudanças
na formação do modelo teórico até se encontrar um melhor ajuste estatístico, com respeito,
sempre, aos postulados teóricos que definem as relações entre as variáveis. Esse percurso foi
realizado com a base de 2005; em seguida, o caminho já trilhado foi replicado para os demais
anos, excluindo aqueles modelos que não apresentaram sustentação estatística.
Tomou-se como início a base completa de 2005 e ao contrário do que se imaginava, os
o modelo teórico proposto inicialmente não apresentou respaldo estatístico. A figura a seguir
apresenta o modelo após processo do software AMOS 17.0.
134
0
Inovação
ZIntro_inov_tec
0;
e2
1
ZTreinamento
0;
e3
1
ZPeD_Interno
0;
e4
1
ZAq_maqui
0;
e5
1
ZPeD_Externo
0;
e6
1
ZConhec_Externo
0;
e7
1
0
Capital Relacional
0
Esforço Inovativo
0;
e8
1
0;
e9
1
0;
CapitalHumano
Dout
Grad
Mest
Tecn
0
Desempenho_2006
ROA
ROE
Margem_Operacional_2006
ROS
0;
e10
1
0;
e11
1
0;
e12
1
0;
e13
1
0;
e14
1
0;
e15
1
0;
e16
1
0;
e17
1
0;
e18
1
0;
e19
1
Figura 11 – Modelo Teórico – Teste com a SEM.
Fonte: O autor
Como se pode observar o modelo não apresenta os pesos das variáveis, a saída
completa da SEM pode ser encontrada no ANEXO C, quando se pode observar a inexistência
de relações entre as variáveis propostas. O resultado acima foi o mesmo para a base completa
como para a base útil do ano de 2005, assim, pode-se afirmar que independente do tamanho
da amostra, com os dados utilizados, o modelo teórico inicial não encontrou significância
estatística.
135
0;
Inovação
Ln_Capital_Humano
Ln_Intro_inov_tec
0;
e2
1
Ln_Treinamento
Ln_PeD_Interno
0;
e4
1
Ln_Aq_maqui
0;
e5
1
Ln_PeD_Externo
0;
e6
1
Ln_Conhec_Externo
0;
e7
1
Retorno
Ln_Margem_Operacional_2006
0;
e10
1
1
Ln_ROS_2006
0;
e9
1
Ln_ROA_2006
0;
e8
1
0;
e_retor
1
0;
e1
0;
e3
1
1
Figura 12– Modelo Teórico Ajustado pela Fatorial – Teste com a SEM.
Fonte: O autor
Observa-se que o modelo ajustado pela fatorial, também, não encontrou significância
estatística, tendo em vista que a SEM não atribuiu, ao menos, pesos as variáveis. A saída
completa do software pode ser encontrada no ANEXO BI.
Ao longo do ANEXO BI, foram inseridos outros modelos com alterações no formato
das variáveis e outras propostas de construtos. O interesse na apresentação desses resultados é
mostrar que foram tentadas diversas configurações de construtos e formatos de variáveis, com
base na hipótese da existência de variáveis latentes que explicariam um construto maior
inovação e que este influenciaria um construto desempenho, formado pelas variáveis
tradicionais de rentabilidade. Esse exercício contemplou tanto a base completa como a base
mais restrita.
Em razão da não confirmação das hipóteses que nortearam esse trabalho pelo modelo
teórico, formulou-se como alternativa a utilização da SEM com menos variáveis latentes, isto
136
é, buscou-se formular, apenas o construto inovação como variável latente, de maneira, que
esta fosse formada diretamente pelas variáveis exógenas independentes. Em adição, o
construto desempenho foi substituído pelo fator rentabilidade, de forma, que este
procedimento poderia substituir o uso das variáveis de rentabilidade individualmente, sem
prejuízo estatístico e teórico, tendo em vista que o fator rentabilidade na análise fatorial
apresentava alta correlação entre as variáveis ROA, ROS e Margem Operacional.
A utilização do fator capital humano, também foi necessária em substituição das
variáveis mestres, graduados, técnico e pessoal total alocado em P&D em face da correlação
entre essas variáveis e da possibilidade de reduzir o número de variáveis.
Quando os procedimentos acima foram realizados conseguiu-se processar as equações
estruturais, oferecendo resultados significativos e que confirmaram as hipóteses do trabalho.
As figuras a seguir apresentam os resultados para as bases completa e restrita, após é
apresentada uma tabela resumida com os resultados de testes dos novos modelos.
Figura 13 – Construto Inovação (Base Completa)
Fonte: O autor
Inovação
,28
Ln_Capital_Humano
e1
,53
,45
Ln_Intro_inov_tec
e2
,59
Ln_Treinamento
e3
,77
,55
Ln_PeD_Interno
e4
,74
,23
Ln_Aq_maqui
e5
,48
,61
Ln_PeD_Externo
e6
,78
,56
Ln_Conhec_Externo
e7
,75
,01
Ln_Rent_2006
,11
e_rent
,67
137
Inovação
,32
Ln_Capital_Humano
e1
,56
,46
Ln_Intro_inov_tec
e2
,58
Ln_Treinamento
e3
,76
,63
Ln_PeD_Interno
e4
,80
,19
Ln_Aq_maqui
e5
,43
,63
Ln_PeD_Externo
e6
,79
,54
Ln_Conhec_Externo
e7
,74
,01
Ln_Rent_2006
,11
e_rent
,68
Figura 14 – Construto Inovação (Base Restrita)
Fonte: O autor
TABELA 26 – NÍVEL DE AJUSTE DA SEM. ANO BASE: 2005.
Medidas Ajuste Ajuste Aceitável Figura 13 Figura 14
Qui-quadrado
)(
2
x
52,781*** 47,180***
GFI > que 0,90 0,943 0,925
NFI > que 0,90 0,914 0,881
TLI > que 0,90 0,898 0,865
Qui-quadrado
Normado
Inferior: 1,0
Superior: 5,0.
2,639 2,359
RMSEA < que 0,08. 0,032 0,07
Fonte: Autor
Pode-se observar que o modelo com a base completa apresenta melhor ajuste que
aquele com a base restrita, todavia, todos podem ser apresentaram significância estatística,
tendo apenas o segundo com dois testes um pouco abaixo do mínimo, porém dentro do limite
do RMSEA.
Os valores apresentados nas variáveis são os pesos da regressão padronizados pelo
desvio padrão das variáveis, tendo como significado a influência ponderada no construto para
cada uma unidade (1,00), ou seja, para que seja gerada uma unidade em inovação, se faz
necessário 0,75 de Conhecimento Externo, por exemplo (mantendo as demais variáveis
constantes). De igual forma, uma unidade em rentabilidade é explicada por 0,11 de inovação.
138
Destaca-se, ainda, que os valores apresentados nas duas bases são muito similares, o
que valida o modelo com a base completa, mesmo com a amostra de 1.563 firmas.
Em tempo, foi realizado o procedimento de elevar a variável rentabilidade ao quadrado
e depois aplicar logaritmo com a finalidade aumentar a normalidade do fator rentabilidade. As
figuras 15 e 16 apresentam os resultados.
Inovação
,10
Capital_Humano
e1
,32
,44
Ln_Intro_inov_tec
e2
,67
,59
Ln_Treinamento
e3
,77
,56
Ln_PeD_Interno
e4
,75
,23
Ln_Aq_maqui
e5
,48
,61
Ln_PeD_Externo
e6
,78
,55
Ln_Conhec_Externo
e7
,74
,04
Ln_q_Rent_2006
,20
e_rent
Figura 15 – Construto Inovação Alterado (Base Completa)
Fonte: O autor
139
Inovação
,12
Capital_Humano
e1
,35
,45
Ln_Intro_inov_tec
e2
,67
,59
Ln_Treinamento
e3
,77
,65
Ln_PeD_Interno
e4
,81
,18
Ln_Aq_maqui
e5
,43
,62
Ln_PeD_Externo
e6
,78
,53
Ln_Conhec_Externo
e7
,73
,04
Ln_q_Rent_2006
,20
e_rent
Figura 16 – Construto Inovação Alterado (Base Restrita 2005)
Fonte: O autor
TABELA 27 – NÍVEL DE AJUSTE DA SEM. ANO BASE: 2005.
Medidas Ajuste Ajuste Aceitável Figura 15 Figura 16
Qui-quadrado
)(
2
x
51,819 44,644
CFI > que 0,90 0,947 0,935
NFI > que 0,90 0,918 0,893
TLI > que 0,90 0,904 0,883
Qui-quadrado
Normado
Inferior: 1,0
Superior: 5,0.
2,591 2,232
RMSEA < que 0,08. 0,032 0,067
Fonte: Autor
Os valores apresentados nas figuras 15 e 16 corroboram os resultados alcançados
anteriormente nas figuras 13 e 14, a maior diferença encontra-se na influência da inovação na
rentabilidade das firmas, que sai de 0,11 para 0,20. Semelhante ao que ocorreu nas figuras 10
e 11, o modelo para a base completa se mostrou mais ajustado que o segundo, pois atendeu
todos os requisitos de ajustes, enquanto que o segundo obteve níveis periféricos de aceitação
as medidas NFI e TLI, contudo, autores como Hair, et al (2005) aceita tais níveis para
modelos exploratórios, como é o caso. Desta forma, considera-se que o novo modelo
proposto, utilizando, apenas uma variável latente é capaz de explicar a influência da inovação
140
no desempenho das empresas. Para uma verificação mais detalhada das saídas inerentes às
figuras 13, 14, 15 e 16 obtidas pelo software AMOS 17.0 pode-se consultar o ANEXO D.
Diante dos resultados positivos alcançados nos modelos apresentados para a base de
2005, utilizaram-se as mesmas proposições para as bases de 2003 e 2000, de maneira que os
resultados são apresentados a seguir.
Figura 17 – Construto Inovação Alterado (Base Completa 2003)
Fonte: O autor
Inovação
,07
ZCapital_humano
e1
,27
,53
Ln_Intro_inov_tec
e2
,73
,62
Ln_Treinamento
e3
,79
,59
Ln_PeD_Interno
e4
,77
,30
Ln_Aq_maqui
e5
,55
,62
Ln_PeD_Externo
e6
,78
,64
Ln_Conhec_Externo
e7
,80
,00
ZRent_2004
,04
e_rent
141
Inovação
,08
ZCapital_humano
e1
,29
,59
Ln_Intro_inov_tec
e2
,77
,64
Ln_Treinamento
e3
,80
,62
Ln_PeD_Interno
e4
,79
,36
Ln_Aq_maqui
e5
,60
,64
Ln_PeD_Externo
e6
,80
,64
Ln_Conhec_Externo
e7
,80
,00
ZRent_2004
,04
e_rent
Figura 18 – Construto Inovação Alterado (Base Restrita 2003)
Fonte: O autor
Inovação
,07
ZCapital_humano
e1
,27
,52
Ln_Intro_inov_tec
e2
,72
,62
Ln_Treinamento
e3
,79
,59
Ln_PeD_Interno
e4
,77
,30
Ln_Aq_maqui
e5
,55
,61
Ln_PeD_Externo
e6
,78
,65
Ln_Conhec_Externo
e7
,80
,03
Ln_q_Rent_2004
,18
e_rent
142
Figura 19 – Construto Inovação Alterado II (Base Completa 2003)
Fonte: O autor
Inovação
,09
ZCapital_humano
e1
,30
,59
Ln_Intro_inov_tec
e2
,77
,64
Ln_Treinamento
e3
,80
,63
Ln_PeD_Interno
e4
,79
,36
Ln_Aq_maqui
e5
,60
,64
Ln_PeD_Externo
e6
,80
,65
Ln_Conhec_Externo
e7
,81
,04
Ln_q_Rent_2004
,20
e_rent
Figura 20 – Construto Inovação Alterado II (Base Restrita 2003)
Fonte: O autor
TABELA 28 – NÍVEL DE AJUSTE DA SEM. ANO BASE: 2003.
Medidas Ajuste Ajuste Aceitável Figura 17 Figura 18 Figura 19 Figura 20
Qui-quadrado
)(
2
x
65,835 69,107 70,347 71,811
CFI > que 0,90 0,942 0,892 0,938 0,888
NFI > que 0,90 0,921 0,859 0,917 0,856
TLI > que 0,90 0,896 0,805 0,888 0,799
Qui-quadrado
Normado
Inferior: 1,0
Superior: 5,0.
3,292 3,455 3,517 3,590
RMSEA < que 0,08. 0,038 0,103 0,040 0,106
Fonte: Autor
Os pesos apresentados nas variáveis de 2003 são semelhantes aos de 2005, observa-se
que não há muita discrepância nos resultados entre uma base e outra; o que sugere a
existência de uma estrutura de causalidade entre inovação e desempenho. Não obstante, deve-
se registrar que para a base 2003 a amostra restrita não apresentou consistência estatística
dentro do nível de aceitabilidade, sendo necessário um maior relaxamento dos parâmetros
143
para aceitação. Apesar, da fraca significância estatística, deve-se buscar uma análise mais
ampla, onde é possível verificar que os valores apresentados convergem para aqueles
conseguidos em 2005.
Ao se analisar o ANEXO E com mais detalhes, poder-se-á averiguar, que os resultados
de ajustes, apesar, de não atendidos, não invalida o modelo, pois as variáveis apresentam boa
correlação de variância entre o construto inovação e rentabilidade.
Ao contrário dos anos de 2003 e 2005, os resultados para a primeira base da PINTEC
em relação ao ajuste do modelo ficaram bem abaixo dos níveis desejados em todos os
procedimentos. As figuras a seguir, apresentam os resultados para o ano 2000.
Figura 21 – Construto Inovação Alterado (Base Completa 2000)
Fonte: O autor
Inovação
,01
Capital_Humano
e1
,12
,52
Ln_Intro_inov_tec
e2
,72
,67
Ln_Treinamento
e3
,82
,52
Ln_PeD_Interno
e4
,72
,39
Ln_Aq_maqui
e5
,62
,46
Ln_PeD_Externo
e6
,68
,52
Ln_Conhec_Externo
e7
,72
,00
Rent_2001
-,03
e_rent
144
Inovação
,07
Capital_Humano
e1
,27
,46
Ln_Intro_inov_tec
e2
,68
,46
Ln_Treinamento
e3
,68
,49
Ln_PeD_Interno
e4
,70
,45
Ln_Aq_maqui
e5
,67
,39
Ln_PeD_Externo
e6
,63
,31
Ln_Conhec_Externo
e7
,56
,00
Rent_2001
,05
e_rent
Figura 22 – Construto Inovação Alterado (Base Completa 2000)
Fonte: O autor
Figura 23 – Construto Inovação Alterado (Base Completa 2000)
Fonte: O autor
Inovação
,01
ZCapital_humano
e1
,11
,51
Ln_Intro_inov_tec
e2
,72
,65
Ln_Treinamento
e3
,81
,52
Ln_PeD_Interno
e4
,72
,38
Ln_Aq_maqui
e5
,62
,47
Ln_PeD_Externo
e6
,69
,53
Ln_Conhec_Externo
e7
,73
,01
Ln_q_Rent_2001
,12
e_rent
145
Inovação
,07
ZCapital_humano
e1
,27
,46
Ln_Intro_inov_tec
e2
,68
,46
Ln_Treinamento
e3
,68
,48
Ln_PeD_Interno
e4
,69
,46
Ln_Aq_maqui
e5
,67
,39
Ln_PeD_Externo
e6
,63
,31
Ln_Conhec_Externo
e7
,56
,00
Ln_q_Rent_2001
-,04
e_rent
Figura 24 – Construto Inovação Alterado (Base Restrita 2000)
Fonte: O autor
TABELA 29 – NÍVEL DE AJUSTE DA SEM. ANO BASE: 2000.
Medidas Ajuste Ajuste Aceitável Figura 21 Figura 22 Figura 23 Figura 24
Qui-quadrado
)(
2
x
128,626 39,687 166,198 35,454
CFI > que 0,90 0,896 0,858 0,866 0,885
NFI > que 0,90 0,881 0,773 0,853 0,792
TLI > que 0,90 0,812 0,745 0,759 0,793
Qui-quadrado
Normado
Inferior: 1,0
Superior: 5,0.
6,431 1,984 8,309 1,773
RMSEA < que 0,08. 0,056 0,108 0,065 0,096
Fonte: Autor
Foi diagnosticado, desde o início, os problemas com a base de 2000, no entanto,
mesmo assim essa base foi utilizada, com o objetivo de servir com mais informações e apoiar
num melhor entendimento dos procedimentos utilizados.
Observa-se que quando se utiliza a base completa (Figuras 18 e 20) os modelos são
perifericamente ajustados, em especial, pelo RMSEA que fica no range permitido, contudo, as
demais alternativas ficam muito distante dos níveis de aceitabilidade, porém as variáveis
146
explicativas apresentam um padrão semelhante de peso, as outras bases, ficando como
interrogação, apenas a figura 21 quando o peso padronizado da inovação para rentabilidade
apresenta sinal negativo. O ANEXO F reserva informações referentes aos procedimentos
realizados para a base 2000.
Quando se analisa todos os procedimentos realizados paras as três bases da PINTEC,
considerando este novo modelo, pode-se confirmar as hipóteses estabelecidas inicialmente no
trabalho:
▪ Investimento em capital humano tem influência no desempenho das firmas
▪ Investimento em capital relacional tem influência no desempenho das firmas.
▪ Resultados do esforço inovador das firmas têm influência no desempenho das firmas.
▪ Investimento na capacidade de inovar tem influência no desempenho
Mesmo sendo um modelo exploratório, em nenhum momento utilizado na teoria, com
a configuração aqui empregada e, em especial no Brasil, os resultados para os anos 2005 e
2003 atendem satisfatoriamente os requisitos de ajuste e quando se avalia todos os resultados
alcançados, mesmo com os modelos que apresentaram ajustes abaixo do esperado, é possível
confirmar que os pesos atribuídos pela SEM são convergentes.
A seguir são apresentados os pesos da SEM padronizados dos modelos mais ajustados
para cada ano da PINTEC.
TABELA 30 – COMPARATIVO DOS PESOS PADRONIZADOS DA SEM
Variáveis Figura 10
(2005)
Figura 14
(2003)
Figura 18
(2000)
Capital Humano 0,53 0,27 0,12
P&D Interno 0,74 0,77 0,72
Treinamento 0,77 0,79 0,82
Aquisição de máquinas 0,48 0,55 0,62
Introdução de Inovações Tecnológicas 0,67 0,73 0,72
P&D Externo 0,78 0,78 0,68
Conhecimento Externo 0,75 0,80 0,72
Latente INOVAÇÃO 0,11 0,04 -0,03
Fonte: Autor
147
A tabela anterior mostra que as variáveis de esforço inovador e capital relacional
sofreram poucas alterações nos seus pesos no decorrer dos anos, com exceção a aquisição de
máquinas que teve peso o reduzido ao longo das três pesquisas. Merece, ressalva a variável
capital humano que apresentou a maior variação positiva.
Tomando como base os resultados da figura 13 e 17, estabelecendo uma média para os
dois anos, ponderando pelo efeito no desempenho e fazendo uma proporção entre os dados,
pode-se chegar aos seguintes valores relativos:
TABELA 31 – IMPORTÂNCIA RELATIVA DE CADA VARIÁVEL PARA O DESEMPENHO.
Variáveis Figura 13
(2005)
Figura 17
(2003)
Média
(2005 – 2003)
Peso Ponderado
(Média x 0,075)
Importância
(%)
Capital Humano 0,53 0,27 0,400 0,030 8,45
P&D Interno 0,74 0,77 0,755 0,057 16,06
Treinamento 0,77 0,79 0,780 0,059 16,62
Aquisição de máquinas 0,48 0,55 0,515 0,039 10,98
Introdução de Inovações
Tecnológicas
0,67 0,73 0,700 0,053 14,93
P&D Externo 0,78 0,78 0,780 0,059 16,62
Conhecimento Externo 0,75 0,80 0,775 0,058 16,34
Latente INOVAÇÃO 0,11 0,04 0,075 --------- ------
Fonte: Autor
Os valores observados na coluna peso ponderado da tabela 31 é a contribuição de cada
variável para o desempenho da firma, isto é, uma unidade no fator desempenho é explicada
por 0,059 em treinamento, por exemplo.
A última coluna representa a contribuição individual de cada variável para a formação
do construto inovação. Assim, além de se confirmar as hipóteses de influência das variáveis
inovação no desempenho da firma, foi possível verificar a contribuição individual de cada
variável e a importância percentual para a formação do construto inovação.
Deve-se considerar que no âmbito da firma os recursos são gerenciáveis, há
interseções entre eles e o seu resultado é sinérgico devido a integração dos recursos. Importa
essa ressalva, para os valores apresentados não sejam tomados como variáveis isoladas, mas
como um entendimento, um tanto que didático, da importância das variáveis para formação do
construto inovação e deste para o desempenho da firma.
148
A importância da integração dos recursos e dos seus efeitos combinados na capacidade
de inovar da firma pode ser verificada pela proximidade da importância da variável, ou seja,
não há uma variável tão significativa em relação às demais.
Outrossim, a coluna da importância das variáveis oferece um contraponto aos pesos
estabelecidos pelo IBI.
TABELA 32 – IMPORTÂNCIA RELATIVA DE CADA VARIÁVEL PARA O DESEMPENHO
Variáveis TESE IBI Variação %
Capital Humano 0,0845 0,10 18,34
P&D Interno 0,1606 0,12 -25,28
Treinamento 0,1662 0,02 -87,96
Aquisição de máquinas 0,1098 0,06 -45,35
Introdução de Inovações
Tecnológicas
0,1493 0,04 -73,21
P&D Externo 0,1662 0,06 -63,90
Conhecimento Externo 0,1634 0,04 -75,52
Fonte: Autor
Verifica-se uma grande distorção entre as importâncias relativas para a formação do
construto inovação, que no IBI é tratado pelo IAI , a única diferença é que no modelo da tese
o indicador de projetos não foi utilizado, pois pouquíssimas firmas apresentavam essa
informação, o que reduziria sobremaneira as bases restritas. Todavia, essa variável representa
0,04 para o modelo o que não invalida os dados apresentados.
Em tempo, o modelo IBI conforme já explicitado, pondera com o mesmo peso as
variáveis relativas a resultado – IAR - (0,40) com as variáveis de esforço; tomando como
premissa que os efeitos no Índice Geral são os mesmos entre resultado e esforço. Neste
sentido, buscou-se utilizar a estrutura do modelo IBI contra a variável desempenho, a fim, de
se verificar o real peso das variáveis sugeridas pelo modelo contra o fator desempenho das
firmas.
Esse procedimento foi utilizado para a base de 2005, tendo a necessidade de
estabelecer novas variáveis, pois a formação das variáveis de cada firma no IBI é relativizada
pela média do setor. Outrossim, registra-se novamente que as variáveis relativas a patentes
depositadas e concedidas não foram utilizadas, pois na base da PINTEC são variáveis
categóricas. Pode-se averiguar na figura a seguir que a SEM não conseguiu processar as
149
variáveis com a disposição sugerida pelo modelo IBI. Não sendo possível assim, confirmar
que os pesos assumidos para as variáveis do indicador IAI precisam de ajustes.
Entretanto, os resultados estabelecidos na tabela 32 sugerem que os pesos atribuídos
pelo IBI, considerando o impacto da inovação no desempenho da firma não correspondem
com a realidade da base trabalhada (PINTEC 2000, 2003 e 2005).
0
Rent_2006
IAI
IARH
IRV
PeD_Interno_cnae
Aq_maqui_cnae
PeD_Externo_cnae
Conhec_Externo_cnae
Treinamento_cnae
Intro_inov_tec_cnae
Dout_cnae
Mest_cnae
Grad_cnae
Rec_empr_novos_cnae
Rec_bra_novos_cnae
Rec_mund_novos_cnae
0,15
Intro_proj_tec_cnae
0;
e_IBI
0;
e7
0;
e14
0;
e13
0;
e12
0;
e6
0;
e5
0;
e4
0;
e3
0;
e2
0;
e1
0;
e11
0;
e9
0;
e10
0;
e15
0;
e16
0;
e17
Figura 25 – Modelo IBI – Teste com a SEM
Fonte: O Autor
A saída completa do software AMOS 17.0 pode ser encontrada no ANEXO G, onde se
confirmará que o modelo não tem suporte estatístico. Para rodar o modelo IBI utilizou-se
todas as bases, deixou-se registrado aqui na tese o uso com a base das empresas mais
representativas.
150
5.4.
A
NÁLISE DE
R
EGRESSÃO
A utilização da análise de regressão múltipla nesta pesquisa teve como interesse
confrontar os dados alcançados pela modelagem de equações estruturais, respeitando as
diferenças das técnicas.
De igual modo ao realizado na análise com o uso das equações estruturais, tratou-se
inicialmente os dados referentes a base 2005, onde foram testadas as variáveis no seu formato
original e transformadas em logaritmo e padronizadas, com o objetivo de encontrar o modelo
mais ajustado.
Ao contrário dos resultados alcançados com a SEM, quando se pode perceber
convergência nos pesos das variáveis nas três bases, a análise de regressão não apresentou
evidências consistentes quanto a SEM.
A seguir são apresentados os resultados da análise de regressão do ano de 2005, com
as saídas do SPSS 15.0.
TABELA 33 – ESTATÍSTICA DESCRITIVA DA REGRESSÃO. ANO 2005
Mean Std. eviation N
Rent_2006 ,0041504
1,01753507
277
Zscore(Treinamento) -,0254210
,08516199
277
Zscore(PeD_Interno) -,0002905
1,12779852
277
Zscore(Aq_maqui) ,0157422
1,62063586
277
Zscore(PeD_Externo) ,2396279
1,68073517
277
Zscore(Conhec_Externo) ,1098282
1,52393880
277
Zscore(Intro_inov_tec) ,0225143
1,41855186
277
Capital_Humano ,0972402
1,35174628
277
Fonte: Autor
151
TABELA 34 – RESUMO DA REGRESSÃO. ANO 2005
Model Summary
b,c
,516
a
,266 ,247 ,88282390 ,266 13,951 7 269 ,000 1,801
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
R Square
Change F Change df1 df2 Sig. F Change
Change Statistics
Durbin-
Watson
Predictors: (Constant), Capital_Humano, Zscore(PeD_Externo), Zscore(PeD_Interno), Zscore(Conhec_Externo), Zscore(Treinamento),
Zscore(Aq_maqui), Zscore(Intro_inov_tec)
a.
Dependent Variable: Rent_2006
b.
Weighted Least Squares Regression - Weighted by pesocal
c.
Fonte: Autor
TABELA 35 – COEFICIENTES DA REGRESSÃO. ANO 2005.
Coefficients
a,b
-,034 ,051 -,677 ,499 -,134 ,065
-3,536 ,864 -,296 -4,091 ,000 -5,237 -1,834
4,812 ,586 5,334 8,209 ,000 3,658 5,966
-6,094 ,972 -9,706 -6,272 ,000 -8,007 -4,181
-,059 ,033 -,097 -1,796 ,074 -,124 ,006
-,075 ,036 -,113 -2,093 ,037 -,146 -,004
3,197 1,145 4,457 2,793 ,006 ,943 5,451
-,038 ,041 -,050 -,915 ,361 -,119 ,043
(Constant)
Zscore(Treinamento)
Zscore(PeD_Interno)
Zscore(Aq_maqui)
Zscore(PeD_Externo)
Zscore(Conhec_Externo)
Zscore(Intro_inov_tec)
Capital_Humano
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound
95% Confidence Interval for B
Dependent Variable: Rent_2006
a.
Weighted Least Squares Regression - Weighted by pesocal
b.
Fonte: Autor
TABELA 36 – MATRIZ DE CORRELAÇÃO DA REGRESSÃO. ANO 2005.
Mode
l
Capital_
Humano
Zscore
(PeD_Externo)
Zscore
(PeD_Interno)
Zscore
(Conhec_
Externo)
Zscore
(Treinamento)
Zscore
(Aq_maqui)
Zscore
(Intro_inov_tec)
1 Correlation
s
Capital_Humano
1,000
,049
-,088
-,056
-,157
,061
-,020
Zscore(PeD_Externo)
,049
1,000
-,096
,020
,027
,254
-,207
Zscore(PeD_Interno)
-,088
-,096
1,000
-,168
-,612
-,128
-,273
Zscore(Conhec_Exter
no)
-,056
,020
-,168
1,000
,141
,164
-,093
Zscore(Treinamento)
-,157
,027
-,612
,141
1,000
,108
,129
Zscore(Aq_maqui)
,061
,254
-,128
,164
,108
1,000
-,919
Zscore(Intro_inov_tec
)
-,020
-,207
-,273
-,093
,129
-,919
1,000
Covariance
s
Capital_Humano
,002
6,57E-005
-,002
-8,30E-005
-,006
,002
-,001
Zscore(PeD_Externo)
6,57E-005
,001
-,002
2,38E-005
,001
,008
-,008
Zscore(PeD_Interno)
-,002
-,002
,344
-,004
-,310
-,073
-,183
Zscore(Conhec_Exter
no)
-8,30E-005
2,38E-005
-,004
,001
,004
,006
-,004
Zscore(Treinamento)
-,006
,001
-,310
,004
,747
,091
,128
Zscore(Aq_maqui)
,002
,008
-,073
,006
,091
,944
-1,022
Zscore(Intro_inov_tec
)
-,001
-,008
-,183
-,004
,128
-1,022
1,310
a Dependent Variable: Rent_2006
b Weighted Least Squares Regression - Weighted by pesocal
Fonte: Autor
Como se pode observar o modelo “passou”, porém apresenta restrições como
multicolinerariedade entre as variáveis, aquisição de máquina e introdução de inovação
tecnológicaas (conforme observação na matriz de correlação, valor superior a 0,9) e por não
152
apresentar nenhuma variável com significância para explicar o desempenho. Sendo que o
fator capital humano foi reprovado.
Uma das providências encontrada na literatura para essas situações é a exclusão de
uma das variáveis, contudo, essa decisão não foi tomada pela natureza distinta das variáveis
Aquisição de Máquinas e Introdução de Inovação Tecnológica no sistema de inovação da
firma.
Desta forma, a análise de regressão para a base de 2005 não entregou nenhum
resultado passivo de ser analisado com aqueles oferecidos pela SEM.
Quando se analisa os resultados para as bases de 2003 e 2000, observa-se que os
modelos vão perdendo ajuste.
TABELA 37 – ESTATÍSTICA DESCRITIVA DA REGRESSÃO. ANO 2003
Mean Std. Deviation N
Zscore: REGR factor
score 4 for analysis 2
-,0593323
1,47023094
231
Zscore(Treinamento) ,0644138
1,52007418
231
Zscore(PeD_Interno) ,0803956
1,74796878
231
Zscore(Aq_maqui) ,0472277
1,90183468
231
Zscore(PeD_Externo) ,1539426
2,03542963
231
Zscore(Conhec_Externo) ,1411735
1,66829347
231
Zscore(Intro_inov_tec) ,0296875
1,40744534
231
REGR factor score 1 for
analysis 2
,2872410
1,60512154
231
Fonte: Autor
153
TABELA 38 – RESUMO DA REGRESSÃO. ANO 2003
Model Summary
b,c
,367
a
,134 ,107 1,38913404 ,134 4,948 7 223 ,000 1,858
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
R Square
Change F Change df1 df2 Sig. F Change
Change Statistics
Durbin-
Watson
Predictors: (Constant), REGR factor score 1 for analysis 2, Zscore(Intro_inov_tec), Zscore(PeD_Externo), Zscore(Conhec_Externo),
Zscore(Treinamento), Zscore(PeD_Interno), Zscore(Aq_maqui)
a.
Dependent Variable: Zscore: REGR factor score 4 for analysis 2
b.
Weighted Least Squares Regression - Weighted by pesocal
c.
Fonte: Autor
TABELA 39 – COEFICIENTES DA REGRESSÃO. ANO 2003.
Coefficients
a,b
,027 ,078 ,344 ,731 -,126 ,180
,043 ,128 ,045 ,339 ,735 -,208 ,294
,520 ,370 ,618 1,403 ,162 -,210 1,250
-,023 ,376 -,030 -,062 ,951 -,764 ,717
-,052 ,072 -,071 -,716 ,475 -,194 ,090
-,115 ,129 -,130 -,892 ,373 -,369 ,139
-,529 ,854 -,507 -,620 ,536 -2,212 1,154
-,312 ,058 -,341 -5,360 ,000 -,427 -,197
(Constant)
Zscore(Treinamento)
Zscore(PeD_Interno)
Zscore(Aq_maqui)
Zscore(PeD_Externo)
Zscore(Conhec_Externo)
Zscore(Intro_inov_tec)
REGR factor score 1 for
analysis 2
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound
95% Confidence Interval for B
Dependent Variable: Zscore: REGR factor score 4 for analysis 2
a.
Weighted Least Squares Regression - Weighted by pesocal
b.
Fonte: Autor
TABELA 40 – MATRIZ DE CORRELAÇÃO DA REGRESSÃO. ANO 2003.
M
REGR
factor score
1 for
analysis 2
Zscore(Intro
_inov_tec)
Zscore(PeD
_Externo)
Zscore(Conh
ec_Externo)
Zscore(Tre
inamento)
Zscore(PeD
_Interno)
Zscore(Aq_
maqui)
1
Correlations REGR factor score
1 for analysis 2
1,000
,094
-,003
,028
,074
-,136
-,052
Zscore(Intro_inov_te
c)
,094
1,000
,047
,047
,375
-,933
-,960
Zscore(PeD_Extern
o)
-,003
,047
1,000
-,329
-,393
,111
-,151
Zscore(Conhec_Ext
erno)
,028
,047
-,329
1,000
-,437
-,288
,123
Zscore(Treinamento
)
,074
,375
-,393
-,437
1,000
-,353
-,359
Zscore(PeD_Interno
)
-,136
-,933
,111
-,288
-,353
1,000
,807
Zscore(Aq_maqui)
-,052
-,960
-,151
,123
-,359
,807
1,000
Covariances
REGR factor score
1 for analysis 2
,003
,005
-1,43E-005
,000
,001
-,003
-,001
Zscore(Intro_inov_te
c)
,005
,729
,003
,005
,041
-,295
-,308
Zscore(PeD_Extern
o)
-1,43E-
005
,003
,005
-,003
-,004
,003
-,004
Zscore(Conhec_Ext
erno)
,000
,005
-,003
,017
-,007
-,014
,006
Zscore(Treinamento
)
,001
,041
-,004
-,007
,016
-,017
-,017
Zscore(PeD_Interno
)
-,003
-,295
,003
-,014
-,017
,137
,112
Zscore(Aq_maqui)
-,001
-,308
-,004
,006
-,017
,112
,141
Fonte: Autor
154
Observa-se para a base do ano de 2003 que, apenas a variável Introdução de Inovações
Tecnológicas não foi reprovada, mesmo apresentando péssima significância.
Para o ano 2000, a análise de regressão não encontra sustentação estatística,
apresentando um modelo sem o ajuste aceitável.
TABELA 41 – ESTATÍSTICA DESCRITIVA DA REGRESSÃO. ANO 2000
Mean Std. Deviation N
Rent_2001 -,0445453
1,63498740
1608
Capital_Humano ,0673803
1,82759956
1608
Zscore(Treinamento) -,0080494
1,15810977
1608
Zscore(PeD_Interno) -,0074393
1,15825723
1608
Zscore(Aq_maqui) -,0099306
1,15828007
1608
Zscore(PeD_Externo) -,0215759
1,11270243
1608
Zscore(Conhec_Externo) ,0667639
1,71661866
1608
Zscore(Intro_inov_tec) -,0074065
1,15825785
1608
Fonte: Autor
TABELA 42 – RESUMO DA REGRESSÃO. ANO 2000
Model Summary
b,c
,031
a
,001 -,003 1,63725648 ,001 ,258 6 1601 ,956 2,595
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
R Square
Change F Change df1 df2 Sig. F Change
Change Statistics
Durbin-
Watson
Predictors: (Constant), Zscore(Intro_inov_tec), Zscore(PeD_Externo), Capital_Humano, Zscore(Conhec_Externo), Zscore(Aq_maqui),
Zscore(Treinamento)
a.
Dependent Variable: Rent_2001
b.
Weighted Least Squares Regression - Weighted by PESOFIM
c.
Fonte: Autor
155
TABELA 43 – COEFICIENTES DA REGRESSÃO. ANO 2000.
Coefficients
a,b
-,048 ,030 -1,620 ,105 -,106 ,010
,012 ,022 ,014 ,551 ,582 -,032 ,056
-1,419 2,057 -1,005 -,690 ,490 -5,453 2,615
-,002 ,114 -,001 -,016 ,988 -,225 ,221
-,016 ,037 -,011 -,432 ,666 -,089 ,057
,018 ,024 ,019 ,766 ,444 -,029 ,065
1,424 2,035 1,009 ,700 ,484 -2,567 5,415
(Constant)
Capital_Humano
Zscore(Treinamento)
Zscore(Aq_maqui)
Zscore(PeD_Externo)
Zscore(Conhec_Externo)
Zscore(Intro_inov_tec)
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound
95% Confidence Interval for B
Dependent Variable: Rent_2001
a.
Weighted Least Squares Regression - Weighted by PESOFIM
b.
Fonte: Autor
TABELA 44 – MATRIZ DE CORRELAÇÃO DA REGRESSÃO. ANO 2000.
Rent_2001
Capital_
Humano
Zscore
(Treinamento)
Zscore
(PeD_Interno)
Zscore
(Aq_maqui)
Zscore
(PeD_Externo)
Zscore
(Conhec_Externo)
Zscore
(Intro_inov_tec)
Pearson
Correlation
Rent_2001
1,000
,012
,002
,003
,001
-,013
,017
,003
Capital_Humano
,012
1,000
,003
,002
,000
-,010
-,038
,002
Zscore(Treinamento)
,002
,003
1,000
1,000
,949
,002
-,001
1,000
Zscore(PeD_Interno)
,003
,002
1,000
1,000
,948
,000
-,002
1,000
Zscore(Aq_maqui)
,001
,000
,949
,948
1,000
,000
,010
,948
Zscore(PeD_Externo)
-,013
-,010
,002
,000
,000
1,000
,054
-,001
Zscore(Conhec_Externo)
,017
-,038
-,001
-,002
,010
,054
1,000
-,002
Zscore(Intro_inov_tec)
,003
,002
1,000
1,000
,948
-,001
-,002
1,000
Sig. (1-tailed) Rent_2001
.
,311
,461
,455
,478
,298
,252
,456
Capital_Humano
,311
.
,455
,470
,493
,350
,066
,469
Zscore(Treinamento)
,461
,455
.
,000
,000
,465
,485
,000
Zscore(PeD_Interno)
,455
,470
,000
.
,000
,498
,462
,000
Zscore(Aq_maqui)
,478
,493
,000
,000
.
,493
,346
,000
Zscore(PeD_Externo)
,298
,350
,465
,498
,493
.
,015
,486
Zscore(Conhec_Externo)
,252
,066
,485
,462
,346
,015
.
,462
Zscore(Intro_inov_tec)
,456
,469
,000
,000
,000
,486
,462
.
N Rent_2001
1608
1608
1608
1608
1608
1608
1608
1608
Capital_Humano
1608
1608
1608
1608
1608
1608
1608
1608
Zscore(Treinamento)
1608
1608
1608
1608
1608
1608
1608
1608
Zscore(PeD_Interno)
1608
1608
1608
1608
1608
1608
1608
1608
Zscore(Aq_maqui)
1608
1608
1608
1608
1608
1608
1608
1608
Zscore(PeD_Externo)
1608
1608
1608
1608
1608
1608
1608
1608
Zscore(Conhec_Externo)
1608
1608
1608
1608
1608
1608
1608
1608
Zscore(Intro_inov_tec)
1608
1608
1608
1608
1608
1608
1608
1608
Fonte: Autor
Destacou-se, anteriormente, que o uso da análise de regressão tinha como interesse
confrontar os resultados obtidos pela análise de equações estruturais, esperava-se inicialmente
que os resultados deste último procedimento estatístico reforça-se os resultados alcançados
pelas equações estruturais, entretanto, como se pode perceber os resultados não foram
congruentes. Na verdade, a análise de regressão não conseguiu entregar nenhum resultado
mais consistente para análise, mesmo que este fizesse um contraponto aqueles obtidos pela
SEM.
156
Foi destacado no referencial teórico experiências de outros pesquisadores que não
conseguiram encontrar significância estatística utilizando a análise de regressão para
compreender a relação inovação e desempenho.
Apesar, de se verificar que o modelo de 2005 apresentou um melhor ajuste em relação
aos demais, não se pode afirmar que as variáveis definidas são significativas. Foram
realizados outros testes promovendo transformações nas variáveis escolhidas, porém, os
resultados apresentados foram os melhores.
5.5.
M
ODELO DE
R
ISCO
Além das contribuições já entregues nesta tese, buscou-se utilizar o caminho já
trilhado para propor um modelo de identificação do risco do recurso inovação. Esse objetivo
está alinhado ao tema desta pesquisa e tem por interesse propor um novo formato de análise
do recurso da firma.
O modelo de risco foi testado para os cinco setores mais representativos em
quantidade de firmas para as três bases, são eles:
•
(15) Fabricação de produtos alimentícios e bebidas
•
(17) Fabricação de produtos têxteis
•
(24) Fabricação de produtos químicos
•
(27) Fabricação de produtos siderúrgicos
•
(29) Fabricação de Máquinas e Equipamentos
157
Para cada setor, realizou-se uma simulação com uma empresa aleatória e que
apresentasse dados para os três anos, por questões de confidencialidade de informação junto
ao IBGE, os nomes das empresas não são divulgados.
Tendo como pano de fundo a teoria apresentada. O primeiro passo, para a construção
do modelo é o cálculo da capacidade de inovar da empresa e do setor que segue a fórmula 31.
∑
∑
×
×
=
ii
ii
Pesos
PesosVariáveis
InoCapacidade
σ
var_
Onde as variáveis representam uma média dos investimentos realizados nas variáveis
que formam o construto inovação ao longo dos três períodos (2000, 2003 e 2005) e o sigma é
o desvio encontrado. Os pesos são os valores da importância percentual de cada variável
apresentado na tabela XX, que já foram ponderados pela influência no desempenho da firma.
Abaixo seguem os resultados para o setor de fabricação de produtos alimentícios e
bebidas.
TABELA 45 – CAPACIDADE DE INOVAR DO SETOR DE FABRICAÇÃO DE ALIMENTOS E BEBIDAS
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 40.806,52
87.793,84
0,46480
0,109859
0,051062
PeD_Interno 5.030,81
9.270,92
0,54264
0,160563
0,087129
PeD_Externo 730,32
1.140,09
0,64058
0,166197
0,106463
Conhec_Externo 1.397,74
3.002,49
0,46553
0,16338
0,076058
Treinamento 564,70
1.025,12
0,55087
0,166197
0,091553
Intro_inov_tec 3.248,55
7.307,59
0,44454
0,149296
0,066369
Capital_Humano 0,00373
0,00739
0,50516
0,084507
0,04269
Capacidade de Inovar do Setor
0,52
Fonte: Autor
158
TABELA 46 – CAPACIDADE DE INOVAR DA EMPRESA “X” DO SETOR DE FABRICAÇÃO DE
ALIMENTOS E BEBIDAS
Variáveis
Média
Investimento
Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 3.533,33
5.600,29
0,630919
0,109859
0,069312212
PeD_Interno 1.633,33
1.184,62
1,378778
0,160563
0,221381287
PeD_Externo 5,00
8,66
0,57735
0,166197
0,095953988
Conhec_Externo 333,33
577,35
0,57735
0,16338
0,09432765
Treinamento 25,00
22,91
1,091089
0,166197
0,181335993
Intro_inov_tec 2.033,33
57,73
35,21837
0,149296
5,257953297
Capital_Humano 0,000965
0,000241
4,000951
0,084507
0,338108559
Capacidade de Inovar da Empresa
6,26
Fonte: Autor
Como se pode observar a empresa X tem capacidade de inovar muito superior ao seu
setor com o mesmo padrão de risco, ou seja, para uma unidade de risco o setor apresenta 0,52
de desempenho em inovação, enquanto a empresa 6,25. Verifica-se que o principal diferencial
da empresa em relação ao setor está na introdução das inovações tecnológicas no mercado. A
assertiva faz sentido para o mercado alimentício e de bebidas que é intensivo em marketing.
Na sequência são apresentados os dados para os demais setores com a análise
realizada ao final:
Fabricação de Produtos Têxteis
TABELA 47 – CAPACIDADE DE INOVAR DO SETOR DE FABRICAÇÃO DE PRODUTOS TÊXTEIS.
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 0,382473254
0,846022503
0,45208402
0,109859
0,049666
PeD_Interno 0,10099766
0,220364735
0,458320432
0,160563
0,073589
PeD_Externo 0,034522979
0,081902611
0,421512553
0,166197
0,070054
Conhec_Externo 0,166300856
0,401473653
0,414226076
0,16338
0,067676
Treinamento 0,004414813
0,004969415
0,888396842
0,166197
0,147649
Intro_inov_tec 0,008708921
0,011327937
0,76880028
0,149296
0,114779
Capital_Humano 0,005214169
0,00647532
0,80523723
0,084507
0,068048
Capacidade de Inovar do Setor
0,59
Fonte: Autor
159
TABELA 48 – CAPACIDADE DE INOVAR DA EMPRESA W DE FABRICAÇÃO DE PRODUTOS
TÊXTEIS.
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 443,66
413,3356
1,073381
0,109859
0,117920747
PeD_Interno 482,00
412,9855
1,167111
0,160563
0,187395331
PeD_Externo 36,00
62,35383
0,57735
0,166197
0,095953988
Conhec_Externo 45,66
79,09699
0,57735
0,16338
0,09432765
Treinamento 101,00
172,3456
0,586032
0,166197
0,097396842
Intro_inov_tec 461,00
553,4555
0,832949
0,149296
0,124355709
Capital_Humano 443,67
413,3356
1,073381
0,084507
0,216648927
Capacidade de Inovar da Empresa
0,93
Fonte: Autor
Fabricação de Produtos Químicos
TABELA 49 – CAPACIDADE DE INOVAR DO SETOR DE FABRICAÇÃO DE PRODUTOS QUÍMICOS
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 0,071701394
0,156890795
0,457014665
0,109859
0,050207
PeD_Interno 0,056776671
0,101390198
0,559981848
0,160563
0,089913
PeD_Externo 0,017599566
0,047690752
0,36903519
0,166197
0,061333
Conhec_Externo 0,040384385
0,093969822
0,429759085
0,16338
0,070214
Treinamento 0,004052057
0,010208563
0,39692725
0,166197
0,065968
Intro_inov_tec 0,059573976
0,177886893
0,334898065
0,149296
0,049999
Capital_Humano 0,019221476
0,035090683
0,547765807
0,084507
0,04629
Capacidade de Inovar do Setor
0,43
Fonte: Autor
TABELA 50 – CAPACIDADE DE INOVAR DA EMPRESA “K” DO SETOR DE FABRICAÇÃO DE
PRODUTOS QUÍMICOS
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 9.662
1.0315,90
0,936613
0,109859
0,102895478
PeD_Interno 5.475,66
4.419,95
1,238852
0,160563
0,198914272
PeD_Externo 945,66
1.248,48
0,757453
0,166197
0,125886625
Conhec_Externo 2.000
1.414,21
1,414214
0,16338
0,23105461
Treinamento 400
522,015
0,766261
0,166197
0,127350424
Intro_inov_tec 1.370
1.014,24
1,350754
0,149296
0,201661835
Capital_Humano 0,00155
0,000604
2,568068
0,084507
0,217019834
Capacidade de Inovar da Empresa
1,20
Fonte: Autor
160
Fabricação de Produtos Siderúrgicos
TABELA 50 – CAPACIDADE DE INOVAR DO SETOR DE FABRICAÇÃO DE PRODUTOS
SIDERÚRGICOS
Variáveis
Média
Investimento
Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 0,183459463
0,315435498
0,581606902
0,109859
0,063895
PeD_Interno 0,073041746
0,122919738
0,594223087
0,160563
0,09541
PeD_Externo 0,005947257
0,009851831
0,603670197
0,166197
0,100328
Conhec_Externo 0,007121216
0,008915731
0,798724879
0,16338
0,130496
Treinamento 0,002968007
0,003289835
0,902175092
0,166197
0,149939
Intro_inov_tec 0,002763328
0,004733788
0,58374566
0,149296
0,087151
Capital_Humano 0,012036468
0,018475847
0,651470435
0,084507
0,055054
Capacidade de Inovar do Setor
0,68
Fonte: Autor
TABELA 51 – CAPACIDADE DE INOVAR DA EMPRESA “L” SETOR DE FABRICAÇÃO DE
PRODUTOS SIDERÚRGICOS
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 4.1581,5
12.820,55
3,243347
0,109859
0,356311341
PeD_Interno 20.414,5
5.960,203
3,425135
0,160563
0,549951251
PeD_Externo 6,5
7,778175
0,835672
0,166197
0,138886274
Conhec_Externo 740,5
734,6839
1,007916
0,16338
0,164673666
Treinamento 434
219,2031
1,979899
0,166197
0,329053635
Intro_inov_tec 2.980,5
3.987,375
0,747484
0,149296
0,111596236
Capital_Humano 0,003002
0,001653
1,816478
0,084507
0,15350521
Capacidade de Inovar da Empresa
1,80
Fonte: Autor
Fabricação de Máquinas e Equipamentos
TABELA 52 – CAPACIDADE DE INOVAR DO SETOR DE FABRICAÇÃO DE MÁQUINAS E
EQUIPAMENTOS.
Variáveis
Média
Investimento Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 0,125174327
0,285451949
0,438512779
0,109859
0,048175
PeD_Interno 0,160945051
0,516867562
0,311385475
0,160563
0,049997
PeD_Externo 0,039452854
0,144414063
0,273192605
0,166197
0,045404
Conhec_Externo 0,022967934
0,075906671
0,302581232
0,16338
0,049436
Treinamento 0,020484707
0,072298442
0,283335387
0,166197
0,04709
Intro_inov_tec 0,027561253
0,056976464
0,483730492
0,149296
0,072219
Capital_Humano 0,014709531
0,021920433
0,671041987
0,084507
0,056708
Capacidade de Inovar do Setor
0,37
Fonte: Autor
161
TABELA 53 – CAPACIDADE DE INOVAR DA EMPRESA Z DO SETOR DE FABRICAÇÃO DE
MÁQUINAS E EQUIPAMENTOS.
Variáveis
Média
Investimento
Desvio Média / Desvio
Pesos da
SEM
Total
Aq_maqui 5.702,3
1.984,316
2,873702
0,109859
0,315702486
PeD_Interno 261
66,56576
3,920935
0,160563
0,629558562
PeD_Externo 16,67
28,86751
0,57735
0,166197
0,095953988
Conhec_Externo 477,33
68,63187
6,954981
0,16338
1,136306741
Treinamento 141,33
51,48139
2,745329
0,166197
0,456265899
Intro_inov_tec 296,33
318,6539
0,929953
0,149296
0,138838122
Capital_Humano 0
0
0
0,084507
0
Capacidade de Inovar da Empresa
2,77
Fonte: Autor
Verifica-se para os cinco setores que as empresas selecionadas apresentam capacidade
de inovar com influência no desempenho superior aos seus respectivos setores, a seleção,
como dito foi realizada de forma aleatória para empresas que tinham dados nos três anos. Essa
condição pode ser uma das explicações para que sua capacidade seja superior, pois a empresa
se manteve no mercado pelo período de pelo menos 6 anos apresentando investimentos em
inovação.
Quando se analisa os dados das bases percebe-se que poucas empresas conseguem
permanecer de uma base para outra e ainda, a baixa média de investimentos nas variáveis de
inovação. A própria empresa selecionada do setor de máquinas e equipamentos não teve
nenhum funcionário dedicado a P&D, porém sua capacidade de inovar é superior ao setor em
648%, em razão da fraca capacidade de inovar da indústria.
5. C
ONCLUSÃO
No início desta pesquisa foram apresentadas as expectativas quanto o resultado deste
trabalho, onde se destacam o tratamento da relação inovação e desempenho das firmas no
Brasil para o período de 2000 a 2005, através de equações estruturais e a proposta de
modelagem do risco do recurso inovação.
162
No anseio em responder a pergunta que motivou esta tese, buscou-se realizar um
referencial teórico que abarcasse as discussões centrais e fundamentais da Teoria da Inovação,
de modo que os construtos fossem moldados com sustentação teórica. Apesar da
impossibilidade de se manter plenamente atualizados sobre todos os artigos, livros e
congressos na área, têm-se a consciência de que os modelos desenvolvidos e testados
encontram aparato nos principais autores e pesquisadores neste campo do conhecimento.
O tratamento dos dados por meio da análise fatorial permitiu confirmar e validar os
construtos propostos. Observou-se nas três bases a proximidade que as variáveis de esforço,
capital relacional, capital humano e desempenho possuem, exceto para as variáveis doutores e
retorno do patrimônio líquido (ROE).
Apesar, da análise fatorial não computar o interesse inicial da pesquisa, ela veio a
reforçar os postulados apresentados e ainda permitiu o uso dos fatores (Capital Humano e
Desempenho) dentro da modelagem de equações estruturais, sem que tal procedimento
prejudicasse o ajuste do modelo, ao contrário.
Infelizmente o modelo teórico proposto inicialmente, representado na Figura 7, não foi
possível de se concretizar por dois motivos. O primeiro que a variável latente impacto
inovador não apresentava variáveis quantitativas junto a PINTEC e sim categóricas. Contudo,
havia uma expectativa inicial que o restante do modelo ou mesmo o ajustado pela fatorial
(Figura 10) fossem suportados estatisticamente pela modelagem de equações estruturais, fato
este que não ocorreu, conforme demonstrado.
Todavia, essa condição impulsionou a leitura de outros textos e a verificação de novos
formatos de relacionamento, até que os resultados foram alcançados na figura 14. Nessa
oportunidade, obteve-se resultados suficientes para validar as hipóteses e apresentar
informações desconhecidas para a realidade empresarial brasileira.
Os resultados alcançados nas bases de 2005, 2003 e 2000 permitiram validar as
hipóteses iniciais de que inovação influencia positivamente o desempenho das firmas, com a
ressalva, de que as variáveis latentes previstas anteriormente foram consolidadas numa única
capacidade de inovar e que a base de 2000, apesar de convergir os resultados para as duas
recentes, apresentou um modelo com um ajuste muito ruim.
163
Desta forma, as variáveis latentes, capital relacional e esforço foram substituídas pela
inovação que passou a integrar também o fator capital humano.
Portanto, as variáveis que compõem individualmente o sistema inovação encontraram
na SEM uma forma de apresentar a sua influência relativa no processo inovativo, bem como
no desempenho da firma, o que possibilitou avançar na tese e desenvolver com mais
segurança o conceito de risco do recurso de inovação.
O modelo proposto para o risco de inovação foi amadurecido ao longo deste trabalho e
verificado a hipótese de variações com assunção de modelos tradicionais como o CAPM e
Opções Reais, contudo, centrou-se esforços no desenvolvimento do modelo inicial onde o
investimento num dado recurso era relativizado pelo desvio padrão da firma ou da indústria.
Como a SEM permitiu a captação dos pesos proporcionais no desempenho foi possível
entregar distintas ponderações a cada variável.
Com efeito, a última hipótese da tese foi comprovada, permitindo um resultado que
poderá abrir novos horizontes na avaliação dos recursos da firma.
A abrangência dos resultados aqui propostos, tanto no sentido setorial, pois envolveu
toda a base da PINTEC, exceção a atividade de serviço e telecomunicação; quanto
longitudinal permitirá o desenvolvimento de novas pesquisas, seja refazendo ou consolidando
o que até aqui foi construído.
Certamente, o péssimo ajuste dos modelos de regressão foi o ponto mais intrigante
deste empreendimento. Esperava-se que a regressão entregasse resultados significativos e
coerentes com a SEM, contudo, com os resultados obtidos, muita pouca informação pode ser
construída. Espera-se assim, que novas pesquisas venham a refazer esse caminho, de modo
que alcancem os pontos frágeis que inconscientemente foram ignorados e impediram, ao
menos, um melhor ajuste.
Entretanto, há uma percepção que os dados estão melhorando com a evolução das
bases, o que sinaliza que essa trajetória possa em breve ser refeita e outros resultados poderão
ser melhores analisados. Tendo em vista que tanto no uso da fatorial, quanto da SEM e até
mesmo da Regressão, a base de 2005 apresentou no conjunto melhores resultados.
164
Ainda como perspectiva de pesquisas futuras, percebe-se que o trabalho aqui realizado
possa ser pensado setorialmente, em especial, para prover pesos específicos para cada setor.
No entanto, a amostra precisa ser mais representativa.
A oportunidade em avaliar o recurso inovação como uma opção, também se apresenta
como um excelente trabalho dado a importância deste recurso para a firma e a robustez dessa
ferramenta para análise de investimento.
Assim sendo, existe expectativa de que os resultados possam ter contribuído de
maneira significativa ao aperfeiçoamento da teoria da inovação e que tenha sido entregue
novos
insights
na área do gerenciamento do recurso da firma.
165
R
EFERÊNCIAS
B
IBLIOGRÁFICAS
AMRAM, M., KULATILAKA, N.
Real options – managerial strategic investment in
uncertain world
. Boston: Harvard Business School Press, 1999.
ADNER, Ron.
Exploration through exploitation: leveraging the co-evolution of markets
and technologis
. INSEAD. Working paper, Fontainebleau, France, 2005.
AHUJA, G.; KATILLA, R.
Technological acquisition and the innovation performance of
acquiring: A longitudinal study
. Strategic Management Journal.Vol. 22, 2001.
AMIT, R.; SCHOEMAKER, P. J. H. Strategic assets and organizational rent.
Strategic
Management Journal
. Vol. 34, 1993.
ANDREASSI, Tales.
Estudo das relações entre indicadores de P&D e indicadores de
resultado empresarial em empresas brasileiras.
Tese de Doutorado, Universidade de São
Paulo – USP. São Paulo, 1999.
ANGREASSI, Tales; SBRAGIA, Roberto. Fatores determiantes do grau de inovatividade das
empresas: um estudo utilizando a técnica de análise discriminate.
Working Papers
. Nr.1,
Universidade de São Paulo, São Paulo, 2004.
ARRUDA, M.; VERMULM, R.; HOLLANDA, S.
Inovação tecnológica no Brasil. A
indústria em busca da competitividade global
. Anpei : São Paulo, 2006.
BALDWIN, J.; HANEL, Peter; SABORIUN, David.
Determinants of innovative activity in
canadian manufacturing firms.
In. KLEINKNECHT, A.; MOHNEN, P. Innovation and
firm performance. Econometric explorations of survey data. Palgrave, New York, 2002.
BARROS, A.R.C.. Raízes históricas das idéias que subsidiam as políticas de clustering.
Revista Econômica Política
, São Paulo, v. 22, n 1, 2002.
BASSO, L. F. C.; KRAUTER, E. Participação nos lucros / resultados e criação de valor: um
estudo exploratório.
Revista Organizações e Sociedade
, Vol.10, No. 26. Salvador, jan/abr,
2003.
BÊRNI, D.A..
Teoria dos Jogos. Jogos de estratégia, estratégia decisória e teoria da
decisão.
Ed. Reichmann & Affonso Editores : Rio de Janeiro, 2004.
BESANKO, D., et al.
A economia da estratégia
. 3a. Ed. Bookman : Porto Alegre, 2006.
BHASKARAN, Suku. Incremental innovation and business performance: small and medium
size food enterprise in a concentrated industry environment.
Journal of Small Business
Management
. V.44, 2006.
166
BURLAMAQUI, Leonardo; PROENÇA, Adriano. Inovação, recursos e comprometimento:
em direção a uma teoria estratégica da firma.
Revista Brasileira de Inovação
. Vol. 2, Nr.1
Janeiro-Junho, 2003.
CABAGNOLS, A.; BAS, C. L.
Differences in the determinants of product and process
innovations: the french case
. In. KLEINKNECHT, A. MOHNEN, P. Innovation and firm
performance. Econometric explorations of survey data. Palgrave, New York, 2002.
CAINELLI, G.; EVANGELISTA, R.; SAVONA, M. The impact of innovation on economic
performance in services.
The Services Industries Journal
, V. 24, No. 1, 2004.
CASSIOLATO, J. et. al.
Estudo comparativo do sistema nacional de inovação no Brasil,
Rússia, China, Índia e África do Sul
. Redesist.Disponível em <www.redesist.ie.ufrj.br>
Acesso em 05 de março de 2007.
CHOO, Chun Wei.
A organização do conhecimento
. São Paulo: Senac, 2003.
CONCEIÇÃO, O. A. C. A relação entre processo de crescimento econômico, mudança e
instituições na abordagem institucionalista.
Revista Ensaios
, Vol. 23, Porto Alegre, 2002.
COOPER, R. G. The performance impact of product innovation strategies.
European Jounal
of Marketing
, 2001.
COPELAND, Tom; ANTIKAROV, Vladimir
. Opções reais: um novo paradigma para
reiventar a avaliação de investimentos
. Rio de Janeiro : Campus, 2001.
COX, S. ROSS, S. e RUBINSTEIN, M.
Option pricing: a simplified approach.
Journal of
Financial Economics. v.7, October,1979. p. 229 – 264.
COZZARIN, B. P. Innovation quality and manufacturing firm’s performance in Canada.
Econ. Innov. New Techn
. Vol. 13, 2004.
DAMODARAN, Aswath.
Avaliação de investimentos: ferramentas e técnicas para a
determinação do valor de qualquer ativo
. Rio de Janeiro: Qualitymark, 2001.
De NEGRI, Fernanda. Inovação tecnológica e exportações das firmas brasileiras,
ANPEC
,
Salvador, 2006.
DeBRESSON, C.
Economic interdependence and innovative activity
. Cheltenham:
Edward Elgar Publishing, 1996.
DENYER, David; NEELY, Andy. Introduction to special issue: innovation and productivity
performance in the UK.
International Journal of Management Review.
Vol. 5/6, Sept/Dec,
2004.
DEZEN, Francisco José Pinheiro.
Opções reais aplicadas à escolha de alternativa
tecnológica para o desenvolvimento de campos marítimos de petróleo
. Campinas, 2001.
167
84f. Dissertação (Mestrado em Ciências e Engenharia de Petróleo) - Departamento de
Engenharia Mecânica, Universidade Estadual de Campinas.
DIAS, M.
Investimento sob incerteza em exploração e produção de petróleo
. Rio de
Janeiro, 1996. 464f. Dissertação (Mestrado em Engenharia da Produção) – Departamento de
Engenharia de Produção, Pontifícia Universidade Católica do Rio de Janeiro.
DIEDEREN, Paul; VAN MEIJL, H.; WOLTERS, A.
Innovation and farm performance:
the case of dutch agiculture
. In. KLEINKNECHT, A. MOHNEN, P. Innovation and firm
performance. Econometric explorations of survey data. Palgrave, New York, 2002.
DIXIT, A. K., PINDYCK, Robert S.
The option approach to capital of investment
.
Harvard Business Review. May/June, 1995. p. 105-115.
DOMINGUES, S. A., FURTADO, A. Recursos humanos em P&D.
Revista Uniemp
Inovação
, Campinas, 2006.
DOSI, G.
Innovation, organization and economic dynamics. Selected essays
. Cheltenham:
Edward Elgar Publishing, 2000.
DRUCKER, Peter F.
A sociedade pós capitalista.
São Paulo: Pioneira, 1999.
DUGUET, Emanuel. Innovation and firm performance: econometric explorations of survey
data.
Journal of Economic Literature
. Vol. 41, Dec., 2003.
DURAND, R. The relative contributions of inimitable, non transferable and non substitutable
resource to profitability and market performance.
SMS Book
, February, 1999.
EDGERTON, D. E. H.
Industrial research and innovation in business
. Cheltenham:
Edward Elgar Publishing, 1996.
FARAZMAND, Ali. Innovation in strategic human resource management: building capacity
in the age of globalization.
Public Organization Review
, March, 2004.
FARIAS FILHO, J. R.
Administração estratégica
. Disciplina de Estratégia do Mestrado
Profissional em Sistema de Gestão da Universidade Federal Fluminense. Notas de Aula:
Niterói, 2002.
FEENY, Simon; ROGERS, Mark. Innovation and performance: benchmarking australian
firms.
The Australian Economic Review
. Vol. 36, no. 3, 2003.
FRANCO, E.; CARVALHO, F.; CARVALHO, Sílvia. Como construir grupos setoriais.
Revista Uniemp Inovação
, Campinas, 2006.
FREEMAN, Chris.
The economics of innovation
. Aldershot: Edward Elgar Publishing, 1990.
FURTADO, A. QUADROS, R. Construindo o IBI.
Revista Uniemp Inovação.
Campinas,
2006.
168
FURTADO, A., VENANCIO, E., DOMINGUES, A. Metodologia do IBI permite classificar
setores que mais inovam.
Revista Uniemp Inovação
. Campinas, 2006.
GEROSKI, P.; REENEN, J.V.; WALTERS, C.
Innovations, patents and cash flow
. In.
KLEINKNECHT, A. MOHNEN, P. Innovation and firm performance. Econometric
explorations of survey data. Palgrave, New York, 2002.
GITMAN, Lawrence J.; MADURA, Jeff.
Administração financeira: uma abordagem
gerencial.
São Paulo: Addison Wesley, 2003.
GONÇALVES, C.A.; DIAS, A.T.; MUNIZ, R.M..
Análise discriminante dos fatores
estratégicos, indústria e desempenho em organizações brasileiras atuantes na indústria
manufatureira.
Revista de Administração Contemporânea, Curitiba, abr/jun, 2008.
GUIMARÃES Jr, Joel Arthur.
A teoria das opções reais na avaliação de uma filial de uma
empresa de fundações e geotécnica
. Rio de Janeiro, 2003. 77f. Dissertação (Mestrado
Profissionalizante em Administração) - Departamento de Administração e Economia.
Faculdades Ibmec.
GRUPP, Hariolf.
Foundations of the economics of innovation. Theory, measurement and
practice.
Massachusetts: Edward Elgar Publishing, 1998.
GUPTA, Praveen. Institutionalizing innovation for growth and profitability.
The Journal of
Private Equity
. Spring, 2006.
HAIR, J. F. et al.
Análise Multivariada de Dados
. 5a ed. Bookman : Porto Alegre, 2005.
HICKS, Frederick C. Competition as a basis of economics theory.
American Economic
Association.
V. 10. n 3, 1895.
HILL, C.W.L., ROTHAERMEL, F.T. The performance of incumbent firms in the face of
radical technological innovation.
Academy of Management Review
. Vol. 28, no.2, 2003.
HINLOOPEN, J. Innovation performance across europe.
Econ. Innov. New Techn
. Vol.12,
no.3, 2003.
HODGSON, Geofrey M. Institutional economics: surveying the “old” and the “new”.
Metroeconomica
. Vol. 44, No. 1, 1993.
HU, A. G. R&D Organization, monitoring intensity and innovation performance in chinese
Industry.
Econ. Innov. New Techn
. Vol. 12, 2003.
IBGE.
Pesquisa de Inovação Tecnológica
. Rio de Janeiro: IBGE, 2002.
IBGE.
Pesquisa de Inovação Tecnológica.
Rio de Janeiro: IBGE, 2005.
IBGE.
Pesquisa de Inovação Tecnológica
. Rio de Janeiro: IBGE, 2007.
169
JAW, B. S.; WANG, C. Y. P.; CHEN, Y.H.. Knowledge performance of multinational
subsidiaries: the perspective of human capital.
Journal of Human Resource Management
.
February, 2006.
KELLOWAY, E. Kevin.
Using LISREL for structural equation modeling. A researcher’s
guide.
Sage Publications Inc. : Nova Delhi (India), 1998.
KLEINSCHMIDT, Elko J.; COOPER, R.G. The performance impact of an international
orientation on product innovation.
European Journal of Marketing.
Vol. 22, No. 10, 2000.
KLOMP, L., ROELANDT, Theo. Innovation performance and innovation policy: the case of
the Netherlands.
De Economist
152, No. 3, 2004.
LAURSEN, Keld.; SALTER, Ammon. Open for innovation: the role of openness in
explaining innovation performance among U.K. manufacturing firms.
Strategic
Management Journal
, Vol. 27, 2006.
LEITE, Eliane.
Gestão do Conhecimento nas Empresas Brasileiras: Relações entre
Estratégia Empresarial, Gestão de Competências e de Resultados e Impactos no
Desempenho do Negócio
. 2004. 186 f. Dissertação
(Mestrado em Administração)
Departamento de Administração, Pontifícia Universidade Católica do Rio de Janeiro, Rio de
Janeiro. 2004.
LEIPONEN, Aija. Why do firms not collaborate?
The role of competencies and
technological regimes
. In. KLEINKNECHT, A. MOHNEN, P. Innovation and firm
performance. Econometric explorations of survey data. Palgrave, New York, 2002.
LEKACHMAN, Robert.
História das Idéias Econômicas
. Rio de Janeiro : Bloch, 1973.
LI, Ying; SCHOENMAKERS, Wilfred; VANHAVERBEKE, Wim. An integrative
perspective on the exploration and exploitation of knowledge.
Working Paper
, Hasselt
University. February, 2006.
LIPPMAN, S. A., RUMELT, R. P. The payments perspectives: micro-foundations of resource
analysis.
Strategic Management Journal
. Vol. 24, 2003.
MALERBA, Franco. Innovation and the evolution of industries.
Journal Evolutionary
Economy
. November, 2005.
Manual de Oslo.
Proposta de Diretrizes para Coleta e Interpretação de Dados sobre
Inovação Tecnológica
. Rio de Janeiro: FINEP, 2004.
MARCH, J. G. Exploration and exploitation in organizational learning.
Organziation
Science
, v.2, n.1, Special Issue, 1991.
MANGEMATIN, V.; MANDRAN, N.
Do non-R&D intensive industries benefit from
public research spillovers? The case of the agro food industry
. In. KLEINKNECHT, A.
170
MOHNEN, P. Innovation and firm performance. Econometric explorations of survey data.
Palgrave, New York, 2002.
MARQUES, P. S. M.
Estrutura de Capital e Estratégia de Inovação: Um Estudo no
Contexto Brasileiro
. 2007. 111 f. Dissertação (Mestrado em Administração de Empresas)
Departamento de Administração, Universidade Presbiteriana Mackenzie. São Paulo, 2007.
MARRECO, Juliana de Moraes.
Otimização dinâmica sob condição de incerteza na
produção de petróleo
. Simpósio Brasileiro de Pesquisa Operacional, Campos do Jordão:
2001.
MINTZBERG, H. The design school: reconsidering the basic premises of strategic
management.
Strategic Management Journal
, Vol, 12, 1990.
MOHNEN, P.; DAGENAIS, M.
Towards an innovation intensity index: The case of CIS 1
in Denmark and Ireland.
In. KLEINKNECHT, A. MOHNEN, P. Innovation and firm
performance. Econometric explorations of survey data. Palgrave, New York, 2002.
MORGANTI, Fábio.
Inovação Tecnológica e Desempenho das Empresas do Setor
Químico no Brasil.
2005. 155 f. Dissertação (Mestrado em Administração de Empresas)
Departamento de Administração, Universidade Presbiteriana Mackenzie. São Paulo, 2005.
MOWERY, D.C.; ROSENBERG, N. Technology and the pursuit of economic growth.
Cambrigde University Press
, 1989.
NELSON, R. R.; WINTER, S. G. The schumpeterian tradeoff revisited.
The American
Economy Review
. Vol. 72, No. 1, 1982.
NELSON, R. R. An introduction to evolutionary theories in economics.
Journal of
Evolutionary Economics
. Vol. 4, 1994.
NELSON, R. R.; WINTER, S. G.
Neoclassical vs. evolutionary theories of economic
growth: critique and prospectus
. In: FREEMAN, Christopher (org.) Economics of
Innovation. Aldershot: Edward Elgar Publishing, 2000.
NONAKA, Ikujiro. A dynamic theory of organizational knowledge creation.
Organization
Science
, Vol. 5, No. 1, February, 1994.
OECD.
Measuring What People Know
. France, 1996.
OLAVERRI-GARCÍA, Carmen; ARRIBAS-HUERTA, Emílio; KINTANA-LAZARRA,
Martin. Human and organizational capital: typologies among Spanish firms.
Journal of
Human Resource Management
. February, 2006.
OLIVARES, Mario Gomes.
As contribuições post keynesianas sobre as expectativas
numa economia monetária.
Departamento de Economia, Instituto Superior de Economia e
Gestão. Universidade Técnica de Lisboa, Lisboa: 2001.
171
PALMA, Manuel Antônio Molina.
A Capacidade de Inovação como Formadora de Valor:
Análise dos Vetores de Valor em Empresas Brasileiras de Biotecnologia
. 2004. 175 f.
Tese
.
(Doutorado em Administração). Departamento de Economia, Administração e
Contabilidade da Universidade de São Paulo. São Paulo, 2004.
PAVITT, K.
Some foundations for a theory of the large innovation firm
(1992). In.
EDGERTON, D. E. H. Industrial research and innovation in business. Cheltenham: Edward
Elgar Publishing, 1996.
PAVITT, K.
Sectoral patterns of technical change: towards a taxonomy and a theory.
In:
FREEMAN, Christopher (org.) Economics of Innovation. Aldershot: Edward Elgar
Publishing, 2000.
PETERAF, M. The cornerstones of competitive advantage: a resource-based view.
Strategic
Management Journal
. Vol. 14, 1993.
PINTO, J. F.; ANHOLON, Rosley. A Inovação nas empresas e a necessidade de novos
paradigmas em indicadores de desempenho. São Paulo:
VII SEMEAD
, 2006.
POHLMANN, Markus; GEBHARDT, Christiane; ETZKOWITZ, Henry. The development
innovation systems and the art of innovation management – stratey, control and culture of
innovation.
Technology Analysis & Strategic Management.
Vol. 17, Nr. 1, March, 2005.
POLANYI, Karl.
A Grande Transformação. As Origens de nossa época
. 8ª ed. Rio de
Janeiro: Campus, 2000.
PORTER, M.; STERN, S. The new challenge to America’s prosperity: findings from an
innovation index. Washington DC:
Council on Competitiveness
, 1999.
POSSAS, M.L.. A cheia do mainstream. Comentário sobre os rumos da ciência econômica.
Economia Contemporânea
, Rio de Janeiro, v. 1, n. 1, 1997.
PROCHNIK, V., ARAÚJO, R. D. Uma análise do baixo grau de inovação na indústria
brasileira a partir do estudo das firmas menos inovadoras. In.
V Seminário do Mestrado em
Ciências Contábeis (UFRJ)
. Rio de Janeiro, 2006.
QUINTELLA, Heitor M.
Gestão total do produto
. Vol. 2, Rio de Janeiro: Suma Econômica,
2001.
ROCHMAN, R. R.
Análise de métodos numéricos para precificação de opções
(derivativos).
São Paulo, 1998. 145f. Dissertação. (Mestrado em Administração de
Empresas) – Escola de Administração de Empresas de São Paulo. Fundação Getúlio Vargas.
ROMER, P. Endogenous technical change.
Journal of Political Economy
. Vol. 98, 1999.
ROS, E. M.; LABEAGA, J. M.
Modelling innovation activities using discrete choice panel
data models.
In. KLEINKNECHT, A. MOHNEN, P. Innovation and firm performance.
Econometric explorations of survey data. Palgrave, New York, 2002.
172
ROSS, Stephen A.; WESTERFIELD, Randolph W.; JAFFE, Jeffrey F.
Administração
Financeira – Corporate Finance
. 2 ed. São Paulo: Atlas, 2002.
SALTER, A.; TORBERTT, R. Innovation and performance in engineering design.
Construction Management and Economics
. Vol. 21, September, 2003.
SAMPSON, R. C. R&D Alliances and firm performance: the impact of technological
diversity and alliance organization on innovation.
Academy of Management Journal
. Vol.
50, No. 2, 2007.
SAMUELS, Warren J. The present state of institutional economics.
Cambridge Journal of
Economics
. Vol. 19, 1995.
SASSATANI, Ricardo. e SIQUEIRA, José de Oliveira.
Precificação de opções européias e
exóticas (path dependent) por simulação de Monte Carlo
. III Semead, São Paulo: 2000.
SBRAGIA, R. (org.)
Inovação.
Como vencer esse desafio empresarial.
São Paulo: Clio
Editora, 2006
SCHUMACKER, R. E.; LOMAX, R.G..
A beginner’s guide to structural equation
modeling.
Lawrence Erlbaum Associates Inc., Mahwah (EUA), 2004.
SCHUMPETER, Joseph. A.
A teoria do desenvolvimento econômico. Uma investigação
sobre lucros, capital, crédito, juro e ciclo econômico
. 2 ed. São Paulo: Nova Cultural, 1985.
SILVA, S. T. On evolutionary technological change and economic growth: Lakatos as a
starting point for appraisal. Faculdade de Economia. Universidade do Porto.
Working Papers
,
No. 139, 2004.
SOETE, Luc.; FREEMAN, Chis.
The economics of industrial innovation.
MIT Press :
Cambridge, 1999.
SOLOW, Robert M. Technical change and the aggregation production function.
The Review
of Economics and Statistics.
Vol. 39, No. 3, 1957.
SUNDBO, Jon.
The theory of innovation. Entrepreneurs, technology and strategy.
Cheltenham: Edward Elgar Publishing, 1998.
TAVARES, M. C.; AMARAL, L.A.S.; GONÇALVES, C.A.. Construção do conhecimento
em estratégia e competitividade: uma síntese. In: I Encontro de estudos em Estratégia –
ANPAD, 2003, Curitiba : 2003, v. 1 p. 23 -24.
TEECE, D. Profting from technological innovation: implications for integration, collaboration,
licensing and public policy.
Research Policy
, Vol. 15, 1986.
TIGRE, P.B. Paradigmas tecnológicos e teorias econômicas da firma.
Revista Brasileira de
Inovação
. Vol. 4, Nr. 1, Jan/Jun, 2005.
173
TOUFFUT, J. P.
Institutions, innovation and growth
. Cheltenham: Edward Elgar
Publishing, 2003.
TRIGEORGIS, L.
Real options and business strategy – applications to decision making
.
Risk Books,1999.
TSAI, Wenpin. Knowlegde transfer in intraorganizational networks: effects networks position
and absorptive capacity on business unit innovation and performance.
Academy of
Management Journal
. Vol. 44, No. 5, 2001.
TYLECOTE, A.; CONESA, E. Corporate governance, innovation systems and industrial
performance.
Industry and Innovation.
Vol.6, No.1, June, 1999.
UTTERBACK, J. M. The process of technological innovation within the firm.
Academy of
Management Journal
. March, 1971.
VAN OPHEN, Hans; BROUWER, E.; KLEINKNECHT, A.; MOHNEN, P.
The mutual
relation between patents and R&D.
In. KLEINKNECHT, A. MOHNEN, P. Innovation and
firm performance. Econometric explorations of survey data. Palgrave, New York, 2002.
VERBEES, F. J. H. M.; MEULENBERG, M. T. G. Market orientation, innovativeness,
product innovation, and performance in small firms.
Journal of Small Business
Management
. Vol. 42, 2004.
ZIRGER, Billie Jo.; MAIDIQUE, Modesto A. A model of new product development: an
empirical test.
Management Science
, Vol., 36, No 7, July, 1990.
174
ANEXO A
Seguem as saídas do software SPSS 15.0 quando da análise fatorial para as três
bases (2000, 2003 e 2005).
Output Created
17-APR-2008 16:10:50
Comments
Data
C:\Makenzie\David\base
original_david_2000_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
MISSING=EXCLUDE: User-defined
missing values are treated as missing.
Missing Value
Handling
Cases Used
LISTWISE: Statistics are based on
cases with no missing values for any
variable used.
Syntax FACTOR
/VARIABLES Grad Tecn
Total_hum_ped Dout Mest
ZTreinamento ZPeD_Interno
ZAq_maqui ZPeD_Externo
ZConhec_Externo ZROA_2001
ZROE_2001 ZROS_2001
ZMargem_Operacional_2001
ZIntro_inov_tec /MISSING
LISTWISE /ANALYSIS Grad
Tecn Total_hum_ped Dout Mest
ZTreinamento ZPeD_Interno
ZAq_maqui
ZPeD_Externo ZConhec_Externo
ZROA_2001 ZROE_2001
ZROS_2001
ZMargem_Operacional_2001
ZIntro_inov_tec
/PRINT UNIVARIATE INITIAL
CORRELATION SIG DET KMO
EXTRACTION ROTATION
/PLOT EIGEN
/CRITERIA FACTORS(4)
ITERATE(999)
/EXTRACTION PC
/CRITERIA ITERATE(999)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION .
175
Elapsed Time
0:00:00,34
Maximum Memory
Required
30156 (29,449K) bytes
Resources
Processor Time
0:00:00,47
FAC1_1
Component score 1
FAC2_1
Component score 2
FAC3_1
Component score 3
Variables Created
FAC4_1
Component score 4
Descriptive Statistics
Mean Std. Deviation Analysis N
Grad
,0051
,02161
1608
Tecn
,0039
,01590
1608
Total_hum_ped
,0103
,03923
1608
Dout
,0007
,01454
1608
Mest
,0007
,00548
1608
Zscore(Treinamento)
,0012475
1,03227903
1608
Zscore(PeD_Interno)
,0015361
1,03243295
1608
Zscore(Aq_maqui)
,0015488
1,03200244
1608
Zscore(PeD_Externo)
,0016445
1,03010420
1608
Zscore(Conhec_Externo)
,0046751
1,03217791
1608
Zscore: ROA
-,0043902
,99420063
1608
Zscore: ROE
-,0004331
1,01222711
1608
Zscore: ROS
-,0213147
,51628028
1608
Zscore(Margem_Operacio
nal_2001)
,0060268
,97116633
1608
176
Zscore(Intro_inov_tec)
,0015931
1,03243411
1608
Initial Extraction
Grad
1,000
,753
Tecn
1,000
,498
Total_hum_ped
1,000
,971
Dout
1,000
,117
Mest
1,000
,522
Zscore(Treinamento)
1,000
,994
Zscore(PeD_Interno)
1,000
,994
Zscore(Aq_maqui)
1,000
,942
Zscore(PeD_Externo)
1,000
,542
Zscore(Conhec_Externo)
1,000
,532
Zscore: ROA
1,000
,305
Zscore: ROE
1,000
,003
Zscore: ROS
1,000
,905
Zscore(Margem_Operacio
nal_2001)
1,000
,885
Zscore(Intro_inov_tec)
1,000
,994
Extraction Method: Principal Component Analysis.
Component Number
151413121110987654321
Eigenvalue
4
3
2
1
0
Scree Plot
Component Matrix(a)
Component
1 2 3 4
Grad
,039
,844
-,197
,020
Tecn
,022
,701
-,076
,028
Total_hum_ped
,038
,963
-,206
-,009
177
Dout
,007
,312
-,116
-,080
Mest
,039
,701
-,172
-,013
Zscore(Treinamento)
,997
-,030
,001
,002
Zscore(PeD_Interno)
,996
-,030
,001
-,001
Zscore(Aq_maqui)
,970
-,032
-,001
,002
Zscore(PeD_Externo)
,000
-,002
-,048
,735
Zscore(Conhec_Externo)
-,001
-,007
-,025
,729
Zscore: ROA
,011
,180
,521
-,032
Zscore: ROE
,001
,006
,036
-,037
Zscore: ROS
,009
,266
,913
,034
Zscore(Margem_Operacio
nal_2001)
,009
,264
,902
,037
Zscore(Intro_inov_tec)
,996
-,030
,001
-,002
Extraction Method: Principal Component Analysis.
a 4 components extracted.
Rotated Component Matrix(a)
Component
1 2 3 4
Grad
,009
,866
,026
,044
Tecn
-,003
,697
,106
,044
Total_hum_ped
,004
,984
,046
,018
Dout
-,004
,333
-,036
-,069
Mest
,014
,722
,012
,007
Zscore(Treinamento)
,997
,005
,003
,001
Zscore(PeD_Interno)
,997
,005
,003
-,002
Zscore(Aq_maqui)
,970
,002
,000
,001
Zscore(PeD_Externo)
,000
-,011
-,018
,736
Zscore(Conhec_Externo) -6,36E-
005
-,022
,003
,729
Zscore: ROA
,004
,042
,548
-,053
Zscore: ROE
,000
-,002
,035
-,038
Zscore: ROS
-,001
,025
,951
-,003
Zscore(Margem_Operacio
nal_2001)
-,001
,026
,940
,001
Zscore(Intro_inov_tec)
,997
,005
,003
-,003
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a Rotation converged in 4 iterations.
Component Transformation Matrix
Component 1 2 3 4
1
,999
,034
,010
,000
2
-,036
,966
,255
,018
3
-,001
-,254
,966
-,046
4
,001
-,029
,040
,999
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
178
Análise Fatorial - 2003
Notes
Output Created
17-APR-2008 15:26:38
Comments
Data
C:\Makenzie\David\base
original_david_2003_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
MISSING=EXCLUDE: User-defined
missing values are treated as missing.
Missing Value
Handling
Cases Used
LISTWISE: Statistics are based on
cases with no missing values for any
variable used.
Syntax FACTOR
/VARIABLES Mest Dout Grad
Tecn Total_hum_ped ZROA_2004
ZROE_2004
ZROS_2004
ZMargem_Operacional_2004
ZTreinamento ZPeD_Interno
ZAq_maqui
ZPeD_Externo ZConhec_Externo
ZIntro_inov_tec /MISSING
LISTWISE /ANALYSIS
Mest Dout Grad Tecn
Total_hum_ped ZROA_2004
ZROE_2004 ZROS_2004
ZMargem_Operacional_2004
ZTreinamento ZPeD_Interno
ZAq_maqui ZPeD_Externo
ZConhec_Externo ZIntro_inov_tec
/PRINT UNIVARIATE INITIAL
CORRELATION SIG DET KMO
EXTRACTION ROTATION
/PLOT EIGEN
/CRITERIA FACTORS(4)
ITERATE(999)
/EXTRACTION PC
/CRITERIA ITERATE(999)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION .
179
Elapsed Time
0:00:00,36
Maximum Memory
Required
30156 (29,449K) bytes
Resources
Processor Time
0:00:00,42
FAC1_2
Component score 1
FAC2_2
Component score 2
FAC3_2
Component score 3
Variables Created
FAC4_2
Component score 4
[DataSet1] C:\Makenzie\David\base original_david_2003_p.sav
Descriptive Statistics
Mean Std. Deviation Analysis N
Mest
,0029
,00888
231
Dout
,0009
,00494
231
Grad
,0178
,04702
231
Tecn
,0159
,05489
231
Total_hum_ped
,0403
,09753
231
Zscore: ROA
,0129288
,50400672
231
Zscore: ROE
,0156107
,66984323
231
Zscore: ROS
-,0099010
,20606668
231
Zscore(Margem_Operacio
nal_2004)
,0050573
,13830897
231
Zscore(Treinamento)
,0936528
1,44498870
231
Zscore(PeD_Interno)
,1077730
1,63300466
231
Zscore(Aq_maqui)
,0918789
1,90029207
231
180
Zscore(PeD_Externo)
,1957110
1,94575700
231
Zscore(Conhec_Externo)
,1901544
1,52498435
231
Zscore(Intro_inov_tec)
,0629134
1,38628105
231
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
,421
Approx. Chi-Square
4572,015
df
105
Bartlett's Test of
Sphericity
Sig.
,000
Communalities
Initial Extraction
Mest
1,000
,201
Dout
1,000
,156
Grad
1,000
,703
Tecn
1,000
,755
Total_hum_ped
1,000
,971
Zscore: ROA
1,000
,334
Zscore: ROE
1,000
,095
Zscore: ROS
1,000
,898
Zscore(Margem_Operacio
nal_2004)
1,000
,907
Zscore(Treinamento)
1,000
,884
Zscore(PeD_Interno)
1,000
,936
Zscore(Aq_maqui)
1,000
,931
Zscore(PeD_Externo)
1,000
,734
Zscore(Conhec_Externo)
1,000
,843
Zscore(Intro_inov_tec)
1,000
,995
Extraction Method: Principal Component Analysis.
Extraction Method: Principal Component Analysis.
181
Component Number
151413121110987654321
Eigenvalue
4
3
2
1
0
Scree Plot
Component Matrix(a)
Component
1 2 3 4
Mest
,245
,372
-,036
-,022
Dout
,240
,212
,008
,232
Grad
,424
,651
-,120
-,293
Tecn
,496
,674
-,135
-,191
Total_hum_ped
,574
,767
-,130
-,190
Zscore: ROA
-,130
-,046
,139
,544
Zscore: ROE
,082
,153
-,087
-,239
Zscore: ROS
,237
,289
,064
,868
Zscore(Margem_Operacio
nal_2004)
,226
,291
,051
,876
Zscore(Treinamento)
,498
-,208
,767
-,074
Zscore(PeD_Interno)
,793
-,487
-,256
,066
Zscore(Aq_maqui)
,582
-,551
-,536
,031
Zscore(PeD_Externo)
,362
-,188
,740
-,138
Zscore(Conhec_Externo)
,574
-,174
,689
-,097
Zscore(Intro_inov_tec)
,678
-,541
-,489
,054
Extraction Method: Principal Component Analysis.
a 4 components extracted.
182
Rotated Component Matrix(a)
Component
1 2 3 4
Mest
,435
-,019
,016
,104
Dout
,230
,057
,049
,312
Grad
,836
-,022
,011
-,066
Tecn
,867
,027
,014
,048
Total_hum_ped
,981
,027
,038
,085
Zscore: ROA
-,276
-,101
-,006
,498
Zscore: ROE
,243
,003
-,034
-,187
Zscore: ROS
,106
,023
-,002
,941
Zscore(Margem_Operacio
nal_2004)
,102
,022
-,020
,946
Zscore(Treinamento) -4,75E-
005
,060
,937
,046
Zscore(PeD_Interno)
,063
,930
,252
,064
Zscore(Aq_maqui)
-,045
,960
-,069
-,049
Zscore(PeD_Externo)
-,035
-,033
,854
-,037
Zscore(Conhec_Externo)
,085
,131
,904
,038
Zscore(Intro_inov_tec)
,000
,997
,012
-,004
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a Rotation converged in 5 iterations.
Component Transformation Matrix
Component 1 2 3 4
1
,533
,675
,479
,176
2
,785
-,540
-,198
,232
3
-,160
-,500
,845
,100
4
-,273
,059
-,129
,951
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
183
Análise Fatorial - 2005
Notes
Output Created
18-APR-2008 14:30:10
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in Working
Data File
1563
Definition of Missing
MISSING=EXCLUDE: User-defined
missing values are treated as missing.
Missing Value
Handling
Cases Used
LISTWISE: Statistics are based on
cases with no missing values for any
variable used.
Syntax FACTOR
/VARIABLES ZROA_2006
ZROE_2006 ZROS_2006
ZMargem_Operacional_2006 ZSco03
ZSco04 ZSco05 ZSco06 ZSco07
ZIntro_inov_tec Grad Tecn Mest Dout
Total_hum_ped /MISSING
LISTWISE /ANALYSIS ZROA_2006
ZROE_2006 ZROS_2006
ZMargem_Operacional_2006
ZSco03 ZSco04 ZSco05 ZSco06
ZSco07 ZIntro_inov_tec
Grad Tecn Mest Dout
Total_hum_ped
/PRINT UNIVARIATE INITIAL
CORRELATION SIG DET KMO
EXTRACTION ROTATION
/PLOT EIGEN
/CRITERIA FACTORS(4)
ITERATE(9999)
/EXTRACTION PC
/CRITERIA ITERATE(999)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION .
184
Elapsed Time
0:00:00,36
Maximum Memory
Required
30156 (29,449K) bytes
Resources
Processor Time
0:00:00,41
FAC1_1
Component score 1
FAC2_1
Component score 2
FAC3_1
Component score 3
Variables Created
FAC4_1
Component score 4
Descriptive Statistics
Mean Std. Deviation Analysis N
Zscore: ROA
,0258787
,04239687
277
Zscore: ROE
,0314213
,06349085
277
Zscore: ROS
,0027725
1,84848151
277
Zscore(Margem_Operacion
al_2006)
,0065942
1,85544303
277
Zscore(Treinamento)
-,0260858
,07945962
277
Zscore(PeD_Interno)
,0179613
1,12690395
277
Zscore(Aq_maqui)
,0425156
1,61971762
277
Zscore(PeD_Externo)
,3076282
1,56619916
277
Zscore(Conhec_Externo)
,1366582
1,47618319
277
Zscore(Intro_inov_tec)
,0461973
1,41775566
277
Grad
,0163
,03387
277
Tecn
,0101
,02486
277
Mest
,0024
,00830
277
Dout
,0006
,00308
277
Total_hum_ped
,0326
,06216
277
185
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
,553
Approx. Chi-Square
6903,453
df
105
Bartlett's Test of
Sphericity
Sig.
,000
Communalities
Initial Extraction
Zscore: ROA
1,000
,504
Zscore: ROE
1,000
,037
Zscore: ROS
1,000
,929
Zscore(Margem_Operacion
al_2006)
1,000
,929
Zscore(Treinamento)
1,000
,281
Zscore(PeD_Interno)
1,000
,988
Zscore(Aq_maqui)
1,000
,974
Zscore(PeD_Externo)
1,000
,596
Zscore(Conhec_Externo)
1,000
,011
Zscore(Intro_inov_tec)
1,000
,974
Grad
1,000
,678
Tecn
1,000
,813
Mest
1,000
,598
Dout
1,000
,664
Total_hum_ped
1,000
,968
Extraction Method: Principal Component Analysis.
186
Component Number
151413121110987654321
Eigenvalue
4
3
2
1
0
Scree Plot
Component Matrix(a)
Component
1 2 3 4
Zscore: ROA
,181
,024
,686
,024
Zscore: ROE
-,012
,007
,124
-,148
Zscore: ROS
,129
,075
,952
,008
Zscore(Margem_Operacion
al_2006)
,131
,076
,952
,011
Zscore(Treinamento)
,169
,485
,038
-,127
Zscore(PeD_Interno)
,003
,993
-,038
,023
Zscore(Aq_maqui)
-,030
,983
-,080
,020
Zscore(PeD_Externo)
,325
-,012
-,058
,697
Zscore(Conhec_Externo)
,070
-,008
-,015
,076
Zscore(Intro_inov_tec)
-,026
,984
-,071
,023
Grad
,818
-,022
-,093
,015
Tecn
,698
-,007
-,091
-,563
Mest
,761
-,009
-,094
,097
Dout
,640
-,005
-,068
,500
Total_hum_ped
,946
-,017
-,113
-,244
Extraction Method: Principal Component Analysis.
a 4 components extracted.
187
Rotated Component Matrix(a)
Component
1 2 3 4
Zscore: ROA
-,006
,062
,707
,027
Zscore: ROE
,002
,036
,115
-,152
Zscore: ROS
,030
-,014
,963
-,036
Zscore(Margem_Operacion
al_2006)
,031
-,013
,963
-,033
Zscore(Treinamento)
,488
,181
,082
-,053
Zscore(PeD_Interno)
,993
-,040
,010
,017
Zscore(Aq_maqui)
,984
-,063
-,038
,005
Zscore(PeD_Externo)
-,006
,005
,020
,772
Zscore(Conhec_Externo)
-,006
,033
-,001
,099
Zscore(Intro_inov_tec)
,984
-,062
-,028
,009
Grad
,008
,740
,040
,360
Tecn
,025
,876
,002
-,213
Mest
,018
,654
,034
,411
Dout
,013
,371
,054
,723
Total_hum_ped
,021
,967
,032
,180
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a Rotation converged in 4 iterations.
Component Transformation Matrix
Component 1 2 3 4
1
,031
,896
,162
,412
2
,998
-,039
,046
-,009
3
-,051
-,129
,985
-,101
4
-,010
-,422
,037
,906
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
188
ANEXO B – ANÁLISE DESCRITIVA –
Seguem abaixo a análise descritiva das variáveis para as três bases bem como os procedimentos de
normalização. Todos os procedimentos foram realizados no SPSS 15.0.
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Treinamento
Ln_Treinamento ZTreinamento
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,05
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Treinamento
1714
,021686
,8053431
,0000
33,3333
Ln_Treinamento
686
-6,9690
1,80528
-13,65
3,51
Zscore(Treinamento)
1714
,0000000
1,00000000
-,02693
41,36330
189
One-Sample Kolmogorov-Smirnov Test
Treinamento
Ln_Treinament
o
Zscore(Trein
amento)
N
1714
686
1714
Mean
,021686
-6,9690
,0000000
Normal Parameters(a,b)
Std. Deviation
,8053431
1,80528
1,00000000
Absolute
,489
,039
,489
Positive
,487
,039
,487
Most Extreme
Differences
Negative
-,489
-,038
-,489
Kolmogorov-Smirnov Z
20,256
1,024
20,256
Asymp. Sig. (2-tailed)
,000
,245
,000
a Test distribution is Normal.
b Calculated from data.
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-
S(NORMAL)= PeD_Interno
Ln_PeD_Interno ZPeD_Interno
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PeD_Interno
1714
1,285026
52,3346311
,0000
2166,6667
Ln_PeD_Interno
770
-5,0438
1,80298
-12,29
7,68
Zscore(PeD_Interno)
1714
,0000000
1,00000000
-,02455
41,37569
190
One-Sample Kolmogorov-Smirnov Test
PeD_Interno
Ln_PeD_I
nterno
Zscore(PeD_In
terno)
N
1714
770
1714
Mean
1,285026
-5,0438
,0000000
Normal Parameters(a,b)
Std. Deviation
52,3346311
1,80298
1,00000000
Absolute
,502
,052
,502
Positive
,502
,052
,502
Most Extreme
Differences
Negative
-,490
-,034
-,490
Kolmogorov-Smirnov Z
20,767
1,447
20,767
Asymp. Sig. (2-tailed)
,000
,030
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-
S(NORMAL)= Aq_maqui
Ln_Aq_maqui ZAq_maqui
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,02
a Based on availability of workspace memory.
191
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Aq_maqui
1714
,508383
13,8920588
,0000
545,3333
Ln_Aq_maqui
913
-4,0991
1,82121
-11,22
6,30
Zscore(Aq_maqui)
1714
,0000000
1,00000000
-,03660
39,21845
One-Sample Kolmogorov-Smirnov Test
Aq_maqui Ln_Aq_maqui
Zscore(Aq_ma
qui)
N
1714
913
1714
Mean
,508383
-4,0991
,0000000
Normal Parameters(a,b)
Std. Deviation 13,892058
8
1,82121
1,00000000
Absolute
,487
,053
,487
Positive
,487
,050
,487
Most Extreme
Differences
Negative
-,485
-,053
-,485
Kolmogorov-Smirnov Z
20,160
1,601
20,160
Asymp. Sig. (2-tailed)
,000
,012
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= PeD_Externo
Ln_PeD_Externo ZPeD_Externo
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,05
a Based on availability of workspace memory.
192
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PeD_Externo
1714
,002470
,0383483
,0000
1,4286
Ln_PeD_Externo
249
-6,4278
1,94510
-11,52
,36
Zscore(PeD_Externo)
1714
,0000000
1,00000000
-,06441
37,18814
One-Sample Kolmogorov-Smirnov Test
PeD_Externo
Ln_PeD_E
xterno
Zscore(PeD_E
xterno)
N
1714
249
1714
Mean
,002470
-6,4278
,0000000
Normal Parameters(a,b)
Std. Deviation
,0383483
1,94510
1,00000000
Absolute
,474
,049
,474
Positive
,447
,049
,447
Most Extreme
Differences
Negative
-,474
-,035
-,474
Kolmogorov-Smirnov Z
19,637
,776
19,637
Asymp. Sig. (2-tailed)
,000
,583
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Conhec_Externo
Ln_Conhec_Externo
ZConhec_Externo
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,06
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,08
a Based on availability of workspace memory.
193
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Conhec_Externo
1714
,002980
,0332841
,0000
,9831
Ln_Conhec_Externo
331
-6,1276
1,87819
-13,30
-,02
Zscore(Conhec_Externo)
1714
,0000000
1,00000000
-,08953
29,44846
One-Sample Kolmogorov-Smirnov Test
Conhec_Extern
o
Ln_Conhec_E
xterno
Zscore(Conhec
_Externo)
N
1714
331
1714
Mean
,002980
-6,1276
,0000000
Normal Parameters(a,b)
Std. Deviation
,0332841
1,87819
1,00000000
Absolute
,464
,030
,464
Positive
,418
,026
,418
Most Extreme
Differences
Negative
-,464
-,030
-,464
Kolmogorov-Smirnov Z
19,223
,538
19,223
Asymp. Sig. (2-tailed)
,000
,935
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Intro_inov_tec
Ln_Intro_inov_tec ZIntro_inov_tec
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
194
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Intro_inov_tec
1714
,1981
8,05138
,00
333,33
Ln_Intro_inov_tec
511
-6,0608
2,02419
-13,65
5,81
Zscore(Intro_inov_tec)
1714
,0000000
1,00000000
-,02460
41,37616
One-Sample Kolmogorov-Smirnov Test
Intro_inov_tec
Ln_Intro_inov
_tec
Zscore(Intro_i
nov_tec)
N
1714
511
1714
Mean
,1981
-6,0608
,0000000
Normal Parameters(a,b)
Std. Deviation
8,05138
2,02419
1,00000000
Absolute
,500
,035
,500
Positive
,500
,035
,500
Most Extreme
Differences
Negative
-,490
-,030
-,490
Kolmogorov-Smirnov Z
20,697
,791
20,697
Asymp. Sig. (2-tailed)
,000
,559
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Capital_Humano
Ln_Capital_Humano
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
157388
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
[DataSet3] C:\Makenzie\David\base original_david_2000_p.sav
195
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Capital_Humano
1608
,0000000
1,00000000
-,87031
15,14804
Ln_Capital_Humano
273
-,8285
1,54808
-5,98
2,72
One-Sample Kolmogorov-Smirnov Test
Capital_Huma
no
Ln_Capital_Hu
mano
N
1608
273
Mean
,0000000
-,8285
Normal Parameters(a,b)
Std. Deviation
1,00000000
1,54808
Absolute
,374
,058
Positive
,336
,028
Most Extreme
Differences
Negative
-,374
-,058
Kolmogorov-Smirnov Z
14,982
,953
Asymp. Sig. (2-tailed)
,000
,324
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Rent_2001
Ln_Rent_2001 Ln_q_Rent_2001
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,05
a Based on availability of workspace memory.
196
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Rent_2001
1608
,0000000
1,00000000
-13,19216
27,79857
Ln_Rent_2001
1064
-2,3064
1,19895
-7,59
3,32
Ln_q_Rent_2001
1608
-4,4842
1,57961
-17,97
6,39
One-Sample Kolmogorov-Smirnov Test
Rent_2001
Ln_Rent_200
1
Ln_q_Rent_2
001
N
1608
1064
1608
Mean
,0000000
-2,3064
-4,4842
Normal Parameters(a,b)
Std. Deviation
1,00000000
1,19895
1,57961
Absolute
,288
,065
,246
Positive
,288
,038
,246
Most Extreme
Differences
Negative
-,283
-,065
-,202
Kolmogorov-Smirnov Z
11,537
2,122
9,876
Asymp. Sig. (2-tailed)
,000
,000
,000
a Test distribution is Normal.
b Calculated from data.
Frequencies
Notes
Output Created
18-APR-2008 16:01:49
Comments
Active Dataset
DataSet3
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1714
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics are based on all cases with
valid data.
Syntax FREQUENCIES
VARIABLES=cnae_final
/ORDER= ANALYSIS .
Elapsed Time
0:00:00,02
Resources
Processor Time
0:00:00,03
197
Statistics
cnae_final
Valid
1712
N
Missing
2
cnae_final
Frequency Percent Valid Percent
Cumulative
Percent
13,00
13
,8
,8
,8
14,00
15
,9
,9
1,6
15,00
249
14,5
14,5
16,2
16,00
4
,2
,2
16,4
17,00
120
7,0
7,0
23,4
18,00
26
1,5
1,5
24,9
19,00
62
3,6
3,6
28,6
20,00
46
2,7
2,7
31,3
21,00
97
5,7
5,7
36,9
22,00
6
,4
,4
37,3
23,00
71
4,1
4,1
41,4
24,00
163
9,5
9,5
50,9
25,00
38
2,2
2,2
53,2
26,00
45
2,6
2,6
55,8
27,00
112
6,5
6,5
62,3
28,00
88
5,1
5,1
67,5
29,00
146
8,5
8,5
76,0
30,00
23
1,3
1,3
77,3
31,00
91
5,3
5,3
82,7
32,00
65
3,8
3,8
86,4
33,00
66
3,9
3,9
90,3
34,00
65
3,8
3,8
94,1
35,00
33
1,9
1,9
96,0
36,00
66
3,9
3,9
99,9
37,00
2
,1
,1
100,0
Valid
Total
1712
99,9
100,0
Missing System
2
,1
Total
1714
100,0
198
Frequencies
Notes
Output Created
18-APR-2008 16:01:58
Comments
Active Dataset
reg_2000
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1608
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics are based on all cases with
valid data.
Syntax FREQUENCIES
VARIABLES=cnae_final
/ORDER= ANALYSIS .
Elapsed Time
0:00:00,02
Resources
Processor Time
0:00:00,02
Statistics
cnae_final
Valid
1606
N
Missing
2
cnae_final
Frequency Percent Valid Percent
Cumulative
Percent
13,00
13
,8
,8
,8
14,00
13
,8
,8
1,6
15,00
222
13,8
13,8
15,4
16,00
3
,2
,2
15,6
17,00
114
7,1
7,1
22,7
18,00
21
1,3
1,3
24,0
19,00
58
3,6
3,6
27,6
20,00
46
2,9
2,9
30,5
21,00
94
5,8
5,9
36,4
22,00
6
,4
,4
36,7
23,00
69
4,3
4,3
41,0
24,00
153
9,5
9,5
50,6
Valid
25,00
37
2,3
2,3
52,9
199
26,00
44
2,7
2,7
55,6
27,00
109
6,8
6,8
62,4
28,00
83
5,2
5,2
67,6
29,00
135
8,4
8,4
76,0
30,00
22
1,4
1,4
77,3
31,00
83
5,2
5,2
82,5
32,00
62
3,9
3,9
86,4
33,00
62
3,9
3,9
90,2
34,00
62
3,9
3,9
94,1
35,00
31
1,9
1,9
96,0
36,00
62
3,9
3,9
99,9
37,00
2
,1
,1
100,0
Total
1606
99,9
100,0
Missing System
2
,1
Total
1608
100,0
200
ANÁLISE DESCRITIVA – BASE 2003.
Descriptives
Notes
Output Created
18-APR-2008 15:56:44
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
All non-missing data are used.
Syntax DESCRIPTIVES
VARIABLES=Capital_Humano
Rent_2004
/STATISTICS=MEAN STDDEV
MIN MAX .
Elapsed Time
0:00:00,02
Resources
Processor Time
0:00:00,03
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
REGR factor score
1 for analysis 2
231
-,95187
9,08665
,0000000
1,00000000
REGR factor sco
re
4 for analysis 2
231
-3,32541
12,94427
,0000000
1,00000000
Valid N (listwise)
231
NPar Tests
Notes
Output Created
18-APR-2008 15:56:44
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Missing Value
Handling
Definition of Missing
User-defined missing values are
treated as missing.
201
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Treinamento
Ln_Treinamento ZTreinamento
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Treinamento
773
,0024
,01388
,00
,27
Ln_Treinamento
471
-7,2553
1,77970
-12,56
-1,30
Zscore(Treinamento)
773
,0000000
1,00000000
-,17481
19,56423
One-Sample Kolmogorov-Smirnov Test
Treinamento
Ln_Treinament
o
Zscore(Trein
amento)
N
773
471
773
Mean
,0024
-7,2553
,0000000
Normal Parameters(a,b)
Std. Deviation
,01388
1,77970
1,00000000
Absolute
,431
,028
,431
Positive
,367
,023
,367
Most Extreme
Differences
Negative
-,431
-,028
-,431
Kolmogorov-Smirnov Z
11,972
,616
11,972
Asymp. Sig. (2-tailed)
,000
,843
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Input
Split File
<none>
202
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-
S(NORMAL)= PeD_Interno
Ln_PeD_Interno ZPeD_Interno
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PeD_Interno
636
,0578
,50973
,00
10,23
Ln_PeD_Interno
611
-5,1322
1,85644
-11,36
2,33
Zscore(PeD_Interno)
636
,0000000
1,00000000
-,11334
19,95656
One-Sample Kolmogorov-Smirnov Test
PeD_Interno
Ln_PeD_I
nterno
Zscore(PeD_In
terno)
N
636
611
636
Mean
,0578
-5,1322
,0000000
Normal Parameters(a,b)
Std. Deviation
,50973
1,85644
1,00000000
Absolute
,455
,029
,455
Positive
,418
,029
,418
Most Extreme
Differences
Negative
-,455
-,028
-,455
Kolmogorov-Smirnov Z
11,472
,706
11,472
Asymp. Sig. (2-tailed)
,000
,701
,000
a Test distribution is Normal.
b Calculated from data.
203
NPar Tests
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-
S(NORMAL)= Aq_maqui
Ln_Aq_maqui ZAq_maqui
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Aq_maqui
835
,2176
4,87110
,00
140,66
Ln_Aq_maqui
683
-4,4404
1,83650
-11,40
4,95
Zscore(Aq_maqui)
835
,0000000
1,00000000
-,04467
28,83276
One-Sample Kolmogorov-Smirnov Test
Aq_maqui Ln_Aq_maqui
Zscore(Aq_ma
qui)
N
835
683
835
Mean
,2176
-4,4404
,0000000
Normal Parameters(a,b)
Std. Deviation
4,87110
1,83650
1,00000000
Absolute
,482
,041
,482
Positive
,463
,041
,463
Most Extreme
Differences
Negative
-,482
-,041
-,482
Kolmogorov-Smirnov Z
13,933
1,075
13,933
Asymp. Sig. (2-tailed)
,000
,198
,000
204
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= PeD_Externo
Ln_PeD_Externo ZPeD_Externo
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,05
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PeD_Externo
1585
,0018
,02277
,00
,55
Ln_PeD_Externo
180
-6,4804
2,26777
-15,80
-,60
Zscore(PeD_Externo)
1585
,0000000
1,00000000
-,07952
23,97994
205
One-Sample Kolmogorov-Smirnov Test
PeD_Externo
Ln_PeD_E
xterno
Zscore(PeD_E
xterno)
N
1585
180
1585
Mean
,0018
-6,4804
,0000000
Normal Parameters(a,b)
Std. Deviation
,02277
2,26777
1,00000000
Absolute
,468
,064
,468
Positive
,449
,037
,449
Most Extreme
Differences
Negative
-,468
-,064
-,468
Kolmogorov-Smirnov Z
18,644
,860
18,644
Asymp. Sig. (2-tailed)
,000
,450
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Conhec_Externo
Ln_Conhec_Externo
ZConhec_Externo
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
206
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Conhec_Externo
1582
,0016
,01538
,00
,45
Ln_Conhec_Externo
233
-6,4623
2,05918
-12,42
-,81
Zscore(Conhec_Externo)
1582
,0000000
1,00000000
-,10164
28,89091
One-Sample Kolmogorov-Smirnov Test
Conhec_Extern
o
Ln_Conhec_E
xterno
Zscore(Conhec
_Externo)
N
1582
233
1582
Mean
,0016
-6,4623
,0000000
Normal Parameters(a,b)
Std. Deviation
,01538
2,05918
1,00000000
Absolute
,460
,055
,460
Positive
,425
,037
,425
Most Extreme
Differences
Negative
-,460
-,055
-,460
Kolmogorov-Smirnov Z
18,277
,833
18,277
Asymp. Sig. (2-tailed)
,000
,492
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Intro_inov_tec
Ln_Intro_inov_tec ZIntro_inov_tec
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Resources Elapsed Time
0:00:00,03
207
Number of Cases
Allowed(a)
131157
Processor Time
0:00:00,05
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Intro_inov_tec
445
,0710
,94232
,00
19,18
Ln_Intro_inov_tec
362
-5,9727
2,08224
-14,88
2,95
Zscore(Intro_inov_tec)
445
,0000000
1,00000000
-,07535
20,28041
One-Sample Kolmogorov-Smirnov Test
Intro_inov_tec
Ln_Intro_inov
_tec
Zscore(Intro_i
nov_tec)
N
445
362
445
Mean
,0710
-5,9727
,0000000
Normal Parameters(a,b)
Std. Deviation
,94232
2,08224
1,00000000
Absolute
,470
,035
,470
Positive
,465
,034
,465
Most Extreme
Differences
Negative
-,470
-,035
-,470
Kolmogorov-Smirnov Z
9,914
,660
9,914
Asymp. Sig. (2-tailed)
,000
,776
,000
a Test distribution is Normal.
b Calculated from data.
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Capital_Humano
Ln_Capital_Humano
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
208
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
157388
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
REGR factor score 1
for analysis 2
231
,0000000
1,00000000
-,95187
9,08665
Ln_Capital_Humano
51
-,7524
1,68166
-7,09
2,21
One-Sample Kolmogorov-Smirnov Test
REGR factor
score 1 for
analysis 2
Ln_Capital_Hu
mano
N
231
51
Mean
,0000000
-,7524
Normal Parameters(a,b)
Std. Deviation
1,00000000
1,68166
Absolute
,290
,079
Positive
,290
,067
Most Extreme
Differences
Negative
-,269
-,079
Kolmogorov-Smirnov Z
4,409
,564
Asymp. Sig. (2-tailed)
,000
,908
a Test distribution is Normal.
b Calculated from data.
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Rent_2004
Ln_Rent_2004 Ln_q_Rent_2004
209
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
REGR factor score
4 for analysis 2
231
,0000000
1,00000000
-3,32541
12,94427
Ln_Rent_2004
103
-1,8132
1,69689
-8,29
2,56
Ln_q_Rent_2004
231
-3,3381
2,76136
-16,57
5,12
One-Sample Kolmogorov-Smirnov Test
REGR factor
score 4 for
analysis 2
Ln_Rent_200
4
Ln_q_Rent_2
004
N
231
103
231
Mean
,0000000
-1,8132
-3,3381
Normal Parameters(a,b)
Std. Deviation
1,00000000
1,69689
2,76136
Absolute
,220
,164
,126
Positive
,220
,126
,072
Most Extreme
Differences
Negative
-,214
-,164
-,126
Kolmogorov-Smirnov Z
3,340
1,663
1,920
Asymp. Sig. (2-tailed)
,000
,008
,001
a Test distribution is Normal.
b Calculated from data.
Frequencies
Notes
Output Created
18-APR-2008 15:56:45
Comments
Active Dataset
DataSet2
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1587
Missing Value
Handling
Definition of Missing
User-defined missing values are
treated as missing.
210
Cases Used
Statistics are based on all cases with
valid data.
Syntax FREQUENCIES
VARIABLES=cnae_final
/ORDER= ANALYSIS .
Elapsed Time
0:00:00,03
Resources
Processor Time
0:00:00,06
Statistics
cnae_final
Valid
1586
N
Missing
1
cnae_final
Frequency Percent Valid Percent
Cumulative
Percent
13,00
12
,8
,8
,8
14,00
13
,8
,8
1,6
15,00
250
15,8
15,8
17,3
16,00
4
,3
,3
17,6
17,00
106
6,7
6,7
24,3
18,00
20
1,3
1,3
25,5
19,00
63
4,0
4,0
29,5
20,00
41
2,6
2,6
32,1
21,00
90
5,7
5,7
37,8
22,00
8
,5
,5
38,3
23,00
56
3,5
3,5
41,8
24,00
133
8,4
8,4
50,2
25,00
36
2,3
2,3
52,5
26,00
44
2,8
2,8
55,2
27,00
96
6,0
6,1
61,3
28,00
74
4,7
4,7
66,0
29,00
138
8,7
8,7
74,7
30,00
37
2,3
2,3
77,0
31,00
96
6,0
6,1
83,0
32,00
61
3,8
3,8
86,9
33,00
56
3,5
3,5
90,4
34,00
67
4,2
4,2
94,6
35,00
35
2,2
2,2
96,8
36,00
49
3,1
3,1
99,9
37,00
1
,1
,1
100,0
Valid
Total
1586
99,9
100,0
Missing System
1
,1
Total
1587
100,0
211
Frequencies
Notes
Output Created
18-APR-2008 15:56:55
Comments
Active Dataset
reg_2003
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
231
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics are based on all cases with
valid data.
Syntax FREQUENCIES
VARIABLES=cnae_final
/ORDER= ANALYSIS .
Elapsed Time
0:00:00,02
Resources
Processor Time
0:00:00,02
[reg_2003]
Statistics
cnae_final
Valid
231
N
Missing
0
cnae_final
Frequency Percent Valid Percent
Cumulative
Percent
13,00
1
,4
,4
,4
15,00
32
13,9
13,9
14,3
16,00
1
,4
,4
14,7
17,00
22
9,5
9,5
24,2
18,00
1
,4
,4
24,7
19,00
8
3,5
3,5
28,1
20,00
5
2,2
2,2
30,3
21,00
7
3,0
3,0
33,3
22,00
1
,4
,4
33,8
23,00
2
,9
,9
34,6
24,00
35
15,2
15,2
49,8
Valid
25,00
9
3,9
3,9
53,7
212
26,00
3
1,3
1,3
55,0
27,00
15
6,5
6,5
61,5
28,00
11
4,8
4,8
66,2
29,00
15
6,5
6,5
72,7
30,00
11
4,8
4,8
77,5
31,00
18
7,8
7,8
85,3
32,00
12
5,2
5,2
90,5
33,00
3
1,3
1,3
91,8
34,00
4
1,7
1,7
93,5
35,00
2
,9
,9
94,4
36,00
13
5,6
5,6
100,0
Total
231
100,0
100,0
ANÁLISE DESCRITIVA – BASE 2005.
DESCRIPTIVES
VARIABLES=Capital_Humano Rent_2006
/STATISTICS=MEAN STDDEV MIN MAX .
Descriptives
Notes
Output Created
18-APR-2008 15:23:57
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
All non-missing data are used.
Syntax DESCRIPTIVES
VARIABLES=Capital_Humano
Rent_2006
/STATISTICS=MEAN STDDEV
MIN MAX .
213
Elapsed Time
0:00:00,02
Resources
Processor Time
0:00:00,02
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Capital_Humano
277
-1,20172
6,86715
,0000000
1,00000000
Rent_2006
277
-13,20511
8,69765
,0000000
1,00000000
Valid N (listwise)
277
NPar Tests
Notes
Output Created
18-APR-2008 15:25:17
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Treinamento
Ln_Treinamento ZTreinamento
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,02
a Based on availability of workspace memory.
214
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Treinamento
910
,0042
,09955
,00
3,00
Ln_Treinamento
431
-7,7287
1,79834
-12,92
1,10
Zscore(Treinamento)
910
,0000000
1,00000000
-,04262
30,09353
One-Sample Kolmogorov-Smirnov Test
Treinamento
Ln_Treinament
o
Zscore(Trein
amento)
N
910
431
910
Mean
,0042
-7,7287
,0000000
Normal Parameters(a,b)
Std. Deviation
,09955
1,79834
1,00000000
Absolute
,483
,039
,483
Positive
,466
,037
,466
Most Extreme
Differences
Negative
-,483
-,039
-,483
Kolmogorov-Smirnov Z
14,570
,809
14,570
Asymp. Sig. (2-tailed)
,000
,530
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:26:26
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-
S(NORMAL)= PeD_Interno
Ln_PeD_Interno ZPeD_Interno
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
215
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PeD_Interno
648
,0401
,43451
,00
8,12
Ln_PeD_Interno
569
-5,2183
1,65262
-10,21
2,09
Zscore(PeD_Interno)
648
,0000000
1,00000000
-,09218
18,59126
One-Sample Kolmogorov-Smirnov Test
PeD_Interno
Ln_PeD_I
nterno
Zscore(PeD_In
terno)
N
648
569
648
Mean
,0401
-5,2183
,0000000
Normal Parameters(a,b)
Std. Deviation
,43451
1,65262
1,00000000
Absolute
,463
,025
,463
Positive
,432
,025
,432
Most Extreme
Differences
Negative
-,463
-,015
-,463
Kolmogorov-Smirnov Z
11,793
,591
11,793
Asymp. Sig. (2-tailed)
,000
,876
,000
a Test distribution is Normal.
b Calculated from data.
216
NPar Tests
Notes
Output Created
18-APR-2008 15:27:13
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-
S(NORMAL)= Aq_maqui
Ln_Aq_maqui ZAq_maqui
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,05
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Aq_maqui
972
,1872
2,90846
,00
78,41
Ln_Aq_maqui
750
-4,6699
1,92116
-13,64
4,36
Zscore(Aq_maqui)
972
,0000000
1,00000000
-,06437
26,89608
One-Sample Kolmogorov-Smirnov Test
Aq_maqui Ln_Aq_maqui
Zscore(Aq_ma
qui)
N
972
750
972
Mean
,1872
-4,6699
,0000000
Normal Parameters(a,b)
Std. Deviation
2,90846
1,92116
1,00000000
217
Absolute
,474
,060
,474
Positive
,470
,044
,470
Most Extreme
Differences
Negative
-,474
-,060
-,474
Kolmogorov-Smirnov Z
14,788
1,634
14,788
Asymp. Sig. (2-tailed)
,000
,010
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:27:43
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= PeD_Externo
Ln_PeD_Externo ZPeD_Externo
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,02
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PeD_Externo
1562
,0005
,00304
,00
,05
Ln_PeD_Externo
166
-6,8218
2,08322
-13,65
-3,00
Zscore(PeD_Externo)
1562
,0000000
1,00000000
-,16798
16,26190
218
One-Sample Kolmogorov-Smirnov Test
PeD_Externo
Ln_PeD_E
xterno
Zscore(PeD_E
xterno)
N
1562
166
1562
Mean
,0005
-6,8218
,0000000
Normal Parameters(a,b)
Std. Deviation
,00304
2,08322
1,00000000
Absolute
,464
,054
,464
Positive
,464
,045
,464
Most Extreme
Differences
Negative
-,433
-,054
-,433
Kolmogorov-Smirnov Z
18,332
,699
18,332
Asymp. Sig. (2-tailed)
,000
,713
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:28:33
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Conhec_Externo
Ln_Conhec_Externo
ZConhec_Externo
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
219
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Conhec_Externo
1561
,0009
,00725
,00
,16
Ln_Conhec_Externo
187
-6,6509
1,93706
-11,77
-1,84
Zscore(Conhec_Externo)
1561
,0000000
1,00000000
-,12229
21,77066
One-Sample Kolmogorov-Smirnov Test
Conhec_Extern
o
Ln_Conhec_E
xterno
Zscore(Conhec
_Externo)
N
1561
187
1561
Mean
,0009
-6,6509
,0000000
Normal Parameters(a,b)
Std. Deviation
,00725
1,93706
1,00000000
Absolute
,451
,057
,451
Positive
,443
,057
,443
Most Extreme
Differences
Negative
-,451
-,030
-,451
Kolmogorov-Smirnov Z
17,832
,780
17,832
Asymp. Sig. (2-tailed)
,000
,578
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:29:07
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Intro_inov_tec
Ln_Intro_inov_tec ZIntro_inov_tec
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
220
Elapsed Time
0:00:00,03
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,05
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Intro_inov_tec
557
,0302
,58634
,00
13,84
Ln_Intro_inov_tec
423
-6,4998
1,94751
-15,11
2,63
Zscore(Intro_inov_tec)
557
,0000000
1,00000000
-,05156
23,54859
One-Sample Kolmogorov-Smirnov Test
Intro_inov_tec
Ln_Intro_inov
_tec
Zscore(Intro_i
nov_tec)
N
557
423
557
Mean
,0302
-6,4998
,0000000
Normal Parameters(a,b)
Std. Deviation
,58634
1,94751
1,00000000
Absolute
,479
,031
,479
Positive
,469
,022
,469
Most Extreme
Differences
Negative
-,479
-,031
-,479
Kolmogorov-Smirnov Z
11,315
,641
11,315
Asymp. Sig. (2-tailed)
,000
,806
,000
a Test distribution is Normal.
b Calculated from data.
NPar Tests
Notes
Output Created
18-APR-2008 15:30:04
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Missing Value
Handling
Definition of Missing
User-defined missing values are
treated as missing.
221
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Capital_Humano
Ln_Capital_Humano
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
157388
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Capital_Humano
277
,0000000
1,00000000
-1,20172
6,86715
Ln_Capital_Humano
66
-,7418
1,57150
-5,01
1,93
One-Sample Kolmogorov-Smirnov Test
Capital_Huma
no
Ln_Capital_Hu
mano
N
277
66
Mean
,0000000
-,7418
Normal Parameters(a,b)
Std. Deviation
1,00000000
1,57150
Absolute
,267
,098
Positive
,267
,045
Most Extreme
Differences
Negative
-,257
-,098
Kolmogorov-Smirnov Z
4,442
,792
Asymp. Sig. (2-tailed)
,000
,556
a Test distribution is Normal.
b Calculated from data.
222
NPar Tests
Notes
Output Created
18-APR-2008 15:30:53
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics for each test are based on all
cases with valid data for the
variable(s) used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)= Rent_2006
Ln_Rent_2006 Ln_q_Rent_2006
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
Elapsed Time
0:00:00,02
Number of Cases
Allowed(a)
131157
Resources
Processor Time
0:00:00,03
a Based on availability of workspace memory.
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Rent_2006
277
,0000000
1,00000000
-13,20511
8,69765
Ln_Rent_2006
143
-2,2106
1,26411
-6,73
2,16
Ln_q_Rent_2006
277
-4,6833
2,51166
-13,46
5,16
One-Sample Kolmogorov-Smirnov Test
Rent_2006
Ln_Rent_200
6
Ln_q_Rent_2
006
N
277
143
277
Normal Parameters(a,b)
Mean
,0000000
-2,2106
-4,6833
223
Std. Deviation
1,00000000
1,26411
2,51166
Absolute
,334
,124
,060
Positive
,303
,065
,049
Most Extreme
Differences
Negative
-,334
-,124
-,060
Kolmogorov-Smirnov Z
5,560
1,486
,994
Asymp. Sig. (2-tailed)
,000
,024
,276
a Test distribution is Normal.
b Calculated from data.
Frequencies
Notes
Output Created
18-APR-2008 15:32:08
Comments
Data
C:\Makenzie\David\base
original_david_2005_p.sav
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Input
N of Rows in
Working Data File
1563
Definition of Missing
User-defined missing values are
treated as missing.
Missing Value
Handling
Cases Used
Statistics are based on all cases with
valid data.
Syntax FREQUENCIES
VARIABLES=cnae_final
/ORDER= ANALYSIS .
Elapsed Time
0:00:00,02
Resources
Processor Time
0:00:00,02
Statistics
cnae_final
Valid
1562
N
Missing
1
224
cnae_final
Frequency Percent Valid Percent
Cumulative
Percent
11,00
1
,1
,1
,1
13,00
6
,4
,4
,4
14,00
11
,7
,7
1,2
15,00
247
15,8
15,8
17,0
16,00
2
,1
,1
17,1
17,00
95
6,1
6,1
23,2
18,00
21
1,3
1,3
24,5
19,00
70
4,5
4,5
29,0
20,00
48
3,1
3,1
32,1
21,00
82
5,2
5,2
37,3
22,00
4
,3
,3
37,6
23,00
72
4,6
4,6
42,2
24,00
149
9,5
9,5
51,7
25,00
30
1,9
1,9
53,6
26,00
47
3,0
3,0
56,7
27,00
129
8,3
8,3
64,9
28,00
65
4,2
4,2
69,1
29,00
101
6,5
6,5
75,5
30,00
40
2,6
2,6
78,1
31,00
85
5,4
5,4
83,5
32,00
72
4,6
4,6
88,2
33,00
59
3,8
3,8
91,9
34,00
42
2,7
2,7
94,6
35,00
34
2,2
2,2
96,8
36,00
48
3,1
3,1
99,9
37,00
2
,1
,1
100,0
Valid
Total
1562
99,9
100,0
Missing System
1
,1
Total
1563
100,0
225
ANEXO C –
Structural Equation Modeling
– BASE 2005.
Seguem abaixo os resultados de modelos testados através da SEM para a base de
2005, tal qual foram originados no SPSS 15.0. AMOS 17.0.
1. Modelo Teórico Inicial com Base Útil
0
Inovação
ZIntro_inov_tec
0;
e2
1
ZTreinamento
0;
e3
1
ZPeD_Interno
0;
e4
1
ZAq_maqui
0;
e5
1
ZPeD_Externo
0;
e6
1
ZConhec_Externo
0;
e7
1
0
Capital Relacional
0
Esforço Inovativo
0;
e8
1
0;
e9
1
0;
CapitalHumano
Dout
Grad
Mest
Tecn
0
Desempenho_2006
ROA
ROE
Margem_Operacional_2006
ROS
0;
e10
1
0;
e11
1
0;
e12
1
0;
e13
1
0;
e14
1
0;
e15
1
0;
e16
1
0;
e17
1
0;
e18
1
0;
e19
1
The model is recursive.
Sample size = 277
1)
Variable Summary (Group number 1)
2)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
ZIntro_inov_tec
ZTreinamento
226
ZPeD_Interno
ZAq_maqui
ZPeD_Externo
ZConhec_Externo
Dout
Grad
Tecn
Mest
ROA_2006
Margem_Operacional_2006
ROE_2006
ROS_2006
Unobserved, endogenous variables
Esforço Inovativo
Capital Relacional
Inovação
Desempenho_2006
Unobserved, exogenous variables
e2
e3
e4
e5
e6
e7
e8
e9
CapitalHumano
e10
e11
e12
e13
e14
e15
e16
e17
e18
e19
3)
Variable counts (Group number 1)
Number of variables in your model: 37
Number of observed variables: 14
Number of unobserved variables: 23
Number of exogenous variables: 19
Number of endogenous variables: 18
4)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 18 0 0 0 0 18
Labeled 0 0 0 0 0 0
Unlabeled 18 0 19 0 14 51
Total 36 0 19 0 14 69
5)
Models
6)
Default model (Default model)
7)
Notes for Model (Default model)
8)
Computation of degrees of freedom (Default model)
227
Number of distinct sample moments: 119
Number of distinct parameters to be estimated: 51
Degrees of freedom (119 - 51): 68
9)
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 6
additional constraints.
Inovação <---
Esforço Inovativo unidentified
Inovação <---
Capital Relacional unidentified
Inovação <---
CapitalHumano unidentified
Desempenho_2006 <---
Inovação unidentified
ZIntro_inov_tec <---
Esforço Inovativo unidentified
ZTreinamento <---
Esforço Inovativo unidentified
ZPeD_Interno <---
Esforço Inovativo unidentified
ZAq_maqui <---
Esforço Inovativo unidentified
ZConhec_Externo <---
Capital Relacional unidentified
ZPeD_Externo <---
Capital Relacional unidentified
Dout <---
CapitalHumano unidentified
Grad <---
CapitalHumano unidentified
Tecn <---
CapitalHumano unidentified
Mest <---
CapitalHumano unidentified
ROA_2006 <---
Desempenho_2006 unidentified
Margem_Operacional_2006
<---
Desempenho_2006 unidentified
ROE_2006 <---
Desempenho_2006 unidentified
ROS_2006 <---
Desempenho_2006 unidentified
10)
Intercepts: (Group number 1 - Default model)
ZIntro_inov_tec
ZTreinamento
ZPeD_Interno
ZAq_maqui
ZPeD_Externo
ZConhec_Externo
Dout
Grad
Mest
Tecn
ROA_2006
ROE_2006
Margem_Operacional_2006
ROS_2006
11)
Variances: (Group number 1 - Default model)
CapitalHumano
unidentified
E8
unidentified
E9
unidentified
E18
unidentified
E19
unidentified
E2
E3
228
E4
E5
E6
E7
E10
E11
E12
E13
E14
E15
E16
E17
12)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 8 -158,850 9999,000 51779,702 0 9999,000
1 e 8 -42,267 ,492 18293,996 11 1,003
13)
Model Fit Summary
14)
CMIN
Model NPAR CMIN DF P CMIN/DF
Saturated model 119 ,000 0
Independence model 28 6078,755 91 ,000 66,800
15)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
16)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
17)
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 5987,755 5735,395 6246,423
18)
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 22,024 21,695 20,780 22,632
19)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,488 ,478 ,499 ,000
20)
AIC
Model AIC BCC BIC CAIC
Saturated model 238,000 251,678
Independence model 6134,755 6137,973
21)
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,862 ,862 ,862 ,912
Independence model 22,227 21,313 23,165 22,239
229
22)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 6 6
23)
Execution time summary
Minimization: ,000
Miscellaneous: ,078
Bootstrap: ,000
Total: ,078
230
2. Modelo Teórico Inicial com Base Completa
0
Inovação
ZIntro_inov_tec
0;
e2
1
ZTreinamento
0;
e3
1
ZPeD_Interno
0;
e4
1
ZAq_maqui
0;
e5
1
ZPeD_Externo
0;
e6
1
ZConhec_Externo
0;
e7
1
0
Capital Relacional
0
Esforço Inovativo
0;
e8
1
0;
e9
1
0;
CapitalHumano
Dout
Grad
Mest
Tecn
0
Desempenho_2006
ROA
ROE
Margem_Operacional_2006
ROS
0;
e10
1
0;
e11
1
0;
e12
1
0;
e13
1
0;
e14
1
0;
e15
1
0;
e16
1
0;
e17
1
0;
e18
1
0;
e19
1
The model is recursive.
Sample size = 1563
24)
Variable Summary (Group number 1)
25)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
ZIntro_inov_tec
ZTreinamento
ZPeD_Interno
ZAq_maqui
ZPeD_Externo
ZConhec_Externo
Dout
Grad
Tecn
Mest
ROA_2006
Margem_Operacional_2006
231
ROE_2006
ROS_2006
Unobserved, endogenous variables
Esforço Inovativo
Capital Relacional
Inovação
Desempenho_2006
Unobserved, exogenous variables
e2
e3
e4
e5
e6
e7
e8
e9
CapitalHumano
e10
e11
e12
e13
e14
e15
e16
e17
e18
e19
26)
Variable counts (Group number 1)
Number of variables in your model: 37
Number of observed variables: 14
Number of unobserved variables: 23
Number of exogenous variables: 19
Number of endogenous variables: 18
27)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 18 0 0 0 0 18
Labeled 0 0 0 0 0 0
Unlabeled 18 0 19 0 14 51
Total 36 0 19 0 14 69
Models
28)
Default model (Default model)
29)
Notes for Model (Default model)
30)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 119
Number of distinct parameters to be estimated: 51
Degrees of freedom (119 - 51): 68
31)
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 6
additional constraints.
32)
Group number 1 (Group number 1 - Default model)
33)
Estimates (Group number 1 - Default model)
34)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
232
35)
Regression Weights: (Group number 1 - Default model)
Inovação <---
Esforço Inovativo unidentified
Inovação <---
Capital Relacional unidentified
Inovação <---
CapitalHumano unidentified
Desempenho_2006 <---
Inovação unidentified
ZIntro_inov_tec <---
Esforço Inovativo unidentified
ZTreinamento <---
Esforço Inovativo unidentified
ZPeD_Interno <---
Esforço Inovativo unidentified
ZAq_maqui <---
Esforço Inovativo unidentified
ZConhec_Externo <---
Capital Relacional unidentified
ZPeD_Externo <---
Capital Relacional unidentified
Dout <---
CapitalHumano unidentified
Grad <---
CapitalHumano unidentified
Tecn <---
CapitalHumano unidentified
Mest <---
CapitalHumano unidentified
ROA_2006 <---
Desempenho_2006 unidentified
Margem_Operacional_2006
<---
Desempenho_2006 unidentified
ROE_2006 <---
Desempenho_2006 unidentified
ROS_2006 <---
Desempenho_2006 unidentified
36)
Intercepts: (Group number 1 - Default model)
ZIntro_inov_tec
ZTreinamento
ZPeD_Interno
ZAq_maqui
ZPeD_Externo
ZConhec_Externo
Dout
Grad
Mest
Tecn
ROA_2006
ROE_2006
Margem_Operacional_2006
ROS_2006
37)
Variances: (Group number 1 - Default model)
CapitalHumano
unidentified
e8
unidentified
e9
unidentified
e18
unidentified
e19
unidentified
e2
e3
e4
e5
e6
e7
e10
e11
233
e12
e13
e14
e15
e16
e17
38)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 8 -158,850 9999,000 51779,702 0 9999,000
1 e 8 -42,267 ,492 18293,996 11 1,003
39)
Model Fit Summary
40)
CMIN
Model NPAR CMIN DF P CMIN/DF
Saturated model 189 ,000 0
Independence model 35 7078,755 91 ,000 66,800
41)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
42)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
43)
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 5987,755 5735,395 6246,423
44)
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 25,024 26,695 24,780 27,632
45)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,688 ,478 ,499 ,000
46)
AIC
Model AIC BCC BIC CAIC
Saturated model 238,000 251,678
Independence model 6134,755 6137,973
47)
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,862 ,862 ,862 ,912
Independence model 22,227 21,313 23,165 22,239
48)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 6 6
49)
234
235
3. Modelo Fatorial (Com Variáveis Padronizadas)
Variable counts (Group number 1)
Number of variables in your model: 23
Number of observed variables: 10
Number of unobserved variables: 13
Number of exogenous variables: 12
Number of endogenous variables: 11
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 12
0 0 0 0
12
Labeled 0
0 0 0 0
0
Unlabeled 10
0 12 0 11
33
Total 22
0 12 0 11
45
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 65
Number of distinct parameters to be estimated: 33
Degrees of freedom (65 - 33): 32
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 2
additional constraints.
0;
Inovação
ZCapital_Humano
ZIntro_inov_tec
0;
e2
1
ZTreinamento
ZPeD_Interno
0;
e4
1
ZAq_maqui
0;
e5
1
ZPeD_Externo
0;
e6
1
ZConhec_Externo
0;
e7
1
Retorno
ZMargem_Operacional_2006
0;
e10
1
1
ZROS_2006
0;
e9
1
ZROA_2006
0;
e8
1
0;
e_retor
1
0;
e1
1
0;
e3
1
236
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
Regression Weights: (Group number 1 - Default model)
Retorno <--- Inovação unidentified
ZPeD_Interno <--- Inovação unidentified
ZAq_maqui <--- Inovação unidentified
ZConhec_Externo <--- Inovação unidentified
ZMargem_Operacional_2006 <--- Retorno
ZROA_2006 <--- Retorno
ZTreinamento <--- Inovação unidentified
Capital_Humano <--- Inovação unidentified
ZROS_2006 <--- Retorno
ZIntro_inov_tec <--- Inovação unidentified
ZPeD_Externo <--- Inovação unidentified
Intercepts: (Group number 1 - Default model)
Retorno
unidentified
Capital_Humano
ZIntro_inov_tec
ZTreinamento
ZPeD_Interno
ZAq_maqui
ZPeD_Externo
ZConhec_Externo
ZMargem_Operacional_2006
unidentified
ZROS_2006
unidentified
ZROA_2006
unidentified
Variances: (Group number 1 - Default model)
Inovação
unidentified
e_retor
e2
e4
e5
e6
e7
e10
e9
e8
e1
e3
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter
F NTries Ratio
0e
7 -3,383
9999,000
18437,643 0 9999,000
1e
5 -,500
2,
208
11055,030 20 ,230
Model Fit Summary
CMIN
Model
NPAR
CMIN DF P CMIN/DF
Saturated model 65 ,000 0
Independence model 10 7067,201 55 ,000 128,495
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
237
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 7012,201 6739,341 7291,352
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 4,524 4,489 4,315 4,668
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,286 ,280 ,291 ,000
AIC
Model AIC BCC BIC CAIC
Saturated model 130,000 130,922
Independence model 7087,201 7087,343
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,083 ,083 ,083 ,084
Independence model 4,537 4,363 4,716 4,537
4. Modelo Fatorial (Com Variáveis em Logaritmo)
0;
Inovação
ZCapital_Humano
Ln_Intro_inov_tec
0;
e2
1
Ln_Treinamento
Ln_PeD_Interno
0;
e4
1
Ln_Aq_maqui
0;
e5
1
Ln_PeD_Externo
0;
e6
1
Ln_Conhec_Externo
0;
e7
1
Retorno
Ln_q_Margem_Operacional_2006
0;
e10
1
1
Ln_q_ROS_2006
0;
e9
1
Ln_q_ROA_2006
0;
e8
1
0;
e_retor
1
0;
e1
1
0;
e3
1
238
The model is recursive.
Sample size = 1563
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Ln_Intro_inov_tec
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Margem_Operacional_2006
Ln_q_ROS_2006
Ln_q_ROA_2006
Ln_Treinamento
Capital_Humano
Unobserved, endogenous variables
Retorno
Unobserved, exogenous variables
e2
Inovação
e4
e5
e6
e7
e10
e9
e8
e_retor
e1
e3
Variable counts (Group number 1)
Number of variables in your model: 23
Number of observed variables: 10
Number of unobserved variables: 13
Number of exogenous variables: 12
Number of endogenous variables: 11
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 12
0 0 0 0
12
Labeled 0
0 0 0 0
0
Unlabeled 10
0 12 0 11
33
Total 22
0 12 0 11
45
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 65
Number of distinct parameters to be estimated: 33
Degrees of freedom (65 - 33): 32
Retorno <--- Inovação unidentified
Ln_PeD_Interno <--- Inovação unidentified
Ln_Aq_maqui <--- Inovação unidentified
Ln_Conhec_Externo <--- Inovação unidentified
Ln_q_Margem_Operacional_2006 <--- Retorno
Ln_q_ROA_2006 <--- Retorno
239
Ln_Treinamento <--- Inovação unidentified
Capital_Humano <--- Inovação unidentified
Ln_q_ROS_2006 <--- Retorno
Ln_PeD_Externo <--- Inovação unidentified
Ln_Intro_inov_tec <--- Inovação unidentified
Intercepts: (Group number 1 - Default model)
Retorno
unidentified
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Margem_Operacional_2006
unidentified
Ln_q_ROS_2006
unidentified
Ln_q_ROA_2006
unidentified
Variances: (Group number 1 - Default model)
Inovação
unidentified
e_retor
e2
e4
e5
e6
e7
e10
e9
e8
e1
e3
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0e
9 -56,101 9999,000 302097,330 0 9999,000
1e
6 -,807 2,696 49763,589 13 ,292
Model Fit Summary
CMIN
Model
NPAR
CMIN DF P CMIN/DF
Saturated model 65 ,000 0
Independence model 10 4324,379 55 ,000 78,625
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 4269,379 4057,278 4488,732
240
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 2,768 2,733 2,597 2,874
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,223 ,217 ,229 ,000
AIC
Model AIC BCC BIC CAIC
Saturated model 130,000 130,922
Independence model 4344,379 4344,521
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,083 ,083 ,083 ,084
Independence model 2,781 2,646 2,922 2,781
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 27 30
Execution time summary
Minimization: ,047
Miscellaneous: ,172
Bootstrap: ,000
Total: ,219
241
5. Modelo Fatorial (Com Variáveis “Naturais”)
0;
Inovação
Capital_Humano Intro_inov_tec
0;
e2
1
Treinamento PeD_Interno
0;
e4
1
Aq_maqui
0;
e5
1
PeD_Externo
0;
e6
1
Conhec_Externo
0;
e7
1
Retorno
Margem_Operacional_2006
0;
e10
1
1
ROS_2006
0;
e9
1
ROA_2006
0;
e8
1
0;
e_retor
1
0;
e1
1
0;
e3
1
The model is recursive.
Sample size = 277
50)
Variable Summary (Group number 1)
51)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Intro_inov_tec
PeD_Interno
Aq_maqui
PeD_Externo
Conhec_Externo
Margem_Operacional_2006
ROS_2006
ROA_2006
Treinamento
Capital_Humano
Unobserved, endogenous variables
Retorno
Unobserved, exogenous variables
Inovação
e2
e4
e5
e6
e7
e10
242
e9
e8
e_retor
e1
e3
52)
Variable counts (Group number 1)
Number of variables in your model: 23
Number of observed variables: 10
Number of unobserved variables: 13
Number of exogenous variables: 12
Number of endogenous variables: 11
53)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 12 0 0 0 0 12
Labeled 0 0 0 0 0 0
Unlabeled 10 0 12 0 11 33
Total 22 0 12 0 11 45
54)
Models
55)
Default model (Default model)
56)
Notes for Model (Default model)
57)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 65
Number of distinct parameters to be estimated: 33
Degrees of freedom (65 - 33): 32
58)
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 2
additional constraints.
59)
Group number 1 (Group number 1 - Default model)
60)
Estimates (Group number 1 - Default model)
61)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
62)
Regression Weights: (Group number 1 - Default model)
Retorno <--- Inovação unidentified
Intro_inov_tec <--- Inovação unidentified
PeD_Interno <--- Inovação unidentified
Aq_maqui <--- Inovação unidentified
PeD_Externo <--- Inovação unidentified
Conhec_Externo <--- Inovação unidentified
Margem_Operacional_2006
<---
Retorno
ROS_2006 <---
Retorno
ROA_2006 <---
Retorno
Treinamento <--- Inovação unidentified
Capital_Humano <--- Inovação unidentified
63)
Intercepts: (Group number 1 - Default model)
Retorno
unidentified
Capital_Humano
Intro_inov_tec
Treinamento
PeD_Interno
Aq_maqui
PeD_Externo
243
Conhec_Externo
Margem_Operacional_2006
unidentified
ROS_2006
unidentified
ROA_2006
unidentified
64)
Variances: (Group number 1 - Default model)
Inovação
unidentified
e_retor
e2
e4
e5
e6
e7
e10
e9
e8
e1
e3
65)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 10 -20,059 9999,000 21996,765 0 9999,000
1 e 10 -2,146 4,123 16268,304 19 ,058
66)
Model Fit Summary
67)
CMIN
Model NPAR CMIN DF P CMIN/DF
Saturated model 65 ,000 0
Independence model 20 5709,179 45 ,000 126,871
68)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
69)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
70)
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 5664,179 5419,259 5915,390
71)
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 20,685 20,522 19,635 21,433
72)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,675 ,661 ,690 ,000
73)
AIC
Model AIC BCC BIC CAIC
244
Model AIC BCC BIC CAIC
Saturated model 130,000 135,396
Independence model 5749,179 5750,839
74)
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,471 ,471 ,471 ,491
Independence model 20,830 19,943 21,741 20,836
75)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 3 4
76)
Execution time summary
Minimization: ,015
Miscellaneous: ,141
Bootstrap: ,000
Total: ,156
245
6. Modelo Teórico Adaptado I
0
Inovação
Capital_Humano
0;
e1
1
Ln_Intro_inov_tec
0;
e2
1
Ln_Treinamento
0;
e3
1
Ln_PeD_Interno
0;
e4
1
Ln_Aq_maqui
0;
e5
1
Ln_PeD_Externo
0;
e6
1
Ln_Conhec_Externo
0;
e7
1
Rent_2006
0;
e_rent
1
0
Capital Relacional
0
Esforço Inovativo
0;
e8
1
0;
e9
1
0;
e10
1
Sample size = 277
77)
Variable Summary (Group number 1)
78)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Rent_2006
Unobserved, endogenous variables
Esforço Inovativo
Capital Relacional
Inovação
246
79)
Variable counts (Group number 1)
Number of variables in your model: 22
Number of observed variables: 8
Number of unobserved variables: 14
Number of exogenous variables: 11
Number of endogenous variables: 11
80)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 11 0 0 0 0 11
Labeled 0 0 0 0 0 0
Unlabeled 10 0 11 0 8 29
Total 21 0 11 0 8 40
81)
Models
82)
Default model (Default model)
83)
Notes for Model (Default model)
84)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 29
Degrees of freedom (44 - 29): 15
85)
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 4
additional constraints.
86)
Group number 1 (Group number 1 - Default model)
87)
Estimates (Group number 1 - Default model)
88)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
89)
Regression Weights: (Group number 1 - Default model)
Inovação <---
Capital Relacional unidentified
Inovação <---
Esforço Inovativo unidentified
Inovação <---
Capital_Humano unidentified
Ln_Intro_inov_tec <---
Esforço Inovativo unidentified
Ln_Treinamento <---
Esforço Inovativo unidentified
Ln_PeD_Interno <---
Esforço Inovativo unidentified
Ln_Aq_maqui <---
Esforço Inovativo unidentified
Ln_Conhec_Externo
<---
Capital Relacional unidentified
Ln_PeD_Externo <---
Capital Relacional unidentified
Rent_2006 <---
Inovação unidentified
90)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 8 -142,576 9999,000 59557,089 0 9999,000
1 e 6 -24,621 4,626 13096,379 14 ,051
91)
Model Fit Summary
92)
CMIN
Model NPAR CMIN DF P CMIN/DF
Saturated model 44 ,000 0
Independence model 8 408,233 36 ,000 11,340
93)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
247
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Independence model ,000 ,000 ,000 ,000 ,000
94)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
95)
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 372,233 310,930 440,989
96)
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 1,479 1,349 1,127 1,598
97)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,194 ,177 ,211 ,000
98)
AIC
Model AIC BCC BIC CAIC
Saturated model 88,000 90,966
Independence model 424,233 424,772
99)
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,319 ,319 ,319 ,330
Independence model 1,537 1,315 1,786 1,539
100)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 35 40
101)
Execution time summary
Minimization: ,015
Miscellaneous: ,125
Bootstrap: ,000
Total: ,140
248
7. Modelo Teórico Adaptado II
0
Inovação
Capital_Humano
0;
e1
1
Ln_Intro_inov_tec
0;
e2
1
Ln_Treinamento
0;
e3
1
Ln_PeD_Interno
0;
e4
1
Ln_Aq_maqui
0;
e5
1
Ln_PeD_Externo
0;
e6
1
Ln_Conhec_Externo
0;
e7
1
Ln_q_Rent_2006
0;
e_rent
1
0
Capital Relacional
0
Esforço Inovativo
0;
e8
1
0;
e9
1
0;
e10
1
Sample size = 277
102)
Variable Summary (Group number 1)
103)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Rent_2006
Unobserved, endogenous variables
Esforço Inovativo
Capital Relacional
Inovação
104)
Variable counts (Group number 1)
Number of variables in your model: 22
Number of observed variables: 8
Number of unobserved variables: 14
249
Number of exogenous variables: 11
Number of endogenous variables: 11
105)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 11 0 0 0 0 11
Labeled 0 0 0 0 0 0
Unlabeled 10 0 11 0 8 29
Total 21 0 11 0 8 40
106)
Models
107)
Default model (Default model)
108)
Notes for Model (Default model)
109)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 29
Degrees of freedom (44 - 29): 15
110)
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 4
additional constraints.
111)
Group number 1 (Group number 1 - Default model)
112)
Estimates (Group number 1 - Default model)
113)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
114)
Regression Weights: (Group number 1 - Default model)
Inovação <---
Capital Relacional unidentified
Inovação <---
Esforço Inovativo unidentified
Inovação <---
Capital_Humano unidentified
Ln_Intro_inov_tec <---
Esforço Inovativo unidentified
Ln_Treinamento <---
Esforço Inovativo unidentified
Ln_PeD_Interno <---
Esforço Inovativo unidentified
Ln_Aq_maqui <---
Esforço Inovativo unidentified
Ln_Conhec_Externo
<---
Capital Relacional unidentified
Ln_PeD_Externo <---
Capital Relacional unidentified
Ln_q_Rent_2006 <---
Inovação unidentified
115)
Intercepts: (Group number 1 - Default model)
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Rent_2006
116)
Variances: (Group number 1 - Default model)
e1
e8
unidentified
e9
unidentified
e10
unidentified
e2
e3
250
e4
e5
e6
e7
e_rent
unidentified
117)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 9 -143,017 9999,000 68977,100 0 9999,000
1 e 6 -26,373 7,699 18333,980 15 ,021
118)
Model Fit Summary
119)
CMIN
Model NPAR CMIN DF P CMIN/DF
Saturated model 44 ,000 0
Independence model 8 415,576 36 ,000 11,544
120)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
121)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
122)
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 379,576 317,662 448,941
123)
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 1,506 1,375 1,151 1,627
124)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,195 ,179 ,213 ,000
125)
AIC
Model AIC BCC BIC CAIC
Saturated model 88,000 90,966
Independence model 431,576 432,116
126)
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,319 ,319 ,319 ,330
Independence model 1,564 1,339 1,815 1,566
127)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 34 39
128)
Execution time summary
Minimization: ,016
Miscellaneous: ,109
Bootstrap: ,000
251
Total: ,125
252
8. Modelo Teórico Adaptado III
Analysis Summary
Date and Time
Date: sexta-feira, 18 de abril de 2008
Time: 15:13:50
Title
y_ln_completa3_amos_2005: sexta-feira, 18 de abril de 2008 03:13
Groups
Group number 1 (Group number 1)
Notes for Group (Group number 1)
The model is recursive.
Sample size = 1563
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Capital_Humano
0;
e1
1
Ln_Intro_inov_tec
0;
e2
1
Ln_Treinamento
0;
e3
1
Ln_PeD_Interno
0;
e4
1
Ln_Aq_maqui
0;
e5
1
Ln_PeD_Externo
0;
e6
1
Ln_Conhec_Externo
0;
e7
1
Rent_2006
0;
e_rent
1
0
Capital Relacional
0
Esforço Inovativo
0;
e8
1
0;
e9
1
253
Ln_Conhec_Externo
Rent_2006
Unobserved, endogenous variables
Esforço Inovativo
Capital Relacional
Unobserved, exogenous variables
e1
e2
e3
e4
e5
e6
e7
e_rent
e8
e9
Variable counts (Group number 1)
Number of variables in your model: 20
Number of observed variables: 8
Number of unobserved variables: 12
Number of exogenous variables: 10
Number of endogenous variables: 10
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 10
0 0 0 0
10
Labeled 0
0 0 0 0
0
Unlabeled 9
0 10 0 8
27
Total 19
0 10 0 8
37
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 27
Degrees of freedom (44 - 27): 17
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be necessary to impose 2
additional constraints.
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
Regression Weights: (Group number 1 - Default model)
Ln_Intro_inov_tec <--- Esforço Inovativo unidentified
Ln_Treinamento <--- Esforço Inovativo unidentified
Ln_PeD_Interno <--- Esforço Inovativo unidentified
Ln_Aq_maqui <--- Esforço Inovativo unidentified
Ln_Conhec_Externo <--- Capital Relacional unidentified
Ln_PeD_Externo <--- Capital Relacional unidentified
Rent_2006 <--- Esforço Inovativo unidentified
Rent_2006 <--- Capital_Humano
Rent_2006 <--- Capital Relacional unidentified
Intercepts: (Group number 1 - Default model)
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
254
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Rent_2006
Variances: (Group number 1 - Default model)
e1
e8
unidentified
e9
unidentified
e2
e3
e4
e5
e6
e7
e_rent
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0e
7 -44,648 9999,000 124545,463 0 9999,000
1e
4 -8,021 5,862 26204,789 17 ,039
Model Fit Summary
CMIN
Model
NPAR
CMIN DF P CMIN/DF
Saturated model 44 ,000 0
Independence model 8 624,842 36 ,000 17,357
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 588,842 511,477 673,635
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model ,400 ,377 ,327 ,431
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,102 ,095 ,109 ,000
AIC
Model AIC BCC BIC CAIC
Saturated model 88,000 88,510
Independence model 640,842 640,935
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model ,056 ,056 ,056 ,057
Independence model ,410 ,361 ,465 ,410
255
HOELTER
Model
HOELTER
.05
HOELTER
.01
Independence model 128 147
Execution time summary
Minimization: ,016
Miscellaneous: ,234
Bootstrap: ,000
Total: ,250
256
ANEXO D –
Structural Equation Modeling
- Novo Modelo – BASE 2005.
Seguem abaixo os resultados de modelos testados através da SEM para a base de 2005, tal qual foram
originados no SPSS 15.0.
1. Figura 10 – Construto Inovação (Base Completa)
Analysis Summary
Date and Time
Date: sexta-feira, 18 de abril de 2008
Time: 15:01:50
Title
ln_amos_2005: sexta-feira, 18 de abril de 2008 03:01
Groups
Group number 1 (Group number 1)
Notes for Group (Group number 1)
The model is recursive.
Sample size = 1563
0; ,71
Inovação
-1,03
Ln_Capital_Humano
0; 1,79
e1
1,00
1
-6,46
Ln_Intro_inov_tec
0; 2,05
e2
1
-7,62
Ln_Treinamento
0; 1,28
e3
1,61
1
-5,14
Ln_PeD_Interno
0; 1,23
e4
1,45
1
-4,65
Ln_Aq_maqui
0; 2,82
e5
1,09
1
-6,51
Ln_PeD_Externo
0; 1,77
e6
1,99
1
-6,50
Ln_Conhec_Externo
0; 1,72
e7
1,76
-2,19
Ln_Rent_2006
,16
0; 1,57
e_rent
1
1,54
1
Inovação
,28
Ln_Capital_Humano
e1
,53
,45
Ln_Intro_inov_tec
e2
,59
Ln_Treinamento
e3
,77
,55
Ln_PeD_Interno
e4
,74
,23
Ln_Aq_maqui
e5
,48
,61
Ln_PeD_Externo
e6
,78
,56
Ln_Conhec_Externo
e7
,75
,01
Ln_Rent_2006
,11
e_rent
,67
257
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Ln_Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_Rent_2006
Unobserved, exogenous variables
Inovação
e1
e2
e3
e4
e5
e6
e_rent
e7
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 9
0 0 0 0
9
Labeled 0
0 0 0 0
0
Unlabeled 7
0 9 0 8
24
Total 16
0 9 0 8
33
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
Result (Default model)
Minimum was achieved
Chi-square = 52,781
Degrees of freedom = 20
Probability level = ,000
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate
S.E.
C.R. PLabel
Ln_Capital_Humano <--- Inovação 1,000
Ln_Treinamento <--- Inovação 1,607
,376
4,270 ***par_1
Ln_PeD_Interno <--- Inovação 1,448
,339
4,277 ***par_2
Ln_Aq_maqui <--- Inovação 1,087
,266
4,091 ***par_3
Ln_PeD_Externo <--- Inovação 1,986
,480
4,139 ***par_4
Ln_Conhec_Externo <--- Inovação 1,758
,427
4,120 ***par_5
Ln_Rent_2006 <--- Inovação ,164
,144
1,137 ,255par_6
258
Ln_Intro_inov_tec <--- Inovação 1,542
,366
4,216 ***par_7
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Ln_Capital_Humano <--- Inovação ,532
Ln_Treinamento <--- Inovação ,767
Ln_PeD_Interno <--- Inovação ,740
Ln_Aq_maqui <--- Inovação ,479
Ln_PeD_Externo <--- Inovação ,782
Ln_Conhec_Externo <--- Inovação ,749
Ln_Rent_2006 <--- Inovação ,110
Ln_Intro_inov_tec <--- Inovação ,672
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
Ln_Capital_Humano
-1,029 ,174 -5,917 ***par_8
Ln_Intro_inov_tec
-6,455 ,087 -74,354 ***par_9
Ln_Treinamento
-7,621 ,077 -98,997 ***par_10
Ln_PeD_Interno
-5,142 ,066 -78,481 ***par_11
Ln_Aq_maqui
-4,651 ,069 -67,528 ***par_12
Ln_PeD_Externo
-6,511 ,133 -48,861 ***par_13
Ln_Conhec_Externo
-6,495 ,121 -53,843 ***par_14
Ln_Rent_2006
-2,192 ,105 -20,889 ***par_15
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
Inovação
,710 ,326 2,180 ,029par_16
e1
1,795 ,345 5,204 ***par_17
e2
2,046 ,190 10,784 ***par_18
e3
1,283 ,146 8,776 ***par_19
e4
1,232 ,122 10,113 ***par_20
e5
2,818 ,175 16,112 ***par_21
e6
1,775 ,296 5,989 ***par_22
e_rent
1,566 ,186 8,427 ***par_23
e7
1,718 ,263 6,542 ***par_24
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Ln_Rent_2006
,012
Ln_Conhec_Externo
,561
Ln_PeD_Externo
,612
Ln_Aq_maqui
,229
Ln_PeD_Interno
,547
Ln_Treinamento
,588
Ln_Intro_inov_tec
,452
Ln_Capital_Humano
,284
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model)
Ln_Rent_2
006
Ln_Conhec_Ex
terno
Ln_PeD_Ext
erno
Ln_Aq_m
aqui
Ln_PeD_Int
erno
Ln_Treinam
ento
Ln_Intro_inov
_tec
Ln_Capital_Hu
mano
Inovaçã
o
,009 ,091 ,099 ,034 ,104
,111
,067 ,049
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0e 7 -13,107 9999,000 36498,664 0 9999,000
1e 3 -,130 5,817 5759,486 19 ,041
2e 2 -,011 1,586 3184,958 5 ,808
3e 2 -,003 1,059 2869,217 6 ,728
4e 2 -,016 6,624 2027,776 8 ,771
5e 2 -,003 1,975 1726,057 4 ,728
259
6e* 2 -,016 8,655 1068,189 5 ,444
7e* 1 -,002 3,261 405,628 5 ,669
8e 0 893,052 1,564 173,352 4 ,887
9e 0 282,155 ,921 110,621 4 ,000
10e 0 567,039 ,970 58,130 1 1,046
11e 0 1811,524 ,116 53,107 1 1,125
12e 0 1478,672 ,111 52,787 1 1,067
13e 0 1703,626 ,024 52,781 1 1,042
14e 0 1691,327 ,006 52,781 1 1,012
15e 0 1710,304 ,000 52,781 1 1,000
Pairwise Parameter Comparisons (Default model)
Correlations of Estimates (Default model)
par
_1
par
_2
par
_3
par
_4
par
_5
par
_6
par
_7
par
_8
par
_9
par_
10
par_
11
par_
12
par_
13
par_
14
par_
15
par_
16
par_
17
par_
18
par_
19
par_
20
par_
21
par_
22
par_
23
par_
24
par_
1
1,0
00
par_
2
,94
4
1,0
00
par_
3
,90
4
,90
6
1,0
00
par_
4
,91
5
,91
6
,87
7
1,0
00
par_
5
,90
9
,91
1
,87
2
,88
2
1,0
00
par_
6
,25
0
,25
0
,23
9
,24
2
,24
0
1,0
00
par_
7
,93
0
,93
1
,89
2
,90
2
,89
7
,24
6
1,0
00
par_
8
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
par_
9
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,10
6
1,0
00
par_
10
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,11
5
,34
1
1,00
0
par_
11
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,12
5
,35
7
,401
1,00
0
par_
12
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,06
9
,20
8
,257 ,248
1,00
0
par_
13
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,08
8
,24
4
,304 ,306 ,179
1,00
0
par_
14
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,08
6
,23
6
,284 ,280 ,172 ,219
1,00
0
par_
15
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,01
3
,02
9
,032 ,034 ,019 ,024 ,022
1,00
0
par_
16
-
,96
6
-
,96
9
-
,92
7
-
,93
5
-
,93
1
-
,25
5
-
,95
2
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000
1,00
0
par_
17
,19
0
,19
2
,18
2
,18
4
,18
3
,05
1
,18
8
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000
-
,193
1,00
0
par_
18
,00
8
,01
5
,00
3
,00
0
,00
2
,00
0
-
,11
1
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,004
-
,006
1,00
0
par_
19
-
,11
7
,01
9
,01
6
,00
8
,01
0
,00
0
,01
1
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,005
-
,007
-
,073
1,00
0
par_
20
,00
9
-
,12
7
,00
2
,00
1
-
,00
1
,00
0
,01
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,014
-
,017
-
,109
-
,146
1,00
0
260
par_
21
,00
8
,00
6
-
,12
8
,00
1
,00
3
,00
0
,00
3
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000
-
,003
-
,001
-
,016
-
,050
-
,039
1,00
0
par_
22
,00
9
,01
1
,00
2
-
,13
4
,00
4
,00
0
,00
2
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,003
-
,003
-
,018
-
,072
-
,078
-
,010
1,00
0
par_
23
,00
0
,00
0
,00
0
,00
0
,00
0
-
,03
4
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000
,000
-
,001
,000 ,000
1,00
0
par_
24
,00
9
,00
7
,00
3
,00
3
-
,14
1
,00
0
,00
3
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,002
-
,004
-
,025
-
,067
-
,057
-
,013
-
,032
,000
1,00
0
Model Fit Summary
CMIN
Model
NPAR
CMIN DF P CMIN/DF
Default model 24 52,781 20 ,000 2,639
Saturated model 44 ,000 0
Independence model 8 615,482 36 ,000 17,097
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,914 ,846 ,945 ,898 ,943
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,508 ,524
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 32,781 14,985 58,239
Saturated model ,000 ,000 ,000
Independence model 579,482 502,743 663,648
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,034 ,021 ,010 ,037
Saturated model ,000 ,000 ,000 ,000
Independence model ,394 ,371 ,322 ,425
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,032 ,022 ,043 ,997
Independence model ,102 ,095 ,109 ,000
AIC
Model AIC BCC BIC CAIC
Default model 100,781 101,059
Saturated model 88,000 88,510
Independence model 631,482 631,575
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,065 ,053 ,081 ,065
Saturated model ,056 ,056 ,056 ,057
Independence model ,404 ,355 ,458 ,404
HOELTER
Model
HOELTER
.05
HOELTER
.01
261
Default model 930 1112
Independence model 130 149
Execution time summary
Minimization: ,125
Miscellaneous: ,188
Bootstrap: ,000
Total: ,313
262
2. Figura 11 – Construto Inovação (Base Restrita)
0; ,83
Inovação
-1,15
Ln_Capital_Humano
0; 1,78
e1
1,00
1
-6,47
Ln_Intro_inov_tec
0; 2,18
e2
1
-7,81
Ln_Treinamento
0; 1,46
e3
1,57
1
-5,27
Ln_PeD_Interno
0; 1,08
e4
1,50
1
-4,96
Ln_Aq_maqui
0; 2,92
e5
,90
1
-6,77
Ln_PeD_Externo
0; 1,97
e6
1,99
1
-6,88
Ln_Conhec_Externo
0; 2,11
e7
1,74
-2,21
Ln_Rent_2006
,15
0; 1,57
e_rent
1
1,50
1
Inovação
,32
Ln_Capital_Humano
e1
,56
,46
Ln_Intro_inov_tec
e2
,58
Ln_Treinamento
e3
,76
,63
Ln_PeD_Interno
e4
,80
,19
Ln_Aq_maqui
e5
,43
,63
Ln_PeD_Externo
e6
,79
,54
Ln_Conhec_Externo
e7
,74
,01
Ln_Rent_2006
,11
e_rent
,68
129)
Analysis Summary
130)
Date and Time
Date: segunda-feira, 26 de maio de 2008
Time: 08:25:41
131)
Title
ln_amos_2005_12jan09: segunda-feira, 26 de maio de 2008 08:25
132)
Groups
133)
Group number 1 (Group number 1)
134)
Notes for Group (Group number 1)
The model is recursive.
Sample size = 277
263
135)
Variable Summary (Group number 1)
136)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Ln_Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_Rent_2006
Unobserved, exogenous variables
Inovação
e1
e2
e3
e4
e5
e6
e_rent
e7
137)
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
138)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 9 0 0 0 0 9
Labeled 0 0 0 0 0 0
Unlabeled 7 0 9 0 8 24
Total 16 0 9 0 8 33
139)
Models
140)
Default model (Default model)
141)
Notes for Model (Default model)
142)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
143)
Result (Default model)
Minimum was achieved
Chi-square = 47,180
Degrees of freedom = 20
Probability level = ,001
144)
Group number 1 (Group number 1 - Default model)
145)
Estimates (Group number 1 - Default model)
146)
Scalar Estimates (Group number 1 - Default model)
147)
Maximum Likelihood Estimates
148)
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Ln_Capital_Humano
<---
Inovação
1,000
Ln_Treinamento <---
Inovação
1,568
,345
4,551
*** par_1
Ln_PeD_Interno <---
Inovação
1,496
,323
4,634
*** par_2
Ln_Aq_maqui <---
Inovação
,897
,228
3,935
*** par_3
264
Estimate S.E. C.R. P Label
Ln_PeD_Externo <---
Inovação
1,992
,460
4,333
*** par_4
Ln_Conhec_Externo
<---
Inovação
1,737
,416
4,176
*** par_5
Ln_Rent_2006 <---
Inovação
,153
,131
1,167
,243 par_6
Ln_Intro_inov_tec <---
Inovação
1,504
,334
4,503
*** par_7
149)
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Ln_Capital_Humano
<---
Inovação ,564
Ln_Treinamento <---
Inovação ,763
Ln_PeD_Interno <---
Inovação ,796
Ln_Aq_maqui <---
Inovação ,432
Ln_PeD_Externo <---
Inovação ,791
Ln_Conhec_Externo
<---
Inovação ,737
Ln_Rent_2006 <---
Inovação ,111
Ln_Intro_inov_tec <---
Inovação ,680
150)
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Ln_Capital_Humano
-1,152
,179
-6,453
***
par_8
Ln_Intro_inov_tec
-6,472
,127
-51,096
***
par_9
Ln_Treinamento
-7,806
,126
-62,005
***
par_10
Ln_PeD_Interno
-5,275
,103
-51,153
***
par_11
Ln_Aq_maqui
-4,961
,119
-41,842
***
par_12
Ln_PeD_Externo
-6,772
,199
-33,952
***
par_13
Ln_Conhec_Externo
-6,877
,199
-34,480
***
par_14
Ln_Rent_2006
-2,206
,105
-20,952
***
par_15
151)
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Inovação
,831
,351
2,367
,018
par_16
e1
1,778
,344
5,175
***
par_17
e2
2,183
,246
8,863
***
par_18
e3
1,462
,209
7,009
***
par_19
e4
1,076
,155
6,927
***
par_20
e5
2,918
,274
10,641
***
par_21
e6
1,969
,415
4,749
***
par_22
e_rent
1,568
,186
8,417
***
par_23
e7
2,109
,421
5,008
***
par_24
152)
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Ln_Rent_2006
,012
Ln_Conhec_Externo
,543
Ln_PeD_Externo
,626
Ln_Aq_maqui
,186
Ln_PeD_Interno
,634
Ln_Treinamento
,583
Ln_Intro_inov_tec
,463
Ln_Capital_Humano
,318
153)
Matrices (Group number 1 - Default model)
154)
Factor Score Weights (Group number 1 - Default model)
Ln_Rent_2006 Ln_Conhec_Externo Ln_PeD_Externo Ln_Aq_maqui Ln_PeD_Interno
Ln_Treinamento
Inovação ,009 ,080 ,098 ,030 ,135
,104
265
155)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 7 -37,343 9999,000 16440,300 0 9999,000
1 e 3 -,397 4,472 2180,207 16 ,062
2 e 2 -,028 1,737 1210,079 6 ,581
3 e 1 -,005 ,712 1032,608 5 ,841
4 e 2 -,038 7,199 758,527 10 ,679
5 e 1 -,005 1,325 643,520 6 ,844
6 e* 2 -,037 7,258 341,469 6 ,728
7 e 1 -,002 1,262 230,287 6 ,917
8 e 0 138,092 2,611 92,386 5 ,907
9 e 0 63,029 2,886 82,869 1 ,158
10 e 0 97,011 ,778 50,466 1 1,108
11 e 0 239,112 ,289 47,426 1 1,118
12 e 0 340,153 ,176 47,197 1 1,084
13 e 0 467,409 ,053 47,180 1 1,077
14 e 0 492,936 ,015 47,180 1 1,019
15 e 0 502,883 ,000 47,180 1 1,001
156)
Pairwise Parameter Comparisons (Default model)
157)
Correlations of Estimates (Default model)
par_1 par_2 par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 par_11 par_12
par_13
par_1 1,000
par_2 ,902 1,000
par_3 ,768 ,781 1,000
par_4 ,847 ,861 ,731 1,000
par_5 ,811 ,826 ,701 ,776 1,000
par_6 ,227 ,231 ,196 ,216 ,207 1,000
par_7 ,878 ,892 ,759 ,836 ,802 ,225 1,000
par_8 ,000 ,000 ,000 ,000 ,000 ,000 ,000 1,000
par_9 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,201 1,000
par_10 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,212 ,455 1,000
par_11 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,245 ,519 ,544 1,000
par_12 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,127 ,274 ,289 ,330 1,000
par_13 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,170 ,363 ,397 ,436 ,230
1,000
par_14 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,158 ,319 ,341 ,380 ,202
,288
par_15 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,026 ,052 ,056 ,064 ,033
,045
par_16 -,923 -,945 -,798 -,878 -,842 -,236 -,913 ,000 ,000 ,000 ,000 ,000
,000
par_17 ,180 ,188 ,155 ,171 ,165 ,046 ,178 ,000 ,000 ,000 ,000 ,000
,000
par_18 ,004 ,021 ,001 ,000 ,001 ,000 -,109 ,000 ,000 ,000 ,000 ,000
,000
par_19 -,122 ,026 ,001 ,005 ,002 ,000 ,005 ,000 ,000 ,000 ,000 ,000
,000
par_20 ,008 -,155 ,001 -,005 -,007 ,000 ,010 ,000 ,000 ,000 ,000 ,000
,000
par_21 ,001 ,005 -,083 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000
,000
par_22 ,006 ,014 ,000 -,142 ,003 ,000 ,002 ,000 ,000 ,000 ,000 ,000
,000
par_23 ,000 ,000 ,000 ,000 ,000 -,031 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_24 ,002 ,008 -,001 ,001 -,140 ,000 ,001 ,000 ,000 ,000 ,000 ,000
,000
158)
Model Fit Summary
159)
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 24 47,180 20 ,001 2,359
Saturated model 44 ,000 0
Independence model 8 397,293 36 ,000 11,036
266
160)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,881 ,786 ,928 ,865 ,925
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
161)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,490 ,514
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
162)
NCP
Model NCP LO 90 HI 90
Default model 27,180 10,855 51,204
Saturated model ,000 ,000 ,000
Independence model 361,293 300,907 429,134
163)
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,171 ,098 ,039 ,186
Saturated model ,000 ,000 ,000 ,000
Independence model 1,439 1,309 1,090 1,555
164)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,070 ,044 ,096 ,094
Independence model ,191 ,174 ,208 ,000
165)
AIC
Model AIC BCC BIC CAIC
Default model 95,180 96,798
Saturated model 88,000 90,966
Independence model 413,293 413,833
166)
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,345 ,286 ,432 ,351
Saturated model ,319 ,319 ,319 ,330
Independence model 1,497 1,279 1,743 1,499
167)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 184 220
Independence model 36 41
168)
Execution time summary
Minimization: ,109
Miscellaneous: ,094
Bootstrap: ,000
Total: ,203
267
3. Figura 12 – Construto Inovação Alterado (Base Completa)
0; ,10
Inovação
,03
Capital_Humano
0; ,88
e1
1,00
1
-6,46
Ln_Intro_inov_tec
0; 2,08
e2
4,01
1
-7,62
Ln_Treinamento
0; 1,26
e3
4,23
1
-5,14
Ln_PeD_Interno
0; 1,20
e4
3,84
1
-4,65
Ln_Aq_maqui
0; 2,83
e5
2,84
1
-6,51
Ln_PeD_Externo
0; 1,82
e6
5,20
1
-6,50
Ln_Conhec_Externo
0; 1,75
e7
4,59
1
-4,63
Ln_q_Rent_2006
1,53
0; 6,02
e_rent
1
Inovação
,10
Capital_Humano
e1
,32
,44
Ln_Intro_inov_tec
e2
,67
,59
Ln_Treinamento
e3
,77
,56
Ln_PeD_Interno
e4
,75
,23
Ln_Aq_maqui
e5
,48
,61
Ln_PeD_Externo
e6
,78
,55
Ln_Conhec_Externo
e7
,74
,04
Ln_q_Rent_2006
,20
e_rent
169)
Analysis Summary
170)
Date and Time
Date: segunda-feira, 26 de maio de 2008
Time: 08:50:43
171)
Title
ln_q_amos_2005: segunda-feira, 26 de maio de 2008 08:50
268
172)
Groups
173)
Group number 1 (Group number 1)
174)
Notes for Group (Group number 1)
The model is recursive.
Sample size = 1563
175)
Variable Summary (Group number 1)
176)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Rent_2006
Unobserved, exogenous variables
Inovação
e1
e2
e3
e4
e5
e6
e7
e_rent
177)
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
178)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 9 0 0 0 0 9
Labeled 0 0 0 0 0 0
Unlabeled 7 0 9 0 8 24
Total 16 0 9 0 8 33
179)
Models
180)
Default model (Default model)
181)
Notes for Model (Default model)
182)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
183)
Result (Default model)
Minimum was achieved
Chi-square = 51,819
Degrees of freedom = 20
Probability level = ,000
184)
Group number 1 (Group number 1 - Default model)
185)
Estimates (Group number 1 - Default model)
186)
Scalar Estimates (Group number 1 - Default model)
187)
Maximum Likelihood Estimates
188)
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
269
Estimate S.E. C.R. P Label
Capital_Humano <---
Inovação
1,000
Ln_Intro_inov_tec <---
Inovação
4,007
,843
4,751
*** par_1
Ln_Treinamento <---
Inovação
4,234
,875
4,837
*** par_2
Ln_PeD_Interno <---
Inovação
3,837
,791
4,849
*** par_3
Ln_Aq_maqui <---
Inovação
2,836
,620
4,577
*** par_4
Ln_PeD_Externo <---
Inovação
5,196
1,120
4,641
*** par_5
Ln_Conhec_Externo
<---
Inovação
4,594
,998
4,603
*** par_6
Ln_q_Rent_2006 <---
Inovação
1,531
,599
2,555
,011 par_7
189)
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Capital_Humano <---
Inovação ,324
Ln_Intro_inov_tec <---
Inovação ,667
Ln_Treinamento <---
Inovação ,771
Ln_PeD_Interno <---
Inovação ,748
Ln_Aq_maqui <---
Inovação ,477
Ln_PeD_Externo <---
Inovação ,778
Ln_Conhec_Externo
<---
Inovação ,745
Ln_q_Rent_2006 <---
Inovação ,197
190)
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Capital_Humano
,032
,058
,552
,581
par_8
Ln_Intro_inov_tec
-6,458
,087
-74,292
***
par_9
Ln_Treinamento
-7,624
,077
-99,191
***
par_10
Ln_PeD_Interno
-5,140
,065
-78,553
***
par_11
Ln_Aq_maqui
-4,651
,069
-67,525
***
par_12
Ln_PeD_Externo
-6,512
,134
-48,593
***
par_13
Ln_Conhec_Externo
-6,497
,121
-53,651
***
par_14
Ln_q_Rent_2006
-4,634
,149
-31,106
***
par_15
191)
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Inovação
,103
,042
2,483
,013
par_16
e1
,883
,077
11,403
***
par_17
e2
2,077
,190
10,954
***
par_18
e3
1,264
,145
8,732
***
par_19
e4
1,199
,120
9,968
***
par_20
e5
2,826
,175
16,179
***
par_21
e6
1,822
,299
6,092
***
par_22
e7
1,750
,264
6,617
***
par_23
e_rent
6,020
,517
11,641
***
par_24
192)
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Ln_q_Rent_2006
,039
Ln_Conhec_Externo
,555
Ln_PeD_Externo
,605
Ln_Aq_maqui
,227
Ln_PeD_Interno
,559
Ln_Treinamento
,595
Ln_Intro_inov_tec
,444
Capital_Humano
,105
270
193)
Matrices (Group number 1 - Default model)
194)
Factor Score Weights (Group number 1 - Default model)
Ln_q_Rent_2006 Ln_Conhec_Externo Ln_PeD_Externo Ln_Aq_maqui Ln_PeD_Interno
Ln_Treinamento
Inovação ,003 ,035 ,038 ,013 ,043
195)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 7 -35,625 9999,000 132899,303 0 9999,000
1 e 4 -,453 6,257 18733,878 17 ,049
2 e 2 -,010 1,909 7072,030 5 ,802
3 e 2 -,003 1,944 4310,724 8 1,111
4 e 2 -,026 11,591 2283,506 9 ,738
5 e 1 -,004 3,332 995,864 4 ,927
6 e 0 186,633 2,388 430,177 6 ,989
7 e 0 1448,743 3,144 215,010 2 ,000
8 e 0 1426,630 2,509 78,650 1 1,035
9 e 0 3951,989 1,211 56,963 1 1,183
10 e 0 8092,965 1,102 53,427 1 1,081
11 e 0 24058,040 ,590 52,222 1 1,181
12 e 0 33614,433 ,743 51,927 1 ,972
13 e 0 64834,791 ,220 51,824 1 1,068
14 e 0 73062,793 ,136 51,819 1 1,027
15 e 0 76306,354 ,007 51,819 1 1,003
16 e 0 75407,212 ,000 51,819 1 ,999
196)
Pairwise Parameter Comparisons (Default model)
197)
Correlations of Estimates (Default model)
par_1 par_2 par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 par_11 par_12
par_13
par_1 1,000
par_2 ,911 1,000
par_3 ,913 ,931 1,000
par_4 ,862 ,879 ,882 1,000
par_5 ,874 ,892 ,894 ,844 1,000
par_6 ,868 ,885 ,888 ,838 ,851 1,000
par_7 ,479 ,488 ,489 ,461 ,468 ,464 1,000
par_8 ,000 ,000 ,000 ,000 ,000 ,000 ,000 1,000
par_9 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,119 1,000
par_10 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,131 ,340 1,000
par_11 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,146 ,358 ,409 1,000
par_12 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,079 ,204 ,257 ,250 1,000
par_13 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,098 ,239 ,304 ,308 ,177
1,000
par_14 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,088 ,231 ,284 ,281 ,170
,215
par_15 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,034 ,071 ,078 ,087 ,047
,059
par_16 -,938 -,958 -,962 -,907 -,917 -,911 -,501 ,000 ,000 ,000 ,000 ,000
,000
par_17 ,109 ,111 ,113 ,104 ,106 ,105 ,059 ,000 ,000 ,000 ,000 ,000
,000
par_18 -,123 ,008 ,015 ,003 -,001 ,002 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_19 ,011 -,131 ,022 ,018 ,009 ,011 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_20 ,008 ,008 -,144 -,001 -,002 -,004 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_21 ,003 ,008 ,007 -,141 ,001 ,003 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_22 ,002 ,010 ,012 ,002 -,148 ,004 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_23 ,004 ,010 ,009 ,005 ,004 -,155 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_24 ,000 ,000 ,000 ,000 ,000 ,000 -,058 ,000 ,000 ,000 ,000 ,000
,000
271
198)
Model Fit Summary
199)
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 24 51,819 20 ,000 2,591
Saturated model 44 ,000 0
Independence model 8 633,799 36 ,000 17,606
200)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,918 ,853 ,948 ,904 ,947
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
201)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,510 ,526
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
202)
NCP
Model NCP LO 90 HI 90
Default model 31,819 14,268 57,037
Saturated model ,000 ,000 ,000
Independence model 597,799 519,838 683,187
203)
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,033 ,020 ,009 ,037
Saturated model ,000 ,000 ,000 ,000
Independence model ,406 ,383 ,333 ,437
204)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,032 ,021 ,043 ,998
Independence model ,103 ,096 ,110 ,000
205)
AIC
Model AIC BCC BIC CAIC
Default model 99,819 100,097
Saturated model 88,000 88,510
Independence model 649,799 649,892
206)
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,064 ,053 ,080 ,064
Saturated model ,056 ,056 ,056 ,057
Independence model ,416 ,366 ,471 ,416
207)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 947 1133
Independence model 126 145
208)
Execution time summary
Minimization: ,141
Miscellaneous: ,249
Bootstrap: ,000
Total: ,390
272
273
4. Figura 13 – Construto Inovação Alterado (Base Restrita)
0; ,12
Inovação
,00
Capital_Humano
0; ,88
e1
1,00
1
-6,48
Ln_Intro_inov_tec
0; 2,23
e2
3,91
1
-7,81
Ln_Treinamento
0; 1,44
e3
4,14
1
-5,27
Ln_PeD_Interno
0; 1,02
e4
3,99
1
-4,96
Ln_Aq_maqui
0; 2,93
e5
2,33
1
-6,78
Ln_PeD_Externo
0; 2,05
e6
5,23
1
-6,88
Ln_Conhec_Externo
0; 2,18
e7
4,54
1
-4,68
Ln_q_Rent_2006
1,48
0; 6,02
e_rent
1
Inovação
,12
Capital_Humano
e1
,35
,45
Ln_Intro_inov_tec
e2
,67
,59
Ln_Treinamento
e3
,77
,65
Ln_PeD_Interno
e4
,81
,18
Ln_Aq_maqui
e5
,43
,62
Ln_PeD_Externo
e6
,78
,53
Ln_Conhec_Externo
e7
,73
,04
Ln_q_Rent_2006
,20
e_rent
The model is recursive.
Sample size = 277
209)
Variable Summary (Group number 1)
210)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Capital_Humano
Ln_Intro_inov_tec
274
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Rent_2006
Unobserved, exogenous variables
Inovação
e1
e2
e3
e4
e5
e6
e7
e_rent
211)
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
212)
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 9 0 0 0 0 9
Labeled 0 0 0 0 0 0
Unlabeled 7 0 9 0 8 24
Total 16 0 9 0 8 33
213)
Models
214)
Default model (Default model)
215)
Notes for Model (Default model)
216)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
217)
Result (Default model)
Minimum was achieved
Chi-square = 44,644
Degrees of freedom = 20
Probability level = ,001
218)
Group number 1 (Group number 1 - Default model)
219)
Estimates (Group number 1 - Default model)
220)
Scalar Estimates (Group number 1 - Default model)
221)
Maximum Likelihood Estimates
222)
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Capital_Humano <---
Inovação
1,000
Ln_Intro_inov_tec <---
Inovação
3,908
,776
5,036
*** par_1
Ln_Treinamento <---
Inovação
4,145
,808
5,127
*** par_2
Ln_PeD_Interno <---
Inovação
3,992
,760
5,251
*** par_3
Ln_Aq_maqui <---
Inovação
2,332
,546
4,269
*** par_4
Ln_PeD_Externo <---
Inovação
5,230
1,090
4,799
*** par_5
Ln_Conhec_Externo
<---
Inovação
4,544
,997
4,559
*** par_6
Ln_q_Rent_2006 <---
Inovação
1,480
,543
2,725
,006 par_7
275
223)
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Capital_Humano <---
Inovação ,347
Ln_Intro_inov_tec <---
Inovação ,672
Ln_Treinamento <---
Inovação ,768
Ln_PeD_Interno <---
Inovação ,808
Ln_Aq_maqui <---
Inovação ,427
Ln_PeD_Externo <---
Inovação ,785
Ln_Conhec_Externo
<---
Inovação ,730
Ln_q_Rent_2006 <---
Inovação ,205
224)
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Capital_Humano
,000
,060
,000
1,000
par_8
Ln_Intro_inov_tec
-6,475
,127
-51,081
***
par_9
Ln_Treinamento
-7,811
,126
-62,194
***
par_10
Ln_PeD_Interno
-5,275
,103
-51,153
***
par_11
Ln_Aq_maqui
-4,962
,119
-41,838
***
par_12
Ln_PeD_Externo
-6,777
,201
-33,689
***
par_13
Ln_Conhec_Externo
-6,884
,201
-34,274
***
par_14
Ln_q_Rent_2006
-4,683
,151
-31,033
***
par_15
225)
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Inovação
,120
,045
2,691
,007
par_16
E1
,876
,077
11,381
***
par_17
E2
2,234
,247
9,040
***
par_18
E3
1,438
,205
7,020
***
par_19
E4
1,019
,151
6,738
***
par_20
E5
2,934
,275
10,682
***
par_21
E6
2,050
,422
4,859
***
par_22
E7
2,175
,428
5,079
***
par_23
E_rent
6,022
,518
11,631
***
par_24
226)
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Ln_q_Rent_2006
,042
Ln_Conhec_Externo
,533
Ln_PeD_Externo
,616
Ln_Aq_maqui
,182
Ln_PeD_Interno
,653
Ln_Treinamento
,589
Ln_Intro_inov_tec
,451
Capital_Humano
,121
227)
Matrices (Group number 1 - Default model)
228)
Factor Score Weights (Group number 1 - Default model)
Ln_q_Rent_2006 Ln_Conhec_Externo Ln_PeD_Externo Ln_Aq_maqui Ln_PeD_Interno
Ln_Treinamento
Inovação ,004 ,030 ,037 ,012 ,057
229)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 7 -92,393 9999,000 68201,038 0 9999,000
1 e 3 -,876 7,393 8084,977 15 ,040
2 e 1 -,028 2,667 3117,306 6 ,661
276
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
3 e 1 -,007 1,919 1912,493 7 1,059
4 e 1 -,004 3,991 1205,224 7 1,068
5 e* 1 -,033 14,104 498,232 7 ,853
6 e 0 982,059 2,058 166,220 7 ,835
7 e 0 1535,729 2,068 68,690 1 1,099
8 e 0 4392,169 1,378 47,703 1 1,175
9 e 0 9263,009 1,038 44,930 1 1,112
10 e 0 17565,043 ,480 44,666 1 1,131
11 e 0 22989,841 ,238 44,644 1 1,070
12 e 0 24116,085 ,029 44,644 1 1,013
13 e 0 23630,135 ,001 44,644 1 1,000
230)
Pairwise Parameter Comparisons (Default model)
231)
Correlations of Estimates (Default model)
par_1 par_2 par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 par_11 par_12
par_13
par_1 1,000
par_2 ,847 1,000
par_3 ,865 ,881 1,000
par_4 ,705 ,718 ,735 1,000
par_5 ,792 ,809 ,827 ,672 1,000
par_6 ,753 ,768 ,786 ,638 ,722 1,000
par_7 ,450 ,458 ,469 ,381 ,428 ,407 1,000
par_8 ,000 ,000 ,000 ,000 ,000 ,000 ,000 1,000
par_9 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,223 1,000
par_10 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,239 ,452 1,000
par_11 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,281 ,520 ,556 1,000
par_12 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,143 ,267 ,288 ,332 1,000
par_13 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,188 ,354 ,395 ,438 ,225
1,000
par_14 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,164 ,311 ,339 ,381 ,197
,281
par_15 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,071 ,132 ,141 ,165 ,084
,111
par_16 -,888 -,904 -,933 -,753 -,846 -,803 -,480 ,000 ,000 ,000 ,000 ,000
,000
par_17 ,100 ,102 ,108 ,085 ,095 ,090 ,054 ,000 ,000 ,000 ,000 ,000
,000
par_18 -,116 ,004 ,022 ,001 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,000
,
par_19 ,005 -,132 ,031 ,001 ,005 ,003 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_20 ,005 ,005 -,178 -,003 -,009 -,010 -,001 ,000 ,000 ,000 ,000 ,000
,000
par_21 ,001 ,001 ,006 -,086 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_22 ,002 ,006 ,016 ,000 -,152 ,003 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_23 ,002 ,003 ,011 ,000 ,003 -,147 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_24 ,000 ,000 ,001 ,000 ,000 ,000 -,053 ,000 ,000 ,000 ,000 ,000
,000
232)
Model Fit Summary
233)
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 24 44,644 20 ,001 2,232
Saturated model 44 ,000 0
Independence model 8 415,576 36 ,000 11,544
234)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,893 ,807 ,938 ,883 ,935
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
277
235)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,496 ,519
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
236)
NCP
Model NCP LO 90 HI 90
Default model 24,644 9,023 47,985
Saturated model ,000 ,000 ,000
Independence model 379,576 317,662 448,941
237)
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,162 ,089 ,033 ,174
Saturated model ,000 ,000 ,000 ,000
Independence model 1,506 1,375 1,151 1,627
238)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,067 ,040 ,093 ,135
Independence model ,195 ,179 ,213 ,000
239)
AIC
Model AIC BCC BIC CAIC
Default model 92,644 94,262
Saturated model 88,000 90,966
Independence model 431,576 432,116
240)
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,336 ,279 ,420 ,342
Saturated model ,319 ,319 ,319 ,330
Independence model 1,564 1,339 1,815 1,566
241)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 195 233
Independence model 34 39
242)
Execution time summary
Minimization: ,063
Miscellaneous: ,109
Bootstrap: ,000
Total: ,172
278
ANEXO E –
Structural Equation Modeling
– Modelo Alterado – BASE 2003.
Seguem abaixo os resultados de modelos testados através da SEM para a base de 2003,
tal qual foram originados no SPSS 15.0.
1. Figura 14 – Construto Inovação (Base Completa 2003)
0; ,07
Inovação
,01
ZCapital_humano
0; ,91
e1
1,00
1
-6,07
Ln_Intro_inov_tec
0; 2,00
e2
5,65
-7,25
Ln_Treinamento
0; 1,20
e3
5,28
1
-5,09
Ln_PeD_Interno
0; 1,40
e4
5,29
1
-4,41
Ln_Aq_maqui
0; 2,35
e5
3,77
1
-6,41
Ln_PeD_Externo
0; 2,06
e6
6,83
1
-6,38
Ln_Conhec_Externo
0; 1,42
e7
6,04
1
,00
ZRent_2004
,13
0; ,99
e_rent
1
1
279
Analysis Summary
Date and Time
Date: quinta-feira, 17 de abril de 2008
Time: 17:35:07
Title
ln_amos_2003: quinta-feira, 17 de abril de 2008 05:35
Inovação
,07
ZCapital_humano
e1
,27
,53
Ln_Intro_inov_tec
e2
,73
,62
Ln_Treinamento
e3
,79
,59
Ln_PeD_Interno
e4
,77
,30
Ln_Aq_maqui
e5
,55
,62
Ln_PeD_Externo
e6
,78
,64
Ln_Conhec_Externo
e7
,80
,00
ZRent_2004
,04
e_rent
280
Groups
Group number 1 (Group number 1)
Notes for Group (Group number 1)
The model is recursive.
Sample size = 1587
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
ZCapital_humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
ZRent_2004
Unobserved, exogenous variables
Inovação
e1
e3
e4
e5
e6
e7
e_rent
e2
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 9
0 0 0 0
9
Labeled 0
0 0 0 0
0
Unlabeled 7
0 9 0 8
24
Total 16
0 9 0 8
33
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
Result (Default model)
Minimum was achieved
Chi-square = 65,835
Degrees of freedom = 20
Probability level = ,000
281
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate
S.E.
C.R. PLabel
ZCapital_humano <--- Inovação
1,000
Ln_Intro_inov_tec <--- Inovação
5,645
1,507
3,746 ***par_1
Ln_Treinamento <--- Inovação
5,277
1,396
3,780 ***par_2
Ln_PeD_Interno <--- Inovação
5,293
1,399
3,784 ***par_3
Ln_Aq_maqui <--- Inovação
3,770
1,020
3,696 ***par_4
Ln_PeD_Externo <--- Inovação
6,831
1,846
3,701 ***par_5
Ln_Conhec_Externo <--- Inovação
6,035
1,616
3,734 ***par_6
ZRent_2004 <--- Inovação
,133
,273
,488 ,626par_7
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
ZCapital_humano <--- Inovação ,268
Ln_Intro_inov_tec <--- Inovação ,728
Ln_Treinamento <--- Inovação ,788
Ln_PeD_Interno <--- Inovação ,766
Ln_Aq_maqui <--- Inovação ,547
Ln_PeD_Externo <--- Inovação ,785
Ln_Conhec_Externo <--- Inovação ,803
ZRent_2004 <--- Inovação ,035
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
ZCapital_humano
,014 ,064 ,214 ,830par_8
Ln_Intro_inov_tec
-6,066 ,096 -63,188 ***par_9
Ln_Treinamento
-7,248 ,074 -97,706 ***par_10
Ln_PeD_Interno
-5,090 ,071 -72,154 ***par_11
Ln_Aq_maqui
-4,411 ,068 -64,471 ***par_12
Ln_PeD_Externo
-6,414 ,136 -47,062 ***par_13
Ln_Conhec_Externo
-6,383 ,106 -60,213 ***par_14
ZRent_2004
,002 ,066 ,028 ,978par_15
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
Inovação
,071 ,037 1,909 ,056par_16
e1
,911 ,086 10,576 ***par_17
e3
1,201 ,126 9,518 ***par_18
e4
1,396 ,130 10,739 ***par_19
e5
2,347 ,153 15,324 ***par_20
e6
2,057 ,300 6,845 ***par_21
e7
1,422 ,200 7,107 ***par_22
e_rent
,994 ,093 10,741 ***par_23
e2
2,002 ,200 10,023 ***par_24
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
ZRent_2004
,001
Ln_Conhec_Externo
,644
Ln_PeD_Externo
,616
282
Ln_Aq_maqui
,300
Ln_PeD_Interno
,587
Ln_Treinamento
,621
Ln_Intro_inov_tec
,530
ZCapital_humano
,072
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model)
ZRent_
2004
Ln_Conhec_
Externo
Ln_PeD_E
xterno
Ln_Aq_
maqui
Ln_PeD_I
nterno
Ln_Treina
mento
Ln_Intro_ino
v_tec
ZCapital_h
umano
Inovaç
ão
,001
,033 ,026 ,012 ,029 ,034 ,022 ,009
Minimization History (Default model)
Iteration
Negative
eigenvalues Condition #
Smallest
eigenvalue Diameter F NTries Ratio
0e
6 -33,649 9999,000 116591,416 0 9999,000
1e
3 -,484 5,621 14724,167 17 ,056
2e
1 -,006 1,780 5578,203 5 ,743
3e
1 -,002 2,544 3357,039 9 1,006
4e
2 -,034 11,951 1462,824 8 ,733
5e
0 150,854 1,946 609,255 6 ,941
6e
0 194,463 2,407 296,739 4 ,000
7e
0 269,050 1,355 113,372 1 1,167
8e
0 1003,759 1,111 84,108 1 1,215
9e
0 2912,940 1,394 76,006 1 1,049
10e
0 11427,467 ,933 70,242 1 1,208
11e
0 17482,305 1,642 69,658 1 ,246
12e
0 82675,368 ,657 66,529 1 1,067
13e
0 85468,309 1,303 66,326 1 ,421
14e
0 319091,215 ,351 65,872 1 1,040
15e
0 346997,402 ,511 65,840 1 ,941
16e
0 485172,435 ,065 65,835 1 1,015
17e
0 485540,127 ,017 65,835 1 1,003
18e
0 490524,248 ,000 65,835 1 1,000
Pairwise Parameter Comparisons (Default model)
Correlations of Estimates (Default model)
par
_1
par
_2
par
_3
par
_4
par
_5
par
_6
par
_7
par
_8
par
_9
par
_10
par
_11
par
_12
par
_13
par
_14
par
_15
par
_16
par
_17
par
_18
par
_19
par
_20
par
_21
par
_22
par
_23
par
_24
Par
_1
1,0
00
Par
_2
,95
8
1,0
00
Par
_3
,95
9
,96
9
1,0
00
Par
_4
,93
7
,94
7
,94
8
1,0
00
Par
_5
,93
8
,94
8
,94
9
,92
7
1,0
00
Par ,94 ,95 ,95 ,93 ,93
1,0
283
_6 7 7 8 6 8
00
Par
_7
,12
3
,12
4
,12
4
,12
2
,12
2
,12
3
1,0
00
Par
_8
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
Par
_9
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,09
7
1,0
00
Par
_10
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,10
6
,38
0
1,0
00
Par
_11
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,11
0
,39
7
,45
9
1,0
00
Par
_12
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,07
0
,25
4
,31
9
,31
6
1,0
00
Par
_13
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,08
0
,28
1
,34
0
,34
5
,22
3
1,0
00
Par
_14
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,08
6
,31
7
,37
7
,37
1
,25
0
,29
5
1,0
00
Par
_15
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
4
,01
3
,01
4
,01
4
,00
9
,01
0
,01
1
1,0
00
Par
_16
-
,96
9
-
,98
0
-
,98
2
-
,95
9
-
,95
8
-
,96
8
-
,12
6
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
Par
_17
,07
1
,07
2
,07
2
,07
0
,07
0
,07
1
,00
9
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
-
,07
2
1,0
00
Par
_18
,00
4
-
,07
9
,01
4
,01
1
,00
3
,00
6
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
4
-
,00
2
1,0
00
Par
_19
,00
6
,00
8
-
,08
5
,00
6
,00
1
,00
1
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
8
-
,00
4
-
,14
5
1,0
00
Par
_20
,00
2
,00
6
,00
6
-
,08
6
,00
1
,00
2
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
-
,00
2
,00
0
-
,05
2
-
,04
9
1,0
00
Par
_21
,00
1
,00
4
,00
6
,00
1
-
,08
7
,00
4
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
2
-
,00
1
-
,04
9
-
,06
4
-
,00
8
1,0
00
Par
_22
,00
3
,00
7
,00
7
,00
3
,00
4
-
,08
8
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
1
-
,00
1
-
,07
8
-
,06
8
-
,01
6
-
,04
0
1,0
00
Par
_23
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
-
,00
9
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
Par
_24
-
,07
8
,00
3
,00
8
,00
0
-
,00
1
,00
1
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
3
-
,00
2
-
,05
6
-
,09
4
-
,01
3
-
,01
9
-
,03
5
,00
0
1,0
00
Model Fit Summary
CMIN
Model
NPAR
CMIN DF P CMIN/DF
284
Default model 24 65,835 20 ,000 3,292
Saturated model 44 ,000 0
Independence model 8 831,944 36 ,000 23,110
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2 CFI
Default model ,921 ,858 ,944 ,896 ,942
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,512 ,524
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 45,835 24,956 74,317
Saturated model ,000 ,000 ,000
Independence model 795,944 705,755 893,543
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,042 ,029 ,016 ,047
Saturated model ,000 ,000 ,000 ,000
Independence model ,525 ,502 ,445 ,563
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,038 ,028 ,048 ,972
Independence model ,118 ,111 ,125 ,000
AIC
Model AIC BCC BIC CAIC
Default model 113,835 114,108
Saturated model 88,000 88,502
Independence model 847,944 848,035
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,072 ,059 ,090 ,072
Saturated model ,055 ,055 ,055 ,056
Independence model ,535 ,478 ,596 ,535
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 757 905
Independence model 98 112
Execution time summary
Minimization: ,125
Miscellaneous: ,203
Bootstrap: ,000
Total: ,328
285
2. Figura 15 – Construto Inovação (Base Restrita 2003)
0; ,08
Inovação
,00
ZCapital_humano
0; ,91
e1
1,00
1
-6,05
Ln_Intro_inov_tec
0; 2,24
e2
6,25
-7,38
Ln_Treinamento
0; 1,26
e3
5,11
1
-5,10
Ln_PeD_Interno
0; 1,47
e4
5,38
1
-4,60
Ln_Aq_maqui
0; 2,23
e5
3,88
1
-6,76
Ln_PeD_Externo
0; 2,81
e6
7,75
1
-6,51
Ln_Conhec_Externo
0; 1,67
e7
5,98
1
,00
ZRent_2004
,15
0; ,99
e_rent
1
1
286
Inovação
,08
ZCapital_humano
e1
,29
,59
Ln_Intro_inov_tec
e2
,77
,64
Ln_Treinamento
e3
,80
,62
Ln_PeD_Interno
e4
,79
,36
Ln_Aq_maqui
e5
,60
,64
Ln_PeD_Externo
e6
,80
,64
Ln_Conhec_Externo
e7
,80
,00
ZRent_2004
,04
e_rent
The model is recursive.
Sample size = 231
243)
Variable Summary (Group number 1)
244)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
ZCapital_humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
ZRent_2004
Unobserved, exogenous variables
Inovação
e1
e3
e4
e5
e6
e7
e_rent
e2
245)
Variable counts (Group number 1)
Number of variables in your model: 17
287
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts
Total
Fixed 9 0 0 0 0
9
Labeled 0 0 0 0 0
0
Unlabeled 7 0 9 0 8
24
Total 16 0 9 0 8
33
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
Result (Default model)
Minimum was achieved
Chi-square = 69,107
Degrees of freedom = 20
Probability level = ,000
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
ZCapital_humano <---
Inovação
1,000
Ln_Intro_inov_tec <---
Inovação
6,247
1,535
4,069
*** par_1
Ln_Treinamento <---
Inovação
5,114
1,252
4,084
*** par_2
Ln_PeD_Interno <---
Inovação
5,379
1,312
4,099
*** par_3
Ln_Aq_maqui <---
Inovação
3,878
,997
3,892
*** par_4
Ln_PeD_Externo <---
Inovação
7,755
1,975
3,927
*** par_5
Ln_Conhec_Externo
<---
Inovação
5,981
1,511
3,957
*** par_6
ZRent_2004 <---
Inovação
,153
,249
,614
,539 par_7
Standardized Regression Weights: (Group number 1 -
Default model)
Estimate
ZCapital_humano <---
Inovação ,290
Ln_Intro_inov_tec <---
Inovação ,771
Ln_Treinamento <---
Inovação ,797
Ln_PeD_Interno <---
Inovação ,789
Ln_Aq_maqui <---
Inovação ,601
Ln_PeD_Externo <---
Inovação ,801
288
Estimate
Ln_Conhec_Externo
<---
Inovação ,801
ZRent_2004 <---
Inovação ,044
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
ZCapital_humano ,000
,066
,000
1,000
par_8
Ln_Intro_inov_tec -6,049
,161
-37,580
***
par_9
Ln_Treinamento -7,379
,129
-57,166
***
par_10
Ln_PeD_Interno -5,099
,130
-39,194
***
par_11
Ln_Aq_maqui -4,596
,127
-36,176
***
par_12
Ln_PeD_Externo -6,762
,246
-27,518
***
par_13
Ln_Conhec_Externo
-6,512
,183
-35,648
***
par_14
ZRent_2004 ,000
,066
,000
1,000
par_15
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Inovação
,084
,040
2,076
,038
par_16
e1 ,912
,086
10,552
***
par_17
e3 1,255
,177
7,106
***
par_18
e4 1,471
,193
7,637
***
par_19
e5 2,229
,239
9,309
***
par_20
e6 2,807
,558
5,035
***
par_21
e7 1,669
,314
5,309
***
par_22
e_rent ,994
,093
10,720
***
par_23
e2 2,235
,294
7,611
***
par_24
Squared Multiple Correlations: (Group number 1 - Default
model)
Estimate
ZRent_2004 ,002
Ln_Conhec_Externo
,642
Ln_PeD_Externo ,642
Ln_Aq_maqui ,361
Ln_PeD_Interno ,622
Ln_Treinamento ,636
Ln_Intro_inov_tec ,594
ZCapital_humano ,084
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model)
ZRent_2004 Ln_Conhec_Externo Ln_PeD_Externo Ln_Aq_maqui
Inovação ,001 ,030 ,023 ,014
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition
#
Smallest
eigenvalue
Diameter
0 e 6 -82,466 9999,000
49898,485
1 e 2 -,912 6,320
4510,133
289
Iteration
Negative
eigenvalues
Condition
#
Smallest
eigenvalue
Diameter
2 e 2 -,014 1,527
1763,668
3 e 1 -,004 1,409
1113,468
4 e 1 -,039 7,928
669,840
5 e 1 -,011 3,505
447,531
6 e* 1 ,000 2,950
272,192
7 e 0 1002,614 3,786
105,142
8 e 0 1853,762 1,415
76,700
9 e 0 6315,565 1,646
71,862
10 e 0 18805,829 1,334
69,999
11 e 0 40977,344 1,289
69,351
12 e 0 86136,234 ,729
69,143
13 e 0 125024,974 ,500
69,109
14 e 0 143676,702 ,108
69,107
15 e 0 141986,362 ,011
69,107
16 e 0 146590,778 ,000
69,107
Pairwise Parameter Comparisons (Default model)
Correlations of Estimates (Default model)
par_1 par_2 par_3 par_4 par_5 par_6 par_7
par_8
par_1 1,000
par_2 ,929 1,000
par_3 ,932 ,935 1,000
par_4 ,885 ,889 ,892 1,000
par_5 ,893 ,898 ,900 ,855 1,000
par_6 ,900 ,905 ,907 ,861 ,873 1,000
par_7 ,140 ,140 ,141 ,133 ,135 ,136 1,000
par_8 ,000 ,000 ,000 ,000 ,000 ,000 ,000
1,000
par_9 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,215
par_10 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,219
par_11 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,229
par_12 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,169
par_13 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,17
par_14 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,181
par_15 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,013
par_16 -,944 -,948 -,952 -,903 -,911 -,918 -,142
,000
par_17 ,067 ,068 ,068 ,064 ,065 ,065 ,010
,000
par_18 ,006 -,084 ,009 ,002 ,002 ,002 ,000
,000
par_19 ,003 ,002 -,094 -,001 -,005 -,005 ,000
,000
par_20 ,001 ,001 ,003 -,069 ,000 ,000 ,000
,000
par_21 ,002 ,004 ,004 ,001 -,096 ,003 ,000
,000
par_22 ,002 ,004 ,004 ,001 ,003 -,093 ,000
,000
par_23 ,000 ,000 ,000 ,000 ,000 ,000 -,010
,000
par_24 -,084 ,005 ,009 ,001 -,001 ,000 ,000
,000
290
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 24 69,107 20 ,000 3,455
Saturated model 44 ,000 0
Independence model 8 489,544 36 ,000 13,598
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,859 ,746 ,895 ,805 ,892
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,477 ,495
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 49,107 27,515 78,292
Saturated model ,000 ,000 ,000
Independence model 453,544 385,787 528,743
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,300 ,214 ,120 ,340
Saturated model ,000 ,000 ,000 ,000
Independence model 2,128 1,972 1,677 2,299
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,103 ,077 ,130 ,001
Independence model ,234 ,216 ,253 ,000
AIC
Model AIC BCC BIC CAIC
Default model 117,107 119,062
Saturated model 88,000 91,584
Independence model 505,544 506,196
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,509 ,415 ,636 ,518
Saturated model ,383 ,383 ,383 ,398
Independence model 2,198 1,903 2,525 2,201
HOELTER
Model
HOELTER
.05
HOELTER
.01
291
Model
HOELTER
.05
HOELTER
.01
Default model 105 126
Independence model 24 28
Execution time summary
Minimization: ,078
Miscellaneous: ,079
Bootstrap: ,000
Total: ,157
292
3.
Figura 16 – Construto Inovação Alterado II (Base Completa 2003)
Sample size = 1587
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
ZCapital_humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Rent_2004
Unobserved, exogenous variables
Inovação
e2
e3
e4
e5
e6
e7
e_rent
e1
Variable counts (Group number 1)
Number of variables in your model: 17
0; ,07
Inovação
,01
ZCapital_humano
0; ,91
e1
1,00
-6,07
Ln_Intro_inov_tec
0; 2,02
e2
5,51
1
-7,25
Ln_Treinamento
0; 1,20
e3
5,18
1
-5,09
Ln_PeD_Interno
0; 1,39
e4
5,20
1
-4,41
Ln_Aq_maqui
0; 2,36
e5
3,68
1
-6,41
Ln_PeD_Externo
0; 2,07
e6
6,69
1
-6,38
Ln_Conhec_Externo
0; 1,41
e7
5,93
1
-3,31
Ln_q_Rent_2004
1,87
0; 7,29
e_rent
1
1
293
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 9
0 0 0 0
9
Labeled 0
0 0 0 0
0
Unlabeled 7
0 9 0 8
24
Total 16
0 9 0 8
33
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
Result (Default model)
Minimum was achieved
Chi-square = 70,347
Degrees of freedom = 20
Probability level = ,000
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate
S.E.
C.R. PLabel
ZCapital_humano <--- Inovação
1,000
Ln_Intro_inov_tec <--- Inovação
5,509
1,440
3,825 ***par_1
Ln_Treinamento <--- Inovação
5,181
1,341
3,863 ***par_2
Ln_PeD_Interno <--- Inovação
5,199
1,344
3,867 ***par_3
Ln_Aq_maqui <--- Inovação
3,681
,976
3,772 ***par_4
Ln_PeD_Externo <--- Inovação
6,687
1,770
3,777 ***par_5
Ln_Conhec_Externo <--- Inovação
5,931
1,555
3,815 ***par_6
Ln_q_Rent_2004 <--- Inovação
1,866
,860
2,168 ,030par_7
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
ZCapital_humano <--- Inovação ,274
Ln_Intro_inov_tec <--- Inovação ,725
Ln_Treinamento <--- Inovação ,789
Ln_PeD_Interno <--- Inovação ,767
Ln_Aq_maqui <--- Inovação ,545
Ln_PeD_Externo <--- Inovação ,783
Ln_Conhec_Externo <--- Inovação ,805
Ln_q_Rent_2004 <--- Inovação ,184
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
ZCapital_humano
,014 ,064 ,215 ,830par_8
Ln_Intro_inov_tec
-6,065 ,096 -63,127 ***par_9
294
Ln_Treinamento
-7,246 ,074 -97,661 ***par_10
Ln_PeD_Interno
-5,091 ,071 -72,168 ***par_11
Ln_Aq_maqui
-4,411 ,068 -64,458 ***par_12
Ln_PeD_Externo
-6,414 ,136 -47,005 ***par_13
Ln_Conhec_Externo
-6,384 ,106 -60,343 ***par_14
Ln_q_Rent_2004
-3,312 ,179 -18,504 ***par_15
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
Inovação
,074 ,038 1,952 ,051par_16
e2
2,020 ,200 10,092 ***par_17
e3
1,198 ,126 9,513 ***par_18
e4
1,388 ,130 10,716 ***par_19
e5
2,355 ,153 15,361 ***par_20
e6
2,071 ,301 6,876 ***par_21
e7
1,407 ,199 7,077 ***par_22
e_rent
7,287 ,683 10,668 ***par_23
e1
,908 ,086 10,570 ***par_24
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Ln_q_Rent_2004
,034
Ln_Conhec_Externo
,648
Ln_PeD_Externo
,614
Ln_Aq_maqui
,297
Ln_PeD_Interno
,589
Ln_Treinamento
,623
Ln_Intro_inov_tec
,525
ZCapital_humano
,075
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model)
Ln_q_Ren
t_2004
Ln_Conhec_
Externo
Ln_PeD_
Externo
Ln_Aq_
maqui
Ln_PeD_I
nterno
Ln_Treina
mento
Ln_Intro_in
ov_tec
ZCapital_h
umano
Inova
ção
,002 ,034
,026
,013 ,030 ,035
,022
,009
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue Diameter F NTries Ratio
0e
7
-33,918 9999,000 121419,704 0 9999,000
1e
3
-,500 5,902 17186,613 17 ,052
2e
1
-,007 1,907 6521,130 5 ,745
3e
1
-,003 2,545 3912,561 9 1,048
4e
2
-,028 11,239 1856,356 8 ,798
5e*
0
883,342 2,661 940,892 5 ,865
6e
0
600,656 4,317 521,587 4 ,000
7e
0
302,633 2,405 183,211 1 1,106
8e
0
1017,461 1,596 104,392 1 1,226
9e
0
3060,094 1,948 86,878 1 ,875
10e
0
11861,730 1,091 74,465 1 1,104
11e
0
18099,543 1,633 73,810 1 ,284
295
12e
0
82416,526 ,636 70,937 1 1,065
13e
0
86084,113 1,231 70,726 1 ,503
14e
0
299452,387 ,323 70,373 1 1,040
15e
0
334579,732 ,428 70,350 1 ,972
16e
0
421096,118 ,047 70,347 1 1,011
17e
0
440197,666 ,008 70,347 1 1,002
18e
0
421349,429 ,000 70,347 1 1,010
Pairwise Parameter Comparisons (Default model)
Correlations of Estimates (Default model)
par
_1
par
_2
par
_3
par
_4
par
_5
par
_6
par
_7
par
_8
par
_9
par
_10
par
_11
par
_12
par
_13
par
_14
par
_15
par
_16
par
_17
par
_18
par
_19
par
_20
par
_21
par
_22
par
_23
par
_24
par
_1
1,0
00
par
_2
,95
6
1,0
00
par
_3
,95
7
,96
8
1,0
00
par
_4
,93
4
,94
4
,94
5
1,0
00
par
_5
,93
5
,94
6
,94
7
,92
3
1,0
00
par
_6
,94
5
,95
5
,95
6
,93
3
,93
5
1,0
00
par
_7
,53
5
,54
0
,54
1
,52
7
,52
8
,53
4
1,0
00
par
_8
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
par
_9
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,09
9
1,0
00
par
_10
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,10
9
,37
8
1,0
00
par
_11
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,11
3
,39
6
,46
0
1,0
00
par
_12
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,07
1
,25
1
,31
8
,31
5
1,0
00
par
_13
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,08
1
,27
9
,33
9
,34
5
,22
1
1,0
00
par
_14
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,08
8
,31
7
,38
0
,37
4
,25
0
,29
6
1,0
00
par
_15
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,02
2
,06
6
,07
2
,07
5
,04
8
,05
4
,05
9
1,0
00
par
_16
-
,96
8
-
,97
9
-
,98
1
-
,95
7
-
,95
6
-
,96
7
-
,54
6
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
par
_17
-
,07
9
,00
3
,00
8
,00
0
-
,00
1
,00
1
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
3
1,0
00
par
_18
,00
4
-
,08
,01
4
,01
1
,00
3
,00
6
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
4
-
,05
1,0
00
296
1 4
par
_19
,00
6
,00
9
-
,08
7
,00
6
,00
1
,00
1
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
8
-
,09
2
-
,14
7
1,0
00
par
_20
,00
2
,00
6
,00
6
-
,08
7
,00
1
,00
2
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
-
,00
2
-
,01
2
-
,05
1
-
,04
8
1,0
00
par
_21
,00
1
,00
4
,00
6
,00
1
-
,08
8
,00
4
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
1
-
,01
8
-
,04
8
-
,06
3
-
,00
8
1,0
00
par_
22
,00
3
,00
8
,00
7
,00
3
,00
4
-
,08
9
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,002
-
,034
-
,079
-
,069
-
,016
-
,040
1,00
0
par_
23
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
-
,04
1
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,000
-
,001
-
,001
-
,002
,000 ,000 ,000
1,00
0
par_
24
,07
2
,07
3
,07
3
,07
1
,07
1
,07
2
,04
1
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000
-
,073
-
,002
-
,003
-
,004
,000
-
,001
-
,001
,000
1,00
0
Model Fit Summary
CMIN
Model NP
AR
CMIN DF P CMIN/DF
Default model 24 70,347 20 ,000 3,517
Saturated model 44 ,000 0
Independence model 8 844,280 36 ,000 23,452
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,917 ,850 ,939 ,888 ,938
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,509 ,521
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 50,347 28,490 79,794
Saturated model ,000 ,000 ,000
Independence model 808,280 717,385 906,587
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,044 ,032 ,018 ,050
Saturated model ,000 ,000 ,000 ,000
Independence model ,532 ,510 ,452 ,572
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,040 ,030 ,050 ,947
Independence model ,119 ,112 ,126 ,000
AIC
Model AIC BCC BIC CAIC
Default model 118,347 118,621
Saturated model 88,000 88,502
Independence model 860,280 860,371
297
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,075 ,061 ,093 ,075
Saturated model ,055 ,055 ,055 ,056
Independence model ,542 ,485 ,604 ,542
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 709 847
Independence model 96 111
Execution time summary
Minimization: ,125
Miscellaneous: ,203
Bootstrap: ,000
Total: ,328
298
4. Figura 17 – Construto Inovação Alterado II (Base Restrita
2003)
0; ,09
Inovação
,00
ZCapital_humano
0; ,91
e1
1,00
-6,05
Ln_Intro_inov_tec
0; 2,27
e2
6,07
1
-7,37
Ln_Treinamento
0; 1,25
e3
5,02
1
-5,10
Ln_PeD_Interno
0; 1,45
e4
5,28
1
-4,60
Ln_Aq_maqui
0; 2,25
e5
3,76
1
-6,76
Ln_PeD_Externo
0; 2,84
e6
7,55
1
-6,51
Ln_Conhec_Externo
0; 1,63
e7
5,87
1
-3,34
Ln_q_Rent_2004
1,86
0; 7,29
e_rent
1
1
299
Inovação
,09
ZCapital_humano
e1
,30
,59
Ln_Intro_inov_tec
e2
,77
,64
Ln_Treinamento
e3
,80
,63
Ln_PeD_Interno
e4
,79
,36
Ln_Aq_maqui
e5
,60
,64
Ln_PeD_Externo
e6
,80
,65
Ln_Conhec_Externo
e7
,81
,04
Ln_q_Rent_2004
,20
e_rent
Analysis Summary
Date and Time
Date: domingo, 25 de maio de 2008
Time: 06:46:07
Title
ln_q_amos_2003_12jan09: domingo, 25 de maio de 2008 06:46
Groups
Group number 1 (Group number 1)
Notes for Group (Group number 1)
The model is recursive.
Sample size = 231
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
ZCapital_humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Ln_q_Rent_2004
Unobserved, exogenous variables
Inovação
e2
e3
e4
e5
e6
e7
300
e_rent
e1
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights Covariances Variances
Means
Fixed 9 0 0
Labeled 0 0 0
Unlabeled 7 0 9
Total 16 0 9
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
Result (Default model)
Minimum was achieved
Chi-square = 71,811
Degrees of freedom = 20
Probability level = ,000
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
ZCapital_humano <---
Inovação
1,000
Ln_Intro_inov_tec <---
Inovação
6,069
1,458
4,161
*** par_1
Ln_Treinamento <---
Inovação
5,018
1,200
4,182
*** par_2
Ln_PeD_Interno <---
Inovação
5,277
1,256
4,200
*** par_3
Ln_Aq_maqui <---
Inovação
3,763
,948
3,969
*** par_4
Ln_PeD_Externo <---
Inovação
7,555
1,884
4,010
*** par_5
Ln_Conhec_Externo
<---
Inovação
5,874
1,450
4,052
*** par_6
Ln_q_Rent_2004 <---
Inovação
1,856
,780
2,379
,017 par_7
246)
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
ZCapital_humano <---
Inovação ,297
Ln_Intro_inov_tec <---
Inovação ,766
Ln_Treinamento <---
Inovação ,799
Ln_PeD_Interno <---
Inovação ,791
Ln_Aq_maqui <---
Inovação ,596
Ln_PeD_Externo <---
Inovação ,799
Ln_Conhec_Externo
<---
Inovação ,806
Ln_q_Rent_2004 <---
Inovação ,199
247)
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
ZCapital_humano
,000
,066
,000
1,000
par_8
301
Estimate S.E. C.R. P Label
Ln_Intro_inov_tec
-6,046
,161
-37,568
***
par_9
Ln_Treinamento
-7,375
,129
-57,074
***
par_10
Ln_PeD_Interno
-5,099
,130
-39,194
***
par_11
Ln_Aq_maqui
-4,595
,127
-36,167
***
par_12
Ln_PeD_Externo
-6,760
,246
-27,482
***
par_13
Ln_Conhec_Externo
-6,512
,182
-35,772
***
par_14
Ln_q_Rent_2004
-3,338
,182
-18,373
***
par_15
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Inovação
,088
,041
2,127
,033
par_16
e2
2,273
,295
7,697
***
par_17
e3
1,249
,176
7,097
***
par_18
e4
1,454
,191
7,612
***
par_19
e5
2,247
,241
9,340
***
par_20
e6
2,840
,560
5,070
***
par_21
e7
1,634
,310
5,278
***
par_22
e_rent
7,291
,685
10,647
***
par_23
e1
,908
,086
10,545
***
par_24
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Ln_q_Rent_2004
,040
Ln_Conhec_Externo
,649
Ln_PeD_Externo
,638
Ln_Aq_maqui
,356
Ln_PeD_Interno
,626
Ln_Treinamento
,638
Ln_Intro_inov_tec
,587
ZCapital_humano
,088
248)
Matrices (Group number 1 - Default model)
249)
Factor Score Weights (Group number 1 - Default model)
Ln_q_Rent_2004 Ln_Conhec_Externo Ln_PeD_Externo Ln_Aq_maqui Ln_PeD_Interno
Ln_Treinamento
Inovação ,002 ,031 ,023 ,014 ,031
250)
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 7 -88,984 9999,000 54706,830 0 9999,000
1 e 2 -,861 7,292 6182,629 15 ,042
2 e 2 -,041 1,608 2614,283 5 ,902
3 e 2 -,005 1,520 1595,747 8 1,159
4 e 2 -,040 8,728 913,570 10 ,984
5 e 1 -,008 3,216 546,175 4 ,976
6 e 1 ,000 2,977 309,347 6 1,017
7 e 0 802,520 3,002 143,469 5 ,931
8 e 0 1685,269 2,418 86,278 1 1,029
9 e 0 4997,496 1,682 75,252 1 1,169
10 e 0 13726,866 1,818 73,232 1 ,937
11 e 0 39750,416 ,908 72,071 1 1,126
12 e 0 65146,083 1,061 71,864 1 1,015
13 e 0 108038,662 ,312 71,813 1 1,065
14 e 0 120797,319 ,134 71,811 1 1,024
302
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries Ratio
15 e 0 120893,600 ,005 71,811 1 1,002
16 e 0 120797,168 ,000 71,811 1 1,000
251)
Pairwise Parameter Comparisons (Default model)
252)
Correlations of Estimates (Default model)
par_1 par_2 par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 par_11 par_12
par_
par_1 1,000
par_2 ,925 1,000
par_3 ,928 ,933 1,000
par_4 ,878 ,882 ,886 1,000
par_5 ,887 ,893 ,895 ,846 1,000
par_6 ,897 ,902 ,905 ,855 ,868 1,000
par_7 ,526 ,529 ,531 ,502 ,507 ,512 1,000
par_8 ,000 ,000 ,000 ,000 ,000 ,000 ,000 1,000
par_9 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,218 1,000
par_10 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,225 ,566 1,000
par_11 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,235 ,582 ,600 1,000
par_12 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,171 ,430 ,443 ,457 1,000
par_13 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,178 ,445 ,469 ,474 ,350
1,000
par_14 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,187 ,470 ,493 ,498 ,368
,408
par_15 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,059 ,147 ,151 ,158 ,115
,11
par_16 -,941 -,946 -,951 -,897 -,906 -,916 -,538 ,000 ,000 ,000 ,000 ,000
,000
par_17 -,084 ,004 ,009 ,001 -,001 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_18 ,006 -,086 ,010 ,002 ,002 ,002 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_19 ,003 ,002 -,096 -,001 -,005 -,004 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_20 ,001 ,001 ,003 -,069 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_21 ,002 ,004 ,004 ,001 -,097 ,003 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_22 ,002 ,004 ,005 ,001 ,003 -,094 ,000 ,000 ,000 ,000 ,000 ,000
,000
par_23 ,000 ,000 ,000 ,000 ,000 ,000 -,039 ,000 ,000 ,000 ,000 ,000
,000
par_24 ,068 ,069 ,069 ,065 ,065 ,066 ,039 ,000 ,000 ,000 ,000 ,000
,000
253)
Model Fit Summary
254)
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 24 71,811 20 ,000 3,591
Saturated model 44 ,000 0
Independence model 8 499,763 36 ,000 13,882
255)
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,856 ,741 ,892 ,799 ,888
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
256)
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,476 ,493
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
257)
NCP
Model NCP LO 90 HI 90
Default model 51,811 29,645 81,563
Saturated model ,000 ,000 ,000
303
Model NCP LO 90 HI 90
Independence model 463,763 395,235 539,731
258)
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,312 ,225 ,129 ,355
Saturated model ,000 ,000 ,000 ,000
Independence model 2,173 2,016 1,718 2,347
259)
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,106 ,080 ,133 ,000
Independence model ,237 ,218 ,255 ,000
260)
AIC
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,521 ,425 ,650 ,529
Saturated model ,383 ,383 ,383 ,398
Independence model 2,242 1,944 2,573 2,245
261)
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 101 121
Independence model 24 27
262)
Execution time summary
Minimization: ,078
Miscellaneous: ,063
Bootstrap: ,000
Total: ,141
Model AIC BCC BIC CAIC
Default model 119,811 121,766
Saturated model 88,000 91,584
Independence model 515,763 516,414
304
ANEXO F –
Structural Equation Modeling
– Modelo Alterado – BASE 2000.
Seguem abaixo os resultados de modelos testados através da SEM para a base de 2000,
tal qual foram originados no SPSS 15.0. AMOS 17.0.
1. Figura 18 – Construto Inovação (Base Completa 2000)
0; ,01
Inovação
,00
Capital_Humano
0; ,99
e1
1,00
1
-6,10
Ln_Intro_inov_tec
0; 1,95
e2
12,53
1
-6,98
Ln_Treinamento
0; 1,07
e3
12,65
1
-5,03
Ln_PeD_Interno
0; 1,56
e4
11,16
1
-4,08
Ln_Aq_maqui
0; 2,04
e5
9,83
1
-6,22
Ln_PeD_Externo
0; 2,07
e6
11,53
1
-5,97
Ln_Conhec_Externo
0; 1,84
e7
12,27
1
,00
Rent_2001
-,22
0; 1,00
e_rent
1
305
Sample size = 1714
Variable Summary (Group number 1)
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Capital_Humano
Ln_Intro_inov_tec
Ln_Treinamento
Ln_PeD_Interno
Ln_Aq_maqui
Ln_PeD_Externo
Ln_Conhec_Externo
Rent_2001
Unobserved, exogenous variables
Inovação
e1
e2
e3
e4
e5
e6
e7
e_rent
Variable counts (Group number 1)
Number of variables in your model: 17
Number of observed variables: 8
Number of unobserved variables: 9
Number of exogenous variables: 9
Inovação
,01
Capital_Humano
e1
,12
,52
Ln_Intro_inov_tec
e2
,72
,67
Ln_Treinamento
e3
,82
,52
Ln_PeD_Interno
e4
,72
,39
Ln_Aq_maqui
e5
,62
,46
Ln_PeD_Externo
e6
,68
,52
Ln_Conhec_Externo
e7
,72
,00
Rent_2001
-,03
e_rent
306
Number of endogenous variables: 8
Parameter summary (Group number 1)
Weights
Covariances Variances Means Intercepts
Total
Fixed 9
0 0 0 0
9
Labeled 0
0 0 0 0
0
Unlabeled 7
0 9 0 8
24
Total 16
0 9 0 8
33
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 44
Number of distinct parameters to be estimated: 24
Degrees of freedom (44 - 24): 20
Result (Default model)
Minimum was achieved
Chi-square = 128,626
Degrees of freedom = 20
Probability level = ,000
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate
S.E.
C.R. PLabel
Capital_Humano <--- Inovação
1,000
Ln_Intro_inov_tec <--- Inovação
12,530
3,927
3,190 ,001par_1
Ln_Treinamento <--- Inovação
12,651
3,938
3,212 ,001par_2
Ln_PeD_Interno <--- Inovação
11,162
3,485
3,203 ,001par_3
Ln_Aq_maqui <--- Inovação
9,830
3,082
3,189 ,001par_4
Ln_PeD_Externo <--- Inovação
11,525
3,686
3,127 ,002par_5
Ln_Conhec_Externo <--- Inovação
12,274
3,875
3,167 ,002par_6
Rent_2001 <--- Inovação -
,225
,318
-,706 ,480par_7
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Capital_Humano <--- Inovação ,116
Ln_Intro_inov_tec <--- Inovação ,721
Ln_Treinamento <--- Inovação ,817
Ln_PeD_Interno <--- Inovação ,720
Ln_Aq_maqui <--- Inovação ,623
Ln_PeD_Externo <--- Inovação ,680
Ln_Conhec_Externo <--- Inovação ,724
Rent_2001 <--- Inovação -,026
Intercepts: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
Capital_Humano
,000 ,025 ,009 ,993par_8
Ln_Intro_inov_tec
-6,098 ,080 -76,496 ***par_9
Ln_Treinamento
-6,982 ,063 -111,371 ***par_10
Ln_PeD_Interno
-5,034 ,061 -82,060 ***par_11
Ln_Aq_maqui
-4,083 ,059 -69,222 ***par_12
Ln_PeD_Externo
-6,221 ,106 -58,660 ***par_13
Ln_Conhec_Externo
-5,971 ,092 -64,822 ***par_14
Rent_2001
,000 ,025 -,002 ,998par_15
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. PLabel
Inovação
,013 ,008 1,615 ,106par_16
e1
,986 ,035 27,934 ***par_17
e2
1,948 ,163 11,928 ***par_18
307
e3
1,069 ,108 9,941 ***par_19
e4
1,557 ,114 13,716 ***par_20
e5
2,044 ,123 16,679 ***par_21
e6
2,070 ,229 9,035 ***par_22
e7
1,841 ,190 9,701 ***par_23
e_rent
,999 ,035 28,326 ***par_24
Squared Multiple Correlations: (Group number 1 - Default model)
Estimate
Rent_2001
,001
Ln_Conhec_Externo
,524
Ln_PeD_Externo
,463
Ln_Aq_maqui
,388
Ln_PeD_Interno
,518
Ln_Treinamento
,668
Ln_Intro_inov_tec
,520
Capital_Humano
,013
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model)
Rent_20
01
Ln_Conhec_Ext
erno
Ln_PeD_Ext
erno
Ln_Aq_m
aqui
Ln_PeD_Inte
rno
Ln_Treiname
nto
Ln_Intro_inov_
tec
Capital_Hum
ano
Inovaçã
o
,000 ,012 ,010 ,008 ,012 ,020 ,011 ,002
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition #
Smallest
eigenvalue
Diameter F NTries
Ratio
0e 6
-30,681 9999,000 154202,312 0
9999,000
1e 3
-,389 5,613 17658,571 17
,076
2e 1
-,007 1,652 8323,676 5
,798
3e 1
-,061 9,189 4217,351 12
,773
4e 1
-,009 2,268 2753,530 6
,719
5e*
0
41190,667
3,249 1885,707 5
,526
6e 2
-,015 5,020 1235,401 5
,000
7e 0
1811,902
2,257 482,895 5
,684
8e 0
2196,225
3,259 278,882 1
,926
9e 0
10899,175
1,967 233,474 2
,000
10e 0
29148,484
1,594 167,364 1
1,146
11e 0
100227,911
2,881 158,254 1
,558
12e 0
416661,280
1,717 139,259 1
1,118
13e 0
647012,836
1,714 135,578 2
,000
14e 0
1603152,694
2,237 132,253 1
1,279
15e 0
3821967,243
2,035 130,397 1
1,297
16e 0
7388090,075
2,014 129,441 1
1,255
17e 0
17004637,032
1,576 128,942 1
1,287
18e 0
25647300,104
1,561 128,731 1
1,200
19e 0
53119858,638
,898 128,648 1
1,224
20e 0
68547589,901
,740 128,629 1
1,127
21e 0
87950549,203
,205 128,626 1
1,073
22e 0
89617709,097
,044 128,626 1
1,013
23e 0
87098019,205
,001 128,626 1
1,000
Pairwise Parameter Comparisons (Default model)
Correlations of Estimates (Default model)
par
_1
par
_2
par
_3
par
_4
par
_5
par
_6
par
_7
par
_8
par
_9
par_
10
par_
11
par_
12
par_
13
par_
14
par_
15
par_
16
par_
17
par_
18
par_
19
par_
20
par_
21
par_
22
pa
r_
23
par_
24
par_
1
1,0
00
par_
2
,97
9
1,0
00
308
par_
3
,97
6
,98
2
1,0
00
par_
4
,97
2
,97
9
,97
6
1,0
00
par_
5
,95
3
,95
9
,95
7
,95
3
1,0
00
par_
6
,96
5
,97
1
,96
9
,96
5
,94
6
1,0
00
par_
7
-
,21
7
-
,21
9
-
,21
8
-
,21
7
-
,21
3
-
,21
6
1,0
00
par_
8
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
1,0
00
par_
9
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,05
0
1,0
00
par_
10
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,06
4
,42
1
1,00
0
par_
11
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,05
7
,37
7
,461
1,00
0
par_
12
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,05
3
,31
0
,411 ,351
1,00
0
par_
13
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,03
4
,22
9
,290 ,256 ,217
1,00
0
par_
14
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,04
2
,27
7
,355 ,310 ,265 ,201
1,00
0
par_
15
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
-
,00
3
-
,01
1
-
,014
-
,013
-
,012
-
,008
-
,009
1,00
0
par_
16
-
,98
4
-
,99
1
-
,98
8
-
,98
4
-
,96
4
-
,97
6
,22
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000
1,00
0
par_
17
,12
1
,12
2
,12
1
,12
1
,11
8
,12
0
-
,02
7
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000
-
,123
1,00
0
par_
18
-
,05
8
,00
6
,00
4
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,002
-
,001
1,00
0
par_
19
,00
4
-
,06
8
,00
7
,00
8
,00
0
,00
3
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,009
-
,002
-
,112
1,00
0
par_
20
-
,00
1
,00
4
-
,06
3
-
,00
1
-
,00
3
-
,00
3
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,007
-
,002
-
,061
-
,145
1,00
0
par_
21
-
,00
7
-
,00
1
-
,00
5
-
,06
7
-
,00
7
-
,00
7
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,008
-
,002
-
,018
-
,115
-
,041
1,00
0
par_
22
,00
0
,00
2
,00
1
,00
0
-
,07
2
,00
0
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000
-
,012
-
,049
-
,024
-
,011
1,00
0
par_
23
,00
0
,00
4
,00
2
,00
0
,00
0
-
,06
8
,00
0
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,002 ,000
-
,018
-
,084
-
,035
-
,016
-
,013
1,00
0
par_
24
,00
0
,00
0
,00
0
,00
0
,00
0
,00
0
,02
7
,00
0
,00
0
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000
,000 ,000 ,000 ,000 ,000
1,00
0
Model Fit Summary
CMIN
Model
NPAR
CMIN DF P CMIN/DF
Default model 24 128,626 20 ,000 6,431
309
Saturated model 44 ,000 0
Independence model 8 1078,049 36 ,000 29,946
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model ,881 ,785 ,897 ,812 ,896
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,556 ,489 ,498
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 108,626 76,474 148,279
Saturated model ,000 ,000 ,000
Independence model 1042,049 938,602 1152,895
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,075 ,063 ,045 ,087
Saturated model ,000 ,000 ,000 ,000
Independence model ,629 ,608 ,548 ,673
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,056 ,047 ,066 ,123
Independence model ,130 ,123 ,137 ,000
AIC
Model AIC BCC BIC CAIC
Default model 176,626 176,880
Saturated model 88,000 88,465
Independence model 1094,049 1094,134
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,103 ,084 ,126 ,103
Saturated model ,051 ,051 ,051 ,052
Independence model ,639 ,578 ,703 ,639
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model 419 501
Independence model 82 94
Execution time summary
Minimization: ,156
Miscellaneous: ,157
Bootstrap: ,000
Total: ,313
310
ANEXO G –
Structural Equation Modeling
– Modelo IBI – BASE 2005.
Seguem abaixo os resultados do modelo IBI testado através da SEM para a base 2005,
tal qual foram originados no SPSS 15.0. AMOS 17.0.
0
Rent_2006
IAI
IARH
IRV
PeD_Interno_cnae
Aq_maqui_cnae
PeD_Externo_cnae
Conhec_Externo_cnae
Treinamento_cnae
Intro_inov_tec_cnae
Dout_cnae
Mest_cnae
Grad_cnae
Rec_empr_novos_cnae
Rec_bra_novos_cnae
Rec_mund_novos_cnae
0,15
Intro_proj_tec_cnae
0;
e_IBI
0;
e7
0;
e14
0;
e13
0;
e12
0;
e6
0;
e5
0;
e4
0;
e3
0;
e2
0;
e1
0;
e11
0;
e9
0;
e10
0;
e15
0;
e16
0;
e17
The model is recursive.
Sample size = 1563
Observed, endogenous variables
PeD_Interno_cnae
Aq_maqui_cnae
PeD_Externo_cnae
Conhec_Externo_cnae
Treinamento_cnae
Intro_inov_tec_cnae
Dout_cnae
Mest_cnae
311
Grad_cnae
Rec_empr_novos_cnae
Rec_bra_novos_cnae
Rec_mund_novos_cnae
Intro_proj_tec_cnae
Rent_2006
Unobserved, endogenous variables
IAI
IARH
IRV
Unobserved, exogenous variables
e_IBI
e7
e14
e13
e12
e6
e5
e4
e3
e2
e1
e11
e9
e10
e15
e16
e17
Variable counts (Group number 1)
Number of variables in your model: 34
Number of observed variables: 14
Number of unobserved variables: 20
Number of exogenous variables: 17
Number of endogenous variables: 17
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 1 0 0 0 0 1
Labeled 0 0 0 0 0 0
Unlabeled 32 0 17 0 16 65
Total 33 0 17 0 16 66
Models
Default model (Default model)
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
312
Number of distinct sample moments: 119
Number of distinct parameters to be estimated: 65
Degrees of freedom (119 - 65): 54
Result (Default model)
The model is probably unidentified. In order to achieve identifiability, it will probably be
necessary to impose 21 additional constraints.
Group number 1 (Group number 1 - Default model)
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
The (probably) unidentified parameters are marked.
Regression Weights: (Group number 1 - Default model)
IAI <---
e15
unidentified
IARH <---
e16
unidentified
IRV <---
e17
unidentified
PeD_Interno_cnae <---
IAI
Aq_maqui_cnae <---
IAI
PeD_Externo_cnae <---
IAI
Conhec_Externo_cnae
<---
IAI
Treinamento_cnae <---
IAI
Intro_inov_tec_cnae <---
IAI
Dout_cnae <---
IARH
unidentified
Mest_cnae <---
IARH
unidentified
Grad_cnae <---
IARH
unidentified
Rec_empr_novos_cnae
<---
IRV
unidentified
Rec_bra_novos_cnae <---
IRV
unidentified
Rec_mund_novos_cnae
<---
IRV
unidentified
Intro_proj_tec_cnae <---
IAI
Rent_2006 <---
e_IBI
unidentified
Intro_proj_tec_cnae <---
e7
unidentified
Rec_mund_novos_cnae
<---
e14
unidentified
Rec_bra_novos_cnae <---
e13
unidentified
Rec_empr_novos_cnae
<---
e12
unidentified
Intro_inov_tec_cnae <---
e6
unidentified
Treinamento_cnae <---
e5
unidentified
Conhec_Externo_cnae <---
e4
unidentified
PeD_Externo_cnae <---
e3
unidentified
Aq_maqui_cnae <---
e2
unidentified
PeD_Interno_cnae <---
e1
unidentified
Grad_cnae <---
e11
unidentified
Dout_cnae <---
e9
unidentified
Mest_cnae <---
e10
unidentified
Rent_2006 <---
IRV
unidentified
Rent_2006 <---
IAI
313
Rent_2006 <---
IARH
unidentified
Intercepts: (Group number 1 - Default model)
IAI
unidentified
IARH
unidentified
IRV
unidentified
PeD_Interno_cnae
unidentified
Aq_maqui_cnae
unidentified
PeD_Externo_cnae
unidentified
Conhec_Externo_cnae
unidentified
Treinamento_cnae
unidentified
Intro_inov_tec_cnae
unidentified
Dout_cnae
unidentified
Mest_cnae
unidentified
Grad_cnae
unidentified
Rec_empr_novos_cnae
unidentified
Rec_bra_novos_cnae
unidentified
Rec_mund_novos_cnae
unidentified
Intro_proj_tec_cnae
unidentified
Variances: (Group number 1 - Default model)
e_IBI
unidentified
e7
unidentified
e14
unidentified
e13
unidentified
e12
unidentified
e6
unidentified
e5
unidentified
e4
unidentified
e3
unidentified
e2
unidentified
e1
unidentified
e11
unidentified
e9
unidentified
e10
unidentified
e15
unidentified
e16
unidentified
e17
unidentified
314
Minimization History (Default model)
Iteration
Negative
eigenvalues
Condition
#
Smallest
eigenvalue
Diameter F NTries Ratio
0 e 15 -3272,328 9999,000 185268,485 0 9999,000
1 e* 17 -232,755 10,444 59633,981 15 ,002
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Saturated model 119 ,000 0
Independence model 14 871,404 105 ,000 8,299
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Saturated model ,000 ,000 ,000
Independence model 766,404 675,959 864,312
FMIN
Model FMIN F0 LO 90 HI 90
Saturated model ,000 ,000 ,000 ,000
Independence model 5,928 5,214 4,598 5,880
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model ,223 ,209 ,237 ,000
AIC
Model AIC BCC BIC CAIC
Saturated model 238,000 265,045
Independence model 899,404 902,586
ECVI
Model ECVI LO 90 HI 90 MECVI
Saturated model 1,619 1,619 1,619 1,803
Independence model 6,118 5,503 6,784 6,140
315
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
