INTRODUCCIÓN
El Perú es un país en la búsqueda del fortalecimiento del sector agrícola en las zonas rurales, por el impacto en la economía nacional, en especial en la empleabilidad y desarrollo del interior del país. El Grupo Banco Mundial, (2017) reportó que el Perú tiene un sólido crecimiento en productividad agrícola, pero esta no es uniforme entre las regiones y entre categorías de productores. Asimismo, la finalidad de la política agraria nacional en el Perú es apoyar el desarrollo agrícola sostenible, competitivo, democrático e inclusivo que beneficia a los agricultores (Castillo et al., 2020) y mejore la calidad de vida de las comunidades (Camacho et al., 2018), porque para los campesinos, consultores, instituciones y el gobierno, la probabilidad de éxito del pequeño productor al momento de colocar sus productos en el mercado a nivel local es poca; por ello, se deben asociar (Acevedo, 2017).
En la Amazonía peruana, en los departamentos de Amazonas, San Martín, Loreto y Ucayali, la agricultura es una oportunidad integral para resurgir y modernizar el agro. El éxito es a través del manejo sustentable de la biodiversidad con fines económicos, sociales y ambientales, incluyendo agroindustrias conexas limpias. Por ello, la agricultura es una herramienta que contribuye en mejorar la calidad de vida del poblador, favorece el crecimiento económico en los países agrícolas; asimismo, se requiere una revolución de la productividad en las pequeñas sociedades agrícolas (Ashley & Maxwell, 2002; Banco Mundial, 2008). Según Acevedo & Múnera (2020) son ocho los canales de comercialización de los pequeños productores en Colombia: 1) productor-consumidor rural, 2) productor-consumidor urbano, 3) productor-detallista urbano, 4) Productor-empresa comercializadora asociativa, 5) Productor-acopiador rural-mayorista urbano local, 6) Productor-mayorista urbano local, 7) Productor-mayorista urbano regional y 8) Productor-agroindustria. Asimismo, Quinteros & Sánchez (2017) identificaron cuatro grupos de productores “puneros-maiceros”, “cuyeros-maiceros”, “vaqueros” e “indiferenciados” -denominados por el cultivo o crianza que practican preferentemente, salvo los “indiferenciados que tienen una actividad agrícola marginal.
En la Amazonía el interés sobre la agricultura va en aumento por el crecimiento demográfico y la baja productividad de las tierras que afectan la seguridad alimentaria de la población más vulnerable en la región (Janvry, 2009). Al mismo tiempo, la producción y exportación de productos agronómicos de origen amazónico del Perú ha tenido un notable crecimiento por su adaptación a las exigencias de los mercados agro-alimenticios mundiales (Benites, 2013). Según Sáenz & Tinoco (1999) las iniciativas que buscan impulsar la investigación agraria en la Amazonía tienen que considerar modalidades de trabajo que estén de acuerdo a las particularidades biofísicas de los ecosistemas amazónicos y aspectos socioculturales de la región, así como la generación de bienestar social para la población.
La correcta toma de decisiones permite identificar la competitividad de los proyectos de investigación, además de necesitar información apropiada y confiable. Los proyectos de investigación adaptativa adaptan tecnologías para mejorar y sostener el medio ambiente y la calidad de vida de los productores (Douthwaite et al., 2009). Las entidades ejecutoras de los proyectos consideran el problema social como complejo y obligan a los ejecutores a buscar métodos para facilitar la adopción a través de perspectivas teóricas útiles (Engel, 1997). Las entidades ejecutoras consideran necesario lograr un impacto sobre la agricultura de los pequeños agricultores a fin de que los actores sociales relevantes se articulen en forma efectiva (Engel, 1997). Además, consideran y usan herramientas conceptuales específicas para innovar y fortalecer la organización (Engel, 1997). Siendo necesario conocer los conceptos relacionados con la evaluación de impactos y tipos de impactos para comparar y evaluar el impacto; además de definir indicadores para medir cambios en el capital humano como: conocimiento, habilidades y toma de decisiones. La evaluación del impacto debe planificar desde el diseño del proyecto, continuar durante el desarrollo hasta la culminación del proyecto (Ortiz & Pradel, 2009). En todos los casos, cada indicador debe evaluar su efecto en cuatro gradientes: sin influencia, leve influencia, mediana influencia y alta influencia (Ortiz et al., 2016),
Las alianzas estratégicas de los proyectos de INCAGRO cumplieron un rol elemental y esencial en el desarrollo, donde el sistema de innovación está compuesto por agentes, acciones, interacciones, normas formales y no formales que regulan el sistema (Berdegue, 2005). Los agentes interactúan generando redes a través de las cuales se dan las innovaciones, donde los diversos asociados aportan recursos y capacidades que son valiosas para los demás agentes (Brindley, 1991). Este tipo de proyectos hacen participar a los usuarios en el diseño de la tecnología, permitiendo una fácil adopción que se acondiciona a la demanda común (Douthwaite, 2002). Es necesaria la descentralización de la investigación, mediante la creación de centros locales, de acuerdo con la variedad de las condiciones agronómicas y los sistemas de cultivo, además de permitir formular sus propios programas. Este enfoque es utilizado por el Instituto de Investigaciones de la Amazonía Peruana (IIAP) y tiende a poner a los investigadores en contacto más cercano con los problemas de los agricultores. A pesar de la importancia de alcanzar niveles adecuados de descentralización, algunos sistemas de investigación agrícola se han consolidado geográficamente por presiones fiscales. Por ello, es necesario se establezcan centros locales de investigación 1996).
Los proyectos de INCAGRO, tienen que compartir y adecuarse a menudo en innovaciones institucionales, donde los sistemas estructuran componentes organizados, colaborando con la realización de diversas disciplinas científicas. Los esfuerzos del proyecto de esta organización, por apoyar la innovación del sector agrícola ha sido una de las prioridades de la política agrícola y organizaciones de investigación donde las instituciones deben cumplir un rol importante en realizar la interacción, aprendiendo y compartiendo conocí-miento (Hall et al., 2004).
Los proyectos cofinanciados por INCAGRO, también son vistos como comunicación de la innovación, que involucra una serie de intervenciones e interacciones de comunicación, es decir que no solamente es un evento (Leeuwis, 2004), donde las prácticas e innovaciones necesitan ser coordinadas a diferentes niveles, dominios y tiempos, se considera que la comunicación es un proceso importante a través del cual las experiencias son intercambiadas, los conocimientos y percepciones son moldeados y la comunicación profesional en principio es una ayuda poderosa para conseguir el cambio (Leeuwis & Ban, 2004).
El concepto de competitividad se remonta varios siglos atrás con las teorías de comercio. Es Porter (2001) quien establece las bases y reconoce los cambios en el entorno y la inestabilidad de las estrategias genéricas, señalando la necesidad de contar con modelos dinámicos para concebir la ventaja competitiva de las naciones. Asimismo, Porter (2000) sostiene que la competitividad pierde relevancia en el ámbito nacional, porque los principales países no compiten entre ellos. Al respecto, Porter (2000) afirma que la competitividad de una nación depende de la capacidad de sus industrias para innovar y mejorar, y que determinadas empresas son capaces de hacerlo con coherencia, procurando denotar las mejoras y una mejor ventaja competitiva. En los proyectos de investigación, la competitividad es la variable determinante para obtener los objetivos esperados. Sin embargo, es necesario cuantificar la dependencia de la competitividad ante otras variables independientes, tales como: Impacto de desarrollo, equipo técnico, infraestructura, recursos económicos y coherencia experimental.
El objetivo del estudio es dar sustento científico a la toma de decisiones estratégicas técnicas y políticas para proponer proyectos de investigación y extensión, garantizando su eficiencia y éxito. La competitividad es la variable dependiente y determinante para disminuir la pobreza. Por último, las variables independientes que determinan la competitividad deberían ser consolidadas e implementadas en políticas gubernamentales.
MATERIAL Y MÉTODOS
El estudio se realizó en las regiones de Amazonas, San Martín, Loreto y Ucayali, Lima, Perú. Se analizaron 19 proyectos de investigación ejecutados por el Programa para la Innovación y Competitividad del Agro Peruano PIEA-INCAGRO En la Tabla 1 se presentan los 19 proyectos de investigación seleccionados para ser considerados en el estudio: dos de café, tres de arroz, dos MIP y uno de madera, algodón, animales silvestres, plantas medicinales, cacao, rizipiscicultura, sacha inchi, pastos, mariposas, tilapia, pitaya, vacunos. Además, se muestran la variable dependiente competitividad (Y) y las variables independientes (X).
Los análisis descriptivos correspondientes para negar o afirmar la hipótesis del estudio que la competitividad de los proyectos de Servicios de Extensión dependen de una o más de las siguientes variables: F1(Conocimiento-facilidades), congrega profesionales, X7 (Doctorado), X8 (Maestría), X9 (Título profesional); reúne el equipamiento, X12 (Relaciones con el sistema científico y tecnológico), X13 (Campos Experimentales), X14 (Laboratorios) y X15 (Equipos); X16 (Movilidad), X17 (Otros ambientes); agrupa la coherencia como el promedio de las variables, X20 (coherencia con el marco lógico) y X21 (coherencia con el plan experimental); F2 (Fondos), junta los aspectos financieros, X6 (Impacto económico), X18 Fondos económicos, X19 (No- Monetarios), X22 (ITF PAO); F3 (Planes), asocia planes, X1 (Plan Nacional), X2 (Plan Regional), X3 (Plan Local); X5 (impacto social), X10 (bachillerato); y F4 (Impacto), une las variables X4 (impacto medioambiental) y el X11 (personal técnico).
Debido a la cantidad de variables independientes en el estudio se aplicó la técnica denominada análisis factorial de variables. Esta técnica de la estadística multivariada reduce la dimensionalidad de los datos, agrupando variables en factores, de modo tal que los factores resultantes son entre ellos estadísticamente independientes y contienen a las variables con correlaciones múltiples importante. Considerando los objetivos del estudio, que son identificar y medir variables que influyen en la competitividad de los proyectos de investigación; así como, establecer un modelo que permita obtener predicciones acerca de la competitividad de dichos proyectos, la regresión múltiple es adecuada siempre y cuando las variables regresivas o independientes no estén correlacionadas.
Igualmente, el grado de asociación, entre la competitividad y las variables independientes, se mide mediante el cálculo y la verificación de la significancia de los coeficientes de correlación no paramétrica de Spearman dado que los valores de las variables independientes no se ajustan a una distribución normal. Estos coeficientes miden el grado de asociación obviando la existencia de cualquier otra variable por lo que su interpretación complementa a lo obtenido en el análisis de regresión.
RESULTADOS Y DISCUSIÓN
En la tabla 1 se muestran el análisis factorial con las 22 variables identificadas; mientras en el Anexo 1 se muestra la matriz de correlaciones cuya determinante es casi igual a cero, matriz positiva, por existir variables que dependen linealmente de otra u otras columnas. Siendo las variables con alta correlación X1, X2 y X3, se agruparon como la nueva variable X123 planes. Además, el promedio de las variables X12, X13, X14 y X15 conformaron la nueva variable X12131415 facilidades. Posteriormente, el promedio de las variables X20 y X21 formaron la variable X2021 coherencia. Las variables X4, X5, X6, X7, X8, X9, X10, X 11, X16, X17, X18, X19, X22 se mantuvieron haciendo un total de 16 variables. La matriz identidad de correlaciones (Anexo 2) y de correlaciones antiimagen (Anexo 3) indican que el modelo factorial está justificado. Siendo 0,584 la medida de adecuación muestral de Kaiser - Meyer - Olkin (KMO) y 120 la prueba de esfericidad de Bartlett. De las 22 variables inicialmente identificadas se redujeron en cuatro factores que son Conocimiento - facilidades (X7, X8, X9, X12X13X14X15, X12, X13, X14, X15, X16, X17, X2021, X20 y X21), Fondos (X6, X18, X19 y X22), Planes (X123, X1, X2, X3, X5 y X10); e Impacto (X4 y el X11). Similar procedimiento siguió Reateguí-Del Aguila et al. (2014) al reducir de 11 variables identificadas a siete, a fin de formar grupos homogéneos, pero tratando que entre grupos sean independientes al usar de correlaciones.
Fctores y variables que las conforman
Las variables de mayor correlación son los primeros 4 factores: 1(42,614%), 2(14,963%), 3(11,862%) y 4(9,830%); explicando los cuatro factores el 79,268% de la variabilidad total de los datos. El restante de factores presenta valores inferiores al 10%: 5 (6,029%), 6 (5,068%), 7 (2,754%), 8 (2,282%), 9 (1,260%), 10 (1,015%), 11 (0,849%), 12 (0,606%), 13 (0,369%), 14 (0,275%), 15 (0,128%) y 16 (0,097%).
La matriz de componentes muestra las correlaciones entre las variables y los componentes (tabla 2). Las etiquetas asignadas a cada uno de los factores corresponden a cuatro dimensiones que presentan una relación de causalidad con la competitividad de los proyectos: F1 Conocimiento-facilidades agrupa a la calificación de los profesionales X7, X8, X9; X12X13X14X15 (facilidades), el promedio de las variables X12, X13, X14 y X15; X16 y X17; X2021 (coherencia), como el promedio de las variables X20 y X21; F2 Fondos que agrupa las variables referidas a los aspectos financieros X6, X18, X19, X22; F3 Planes agrupa a la variable X123 (planes), el promedio de las variables X1, X2, X3; X5, X10; y F4 Impacto agrupa las variables X4 y el X11. En la tabla 3 se muestran las puntuaciones factoriales obtenidas conjuntamente con los valores de la variable dependiente competitividad Y.
En relación a las comunalidades que se han obtenido, señalan como la variable peor explicada, por el modelo, el X4 por ser solo el 60,5% de su variabilidad explicada por la factorial encontrado, mientras que la variable X12131415 (facilidades), es la mejor interpretada, por el modelo, con 90,5% de explicación de su variabilidad. Al respecto, Reateguí-Del Aguila et al. (2014) señalan que la evaluación del impacto al medio ambiente es de una mayor complejidad e involucra un mayor número de dimensiones y variables. En un enfoque sostenible, se busca preservar el planeta a través del uso racional del suelo y de los recursos naturales, sin depredar el ambiente respetando la subsistencia de las generaciones. Sin embargo, el desarrollo sostenible de la producción orgánica u ecológica de cultivos, predomina sobre el respeto al medio ambiente lo cual garantiza un desarrollo sostenible, en el Perú. Asimismo, las políticas nacionales agrarias del Perú, benefician a los agricultores, potencian su la calidad de vida y el de sus comunidades y poblaciones rurales (Castillo et al 2020).
Modelo de regresión lineal múltiple
En la prueba de normalidad Kolmogorov-Smirnov el valor de la significancia asintótica es 0,845. Mientras que en el resumen del modelo la variabilidad de competitividad es explicada en aproximadamente un 89% por los puntajes factoriales. Mientras existe una regresión altamente significativa entre la competitividad y los puntajes factoriales, es decir la competitividad depende de manera significativa de al menos uno de los puntajes factoriales.
La prueba t student explica que la competitividad, depende con un valor del 5% del factor Conocimiento (F1), Fondos (F2) y Planes (F3), no así del factor Impacto (F4). Estos últimos resultados significan que para la explicación de la competitividad de los proyectos de investigación agraria se debe prestar atención a las variables que constituyen los factores 1, 2 y 3, es decir mejorar calificaciones respectos a estas variables, adoptando las medidas que conlleven a este fin. El modelo de regresión estimado es:
Y = 3,421 + 0,391F1 +0,197F2 + 0,193F3 -0,051F4
El valor obtenido para el intercepto 3,421 no tiene interpretación en el modelo, cuando los puntajes factoriales fuesen cero, el proyecto no existiría, por lo tanto, tampoco un valor para su competitividad.
La variación promedio de la competitividad frente a un incremento unitario de cada factor fue la siguiente: Por cada punto adicional en el puntaje del Factor F1 Conocimiento, la competitividad aumentará en promedio en 0,391, manteniéndose constante, los puntajes de los otros factores. Por cada punto adicional en el puntaje del Factor F2 Fondos, la competitividad aumentará en promedio en 0,197, manteniéndose constante, los puntajes de los otros factores. Por cada punto adicional en el puntaje del Factor F3 Planes, la competitividad aumentará en promedio en 0,193, manteniéndose constante, los puntajes de los otros factores. Por cada punto adicional en el puntaje del Factor F4 Ambiente, la competitividad disminuirá en promedio en 0,051, manteniéndose constante, los puntajes de los otros factores.
Nº | Proyecto | Competitividad | Plan Nacional | Plan Regional | Plan local | Impacto Ambiental | Impacto Social | Im-puesto Económico | Docto-rado | Maestría | Título profesional | Bachillerato | Técnico Campo | Con Tecno-lógico y/Cien-tífico | Centro experimental | Laboratorio | Equipos | Movilidad | Otros ambientes | Monetarios | No monetarios | Coherencia ML | Coherencia Plan Experimental | ITF PAO |
Y | X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | X11 | X12 | X13 | X14 | X15 | X16 | X17 | X18 | X19 | X20 | X21 | X22 | ||
1 | Café | 3,60 | 3,80 | 3,60 | 3,40 | 3,60 | 3,60 | 3,80 | 2,60 | 3,00 | 3,80 | 3,80 | 4,20 | 3,80 | 2,60 | 3,60 | 2,80 | 2,80 | 3,60 | 2,60 | 3,80 | 3,40 | 3,40 | 2,40 |
2 | Arroz 1 | 4,00 | 4,40 | 4,40 | 4,00 | 2,60 | 3,60 | 3,60 | 3,20 | 3,80 | 4,20 | 3,60 | 4,00 | 4,40 | 4,20 | 4,40 | 4,00 | 3,20 | 3,60 | 2,60 | 3,80 | 4,40 | 4,40 | 2,80 |
3 | Madera | 2,80 | 2,60 | 3,00 | 2,80 | 3,60 | 3,00 | 3,60 | 1,80 | 2,20 | 4,00 | 3,60 | 4,00 | 2,80 | 2,40 | 3,00 | 2,80 | 3,00 | 3,60 | 3,40 | 3,80 | 3,40 | 3,20 | 3,00 |
4 | Café | 3,20 | 3,60 | 4,00 | 3,80 | 4,00 | 3,60 | 3,80 | 1,80 | 2,00 | 3,80 | 3,80 | 3,80 | 2,60 | 2,20 | 2,80 | 2,80 | 2,20 | 3,20 | 2,80 | 3,00 | 4,00 | 3,00 | 3,00 |
5 | Algodón | 3,20 | 3,20 | 3,00 | 3,20 | 2,80 | 3,00 | 3,20 | 3,40 | 3,00 | 4,00 | 3,60 | 3,80 | 3,20 | 2,60 | 2,80 | 3,00 | 2,20 | 2,80 | 2,80 | 3,40 | 3,80 | 3,80 | 3,20 |
6 | Animales silvestres | 2,20 | 1,60 | 2,40 | 2,00 | 3,80 | 3,20 | 2,40 | 1,20 | 1,60 | 1,60 | 3,60 | 3,80 | 2,20 | 1,60 | 1,20 | 1,60 | 1,20 | 2,80 | 2,20 | 3,00 | 2,60 | 2,00 | 2,20 |
7 | MIP 1 | 3,40 | 3,00 | 3,00 | 2,80 | 4,00 | 3,20 | 2,80 | 3,60 | 3,40 | 3,40 | 3,60 | 3,80 | 4,00 | 2,80 | 3,00 | 3,40 | 2,60 | 3,60 | 2,60 | 3,20 | 4,00 | 3,60 | 2,20 |
8 | Plantas Medicina | 3,60 | 2,80 | 3,20 | 3,40 | 4,40 | 3,80 | 3,40 | 2,00 | 2,80 | 4,00 | 3,60 | 3,60 | 4,00 | 3,20 | 4,20 | 4,00 | 2,60 | 4,00 | 3,60 | 3,80 | 3,80 | 3,80 | 2,80 |
9 | Vacunos | 3,20 | 3,00 | 3,60 | 3,60 | 2,60 | 4,00 | 3,60 | 1,80 | 2,40 | 3,00 | 3,80 | 4,00 | 3,40 | 2,60 | 2,40 | 2,80 | 2,20 | 3,40 | 3,00 | 3,60 | 3,60 | 3,00 | 2,60 |
10 | Arroz 2 | 4,00 | 4,20 | 4,00 | 4,00 | 3,00 | 3,20 | 3,20 | 4,00 | 4,00 | 4,00 | 3,80 | 4,20 | 4,20 | 4,40 | 4,40 | 4,00 | 3,20 | 3,60 | 2,80 | 3,80 | 4,00 | 3,80 | 3,00 |
11 | Cacao | 4,40 | 4,00 | 4,60 | 4,60 | 4,20 | 4,40 | 4,40 | 4,40 | 4,20 | 4,20 | 3,80 | 4,20 | 4,60 | 4,40 | 4,60 | 4,40 | 4,20 | 4,20 | 4,20 | 4,60 | 4,40 | 4,60 | 3,00 |
12 | Rizipicicultura | 3,00 | 2,40 | 2,60 | 2,80 | 3,20 | 3,20 | 3,00 | 1,60 | 2,20 | 3,60 | 3,20 | 4,00 | 2,80 | 2,60 | 2,20 | 2,60 | 2,80 | 3,00 | 2,80 | 3,40 | 3,20 | 3,20 | 2,60 |
13 | Sacha Inchi | 3,60 | 3,20 | 3,80 | 3,80 | 3,40 | 3,20 | 3,40 | 2,00 | 4,20 | 4,00 | 3,40 | 4,00 | 4,20 | 4,20 | 3,80 | 4,00 | 3,20 | 3,80 | 2,80 | 3,60 | 4,20 | 4,00 | 2,40 |
14 | Mariposas | 3,20 | 2,60 | 2,80 | 2,60 | 4,20 | 3,20 | 3,00 | 3,20 | 3,80 | 3,80 | 3,80 | 3,80 | 4,00 | 3,40 | 3,40 | 3,60 | 3,00 | 3,40 | 2,80 | 3,20 | 4,00 | 3,60 | 2,60 |
15 | Arroz 3 | 3,80 | 4,00 | 3,80 | 3,80 | 2,80 | 3,40 | 3,40 | 3,60 | 3,80 | 4,20 | 4,00 | 4,40 | 4,40 | 4,60 | 4,20 | 3,80 | 3,20 | 3,00 | 3,00 | 3,60 | 4,00 | 4,20 | 2,80 |
16 | MIP 2 | 3,60 | 3,60 | 3,20 | 3,60 | 4,00 | 3,00 | 2,80 | 3,40 | 3,00 | 4,00 | 4,00 | 4,20 | 3,40 | 2,80 | 3,40 | 3,40 | 2,60 | 3,20 | 3,00 | 3,60 | 3,60 | 3,80 | 2,40 |
17 | Pastos | 4,00 | 3,80 | 4,00 | 4,20 | 3,40 | 3,80 | 4,00 | 2,00 | 2,60 | 4,00 | 4,00 | 4,40 | 3,80 | 2,80 | 2,20 | 3,60 | 2,60 | 3,20 | 3,60 | 3,80 | 4,20 | 3,60 | 3,20 |
18 | Tilapia | 3,20 | 2,80 | 4,00 | 3,60 | 4,00 | 3,80 | 4,00 | 1,60 | 2,00 | 3,60 | 3,80 | 3,80 | 3,20 | 3,40 | 2,60 | 3,40 | 2,40 | 3,00 | 3,60 | 3,60 | 3,20 | 3,20 | 2,80 |
19 | Pitajaya | 3,00 | 2,00 | 2,40 | 2,40 | 3,20 | 2,80 | 2,80 | 1,80 | 3,40 | 3,80 | 3,40 | 4,00 | 3,20 | 2,40 | 1,80 | 3,00 | 2,60 | 3,00 | 3,40 | 3,60 | 3,40 | 3,20 | 3,00 |
Componente | ||||
1 | 2 | 3 | 4 | |
X_123 | 0,271 | -0,281 | 0,744 | 0,182 |
X4 | -0,086 | 0,098 | 0,045 | 0,0765 |
X5 | 0,047 | 0,579 | 0,609 | 0,333 |
X6 | 0,173 | 0,806 | 0,396 | 0,074 |
X7 | 0,796 | -0,089 | 0,283 | -0,164 |
X8 | 0,942 | -0,060 | -0,048 | -0,095 |
X9 | 0,711 | 0,464 | -0,108 | -0,202 |
X10 | 0,045 | 0,217 | 0,756 | -0,257 |
X11 | 0,322 | 0,240 | 0,369 | -0,619 |
X_12131415 | 0,902 | 0,195 | 0,230 | 0,043 |
X16 | 0,864 | 0,376 | 0,027 | 0,031 |
X17 | 0,638 | 0,243 | 0,194 | 0,594 |
X18 | 0,161 | 0,897 | -0,057 | 0,170 |
X19 | 0,539 | 0,617 | 0,154 | 0,040 |
X_2021 | 0,886 | 0,255 | 0,164 | -0,075 |
X22 | 0,093 | 0,727 | -0,159 | -0,404 |
La rotación ha convergido en 8 iteraciones.
Proyecto | Fact1 | Fact2 | Fact3 | Fact4 | Y |
1 | -0,02180 | -0,17595 | 0,97478 | 0,12715 | 3,60 |
2 | 1,18631 | -0,24159 | 0,00571 | -0,50257 | 4,00 |
3 | -0,36681 | 0,81232 | -0,68082 | 0,14696 | 2,80 |
4 | -1,10531 | 0,32902 | 0,41396 | 0,28013 | 3,20 |
5 | -0,07189 | -0,26532 | -0,70739 | -1,31994 | 3,20 |
6 | -2,25105 | -1,75323 | 0,45759 | 0,54250 | 2,20 |
7 | 0,59673 | -1,63507 | -0,02082 | 1,10240 | 3,40 |
8 | 0,15877 | 0,64648 | -0,26406 | 2,20279 | 3,60 |
9 | -1,01091 | 0,11585 | 1,29857 | -0,22107 | 3,20 |
10 | 1,19745 | -0,44831 | 0,31709 | -0,95007 | 4,00 |
11 | 1,56673 | 1,93597 | 0,82124 | 1,21150 | 4,40 |
12 | -0,52276 | -0,38360 | -1,11962 | -0,07847 | 3,00 |
13 | 1,18634 | -0,67718 | -0,74345 | 0,70130 | 3,60 |
14 | 0,62641 | -0,91449 | -0,15269 | 0,65129 | 3,20 |
15 | 0,79858 | -0,23455 | 1,00955 | -1,86579 | 3,80 |
16 | 0,23129 | -0,75317 | 0,55626 | -0,41664 | 3,60 |
17 | -0,66060 | 1,57224 | 0,98608 | -1,19183 | 4,00 |
18 | -1,26331 | 1,39912 | -0,14847 | 0,50518 | 3,20 |
19 | -0,27419 | 0,67144 | -3,00351 | -0,92481 | 3,00 |
En el análisis de regresión lineal múltiple la variabilidad de las competitividades de los proyectos de investigación es explicadas en un 89% por los puntajes factoriales; existe una regresión altamente significativa entre la competitividad y al menos uno de los puntajes factoriales, es decir la competitividad depende de manera lineal y altamente significativa de al menos uno de los puntajes factoriales. Mientras que, el modelo de regresión reportado por Reateguí-Del Aguila et al. (2014) fue Y=3,429 + 0,031F1 +0,317F2 + 0,107F3; donde el factor F2 Técnico (X10, servicios ofrecidos a clientes y X11, equipos técnicos comprometidos) tiene el mayor puntaje y por cada punto que aumenta este factor aumentará la competitividad en 0,317, manteniéndose constante el puntaje del resto de factores. Mientras con el factor F3 Impacto (X4, retorno económico y X9, impacto ambiental) por cada punto adicional de este factor la competitividad aumentará en 0,107, manteniéndose constante, los puntajes de los otros factores. Asimismo, por cada punto adicional en el puntaje del Factor F1 Aportes (X1, meses de duración del proyecto; X2, aportes de INCAGRO y X3, alianza estratégica, se estima que la competitividad aumentará en promedio solamente 0,031, manteniéndose constante, los puntajes de los otros factores.
A un nivel del 5% de significancia, se ha encontrado que la competitividad, depende significativamente de los factores Conocimiento-Facilidades (F1 = X7, X8, X9, X12131415, X16, X17 y X2021), Fondos (F2 = X6, X18, X19 y X22) y Planes (F3 = X123, X5 y X10), y su dependencia no es significativa del factor impacto (F4= X4 y X11).
Grado de asociación entre la competitividad y cada una de las variables independientes originales
El grado de asociación entre la competitividad y cada una de las 22 variables independientes originales, obviando cualquier otra variable, fue medida mediante el coeficiente de correlación de no paramétrico de Spearman (Figura 1). Los resultados obtenidos indican la competitividad está significativamente correlacionada con X1, X2, X3, X5, X7, X8, X9, X10, X11, X12, X13, X14, X15, X16, X19, X20 y X21, obviando las interacciones o correlaciones de estas variables con cualquier otra. También se ha encontrado que las variables X4, X6, X17, X18, X22 no están correlacionadas significativamente con la competitividad, obviando a otras variables.
El factor humano es un punto crítico y es una limitante a la incorporación de tecnologías (Castignani et al., 2012). En general para mejorar la competitividad de los proyectos de Investigación es necesario contar con personal calificado, con doctorado, maestría, título profesional, así como también con buenos campos experimentales, disponibilidad de laboratorios, equipos de laboratorio, computación e informática y acceso al sistema científico y tecnológico nacional e internacional.
CONCLUSIONES
Para mejorar la competitividad de los proyectos de investigación es imprescindible contar con buenos campos experimentales, disponibilidad de laboratorios, equipos de laboratorio, campo e informática y acceso al sistema científico y tecnológico nacional e internacional. Esto resultados sirven de referencias para adaptar e implementar en otras regiones y realidades. Se recomienda realizar otros estudios a fin de identificar otros factores que influyen en la competitividad de proyectos agrarios