Análisis del entorno empresarial mediante un mapa de relación bidimensional

ANÁLISIS DEL ENTORNO EMPRESARIAL MEDIANTE UN MAPA DE RELACIÓN BIDIMENSIONAL JUAN AURELIO TAMAYO GALLEGO e-mail: jtam[email protected] Departamento de ADMINISTRACIÓN DE EMPRESAS, COMERCIALIZACIÓN E INVESTIGACIÓN DE MERCADOS (MARKETING) UNIVERSIDAD DE SEVILLA JAVIER GAMERO ROJAS e-mail: [email protected] Departamento de ECONOMÍA APLICADA I UNIVERSIDAD DE SEVILLA JUAN ANTONIO MARTÍNEZ ROMÁN e-mail: jam[email protected]s Departamento de ECONOMÍA APLICADA I UNIVERSIDAD DE SEVILLA Área temática: Economía y Empresa. Resumen El conocimiento del entorno es fundamental para todos los agentes económicos. Partiendo de un sistema de análisis de entorno, basado en el sistema completo de los determinantes de la ventaja de Michael Porter, se realiza un estudio empírico sobre el entorno de la provincia de Sevilla. Gracias a la información obtenida de directivos y empresarios entrevistados de 80 organizaciones empresariales de Sevilla, se elaborará un mapa relacional en el espacio de las dos componentes principales. Este diagrama, que permite observar la proximidad entre las variables según distancias basadas en las correlaciones, será el punto de partida para la discusión de las posibles conexiones entre las variables del modelo y hará posible, junto a otros argumentos lógicos y teóricos, formular y testar un conjunto de hipótesis. Palabras clave: Entorno, modelo mental, estudio empírico, mapa de relación, hipótesis del entorno, Sevilla. Abstract An insight over the environment is essential for all economic agents. Starting from a system of environmental analysis, based on Michael Porter’s complete system of the determinants of competitive advantage, we made an empirical study on the environment of the province of Seville. As a result of the information obtained from interviewing managers and entrepreneurs of 80 business organizations in Seville, we elaborated a map of the variables’ statistical relations in the space of the two principal components. This diagram let us observe variables’ proximity, according to the distances based on their correlations. Furthermore, it was also the starting point for the discussion of the possible connections among the model variables and, along with other logical and theoretical arguments, enabled us to formulate and test a group of hypotheses. Key words: Environment, mental model, empirical study, relations map, environmental hypotheses, Seville. 2 1. Características muestrales del estudio exploratorio En este estudio se explora el entorno empresarial de la provincia de Sevilla a través de la información de una muestra de 80 empresas. Para proporcionar una imagen útil y real del entorno empresarial, se han seleccionado una serie de variables características que van a permitir plantear y testar un conjunto de hipótesis razonables sobre sus relaciones. Quizás un aspecto atractivo del planteamiento de las hipótesis del presente estudio, es que no parten directamente de ideas teóricas preconcebidas sobre el propio entorno, sino que surgen de la descripción empírica que proporciona un diagrama de relación bidimensional. Es decir, las hipótesis se establecieron una vez que se hubo observado la realidad. En un trabajo de esta naturaleza, basado en un conjunto de 80 empresas, se deben tener presentes dos criterios fundamentales: (1) Seleccionar empresas que describan la diversidad empresarial de la provincia de Sevilla y (2) Buscar datos de calidad, asegurándose que los directivos que los proporcionan tengan responsabilidades ejecutivas suficientes y están cualificados para proporcionar la información solicitada. Ambos criterios se deben anteponer a la mera elección aleatoria de la muestra. Es en este sentido, en el que el aspecto cualitativo de la selección de empresas es de crucial importancia. Se ha optado por la selección por cuotas, basándose en el reparto por sectores productivos en función del Valor Añadido Bruto a precio de mercado (avance 2000) que se desprende de los datos del informe de Contabilidad Regional de España base 1995, para el período 1995-2001 publicado por el Instituto Nacional de Estadística (INE). En la tabla 1 se ofrecen los porcentajes de la estadística oficial y de la muestra. Tabla 1. La mayor dimensión del sector industrial se deriva de la importancia concedida en el presente estudio a dicha actividad. El sector terciario o de servicios obtiene un peso muestral del 65%, lo que supone cierta merma sobre la estadística oficial. La Sectores V AB p.m. Diferencia productivos Encuesta 2000 Enc.- VAB Agricultura 3,75% 3,40% 0,35% Industria 25,00% 16,30% 8,70% Construcción 6,25% 7,40% -1,15% Servicios 65,00% 72,90% -7,90% 100,00% 100,0% 3 justificación de esta decisión se basa, además del necesario ajuste de porcentajes al incrementar el peso del sector industrial, al deseo de que la descripción del entorno no esté tan polarizada por el sector de servicios. Creemos que incluyendo un 65% de este tipo de empresas se describe mejor la diversidad del entorno empresarial que con una muestra que respete con total exactitud la cifra del 72,9%, sobre todo teniendo en cuenta la enorme atomización y similitud de pequeños establecimientos de servicios (comercio al por menor), tan típicos en la provincia de Sevilla, pero menos interesantes para describir la diversidad del entorno empresarial. Construcción y agricultura han alcanzado porcentajes similares a los obtenidos en la estadística del INE utilizada de referencia. La selección de las empresas de los distintos sectores se ajusta a los porcentajes que aparecen en el informe DIRCE 2004. Este informe, que relaciona el número de establecimientos por provincia y actividad principal (CNAE dos dígitos), a pesar de sus limitaciones, constituye el registro estadístico que aporta mayor detalle y es un buen punto de partida para seleccionar una muestra significativa. La tabla del Anexo detalla la información obtenida, los porcentajes recogidos en la muestra y las diferencias entre ambos. La selección de las empresas por sus actividades económicas buscó también primar la dispersión territorial de las empresas incluidas en el estudio. Del total de las 80 encuestas, 39 -el 48,8%- se cumplimentaron en la capital y 41 -el 51,2% restanteen veintidós municipios de la provincia. La muestra incluye una serie de empresas, muy diferentes entre sí en cuanto a su actividad, antigüedad, dimensión etc., pero todas representativas e interesantes para la descripción del entorno empresarial de la provincia de Sevilla. Finalmente, puede ser interesante realizar alguna reflexión sobre el tamaño de la muestra utilizada y la calidad de los datos. La selección de 80 empresas permite abordar el estudio de las relaciones estadísticas planteadas con los márgenes de significación habituales. El tamaño elegido está en consonancia con otros trabajos de naturaleza exploratoria realizados por distintos autores en diversos campos de la Economía y del Management. Así, a título de ejemplo, Ford y Hegarty (1984) en un estudio emplean una muestra sensiblemente menor, pero apropiada para sus objetivos. Cahlik, Jack y 4 Godkin (1999) disponen de 52 elementos muestrales. Bryson y Bromiley (1993) en su trabajo cuantitativo emplean algo menos de 70 elementos. Lilien y Yoon (1990) utilizaron una base de datos que contenía 112 productos industriales de 52 empresas francesas. Whitelock y Jobber (2004) obtuvieron 106 respuestas de 64 grandes empresas industriales. Davila (2005) estudia 95 pequeñas empresas de Silicon Valley, y Schroder y Sohal (1999), 132 organizaciones de Australia y Nueva Zelanda para valorar ciertas diferencias entre las empresas. Aunque sin duda el tamaño y los aspectos cuantitativos de la muestra son aspectos muy relevantes, quizás aún lo sea más la calidad de los datos con los que se trabaja. En este sentido, el trabajo de campo se diseñó sobre la base de entrevistas a gerentes o directivos de alto nivel cualificados para proporcionar la información necesaria a los que se visitó en sus empresas. Desde el primer momento, se trató de evitar un muestreo masivo pero de poca calidad que introdujese ruido y que distorsionara la imagen del entorno. El cuestionario inicial incluyó 150 ítems, de los cuales se seleccionaron 15 para la descripción del entorno. La matriz de datos finalmente sintetizada (15x80) es la base de datos utilizada para el análisis empírico del entorno. 2. Mapa de relación La descripción del entorno que se realizará trata de conjugar dos intereses contrapuestos. Por una parte busca una simplicidad suficiente como para que la visión pueda servir a los intereses del directivo o analista, aportando información valiosa a sus modelos mentales. Por otra parte, se trata de ofrecer una descripción que no sea excesivamente minimalista y que sea útil para comprender cómo es el contexto de las organizaciones empresariales. Mientras más complejo sea el modelo e incorpore más variables, podrá proporcionar mayor nivel de detalle, aunque a costa de complicar el análisis y la interpretación de los datos. Se ha indicado que, para plantear adecuadamente modelos de realidades complejas, la cantidad de variables necesarias debe ser numerosa y con mayor carga cualitativa (Leontiades, 1979). La concreción del número de variables dependerá, sin embargo, de los objetivos que se persigan en cada estudio concreto, pudiéndose adoptar conjuntos de variables, más estilizados o detallados según los objetivos del estudio y las pretensiones analíticas del investigador, directivo o analista del entorno. Para el presente estudio de 5 naturaleza exploratoria se ha considerado razonable seleccionar 15 variables de un extenso cuestionario. Esta cifra no es extraña a otros análisis empíricos; así, a veces se han utilizado conjuntos similares -18 cuestiones en escalas tipo Likert para medir las 15 variables independientes en un trabajo en el que se plantean también 15 hipótesis (Lober y Bailey, 1997)- o incluso apreciablemente menores –como en el artículo de Ford y Hegarty (1984) ya citado-. Este número de variables parece razonable y suficiente para modelizar correctamente el entorno, permitiendo estudiar abundantes relaciones potenciales entre las variables. Las variables se han seleccionado siguiendo la lógica del modelo de los determinantes de la ventaja de Michael Porter (1991). El modelo se ha ampliado con una variable adicional que valora la preocupación de la organización por la responsabilidad social y que se incluye dentro de la categoría de orientación a la sociedad. Más concretamente se eligieron las variables que se muestran a continuación: • Datos Genéricos de Identificación: antigüedad (edad) y tamaño de las empresas. • Orientación hacia la Competencia: tipo de innovación, dinamismo de la competencia y compromiso con la calidad. • Orientación hacia los Clientes: grado de concentración de las ventas. • Orientación hacia los Recursos Humanos: dificultad en el reclutamiento, los criterios de promoción de directivos y el grado de control sobre la plantilla. • Orientación hacia el Asociacionismo: tamaño de las empresas con las que se coopera y localización geográfica de las empresas colaboradoras. • Orientación hacia la Esfera Financiera: necesidad de financiación ajena. • Orientación hacia las Administraciones Públicas: facturación al sector público y sentimiento de respaldo institucional. • Orientación hacia la Sociedad: la contribución a la creación de riqueza nacional como objetivo de la empresa. El mapa de relación ha sido elaborado mediante la representación bidimensional estándar de la matriz de distancias, construida a través de las correlaciones totales de Pearson entre las variables. El método de representación es el habitual, a través de la 6 óptima elección de dos ejes principales a partir de las distancias. Las distancias han sido calculadas transformando las correlaciones “r” simplemente en 1-|r|, de tal forma que, cuando la correlación es muy fuerte (directa o inversa) la distancia es muy pequeña, y cuando las variables están casi incorreladas, la distancia es grande. Se han utilizado correlaciones totales en lugar de correlaciones parciales, lo que significa que la correlación refleja la relación lineal directa e indirecta (a través de otras variables) entre los dos variables correspondientes. En el mapa construido, las variables que tienen correlación elevada entre ellas “tenderán” a resultar en puntos cercanos en el gráfico, y las variables con débil relación lineal estarán generalmente más separadas. Por tanto dicho mapa es un instrumento exploratorio visual para percibir posibles relaciones, o la ausencia de ellas entre las variables de las empresas. Antigüedad Tamaño Asociacionismo (Tamaño) Asociacionismo (Localización) Innovación Calidad Admón..Pública (Ventas) Admón.Pública (Apoyo) Sociedad Financiación ajena Dinamismo competencia Concentración clientes RR.HH. (Control) RR.HH. (Reclutamiento) RR.HH. (Promoción) Figura 1. Mapa relacional de variables 7 Hay que tener presente que la representación en sólo dos dimensiones (para permitir su visualización) no puede, por supuesto, reflejar de forma exacta la situación correlativa del conjunto de variables. En los métodos multivariantes de representación siempre hay una pérdida de información a cambio de la visualización o simplificación del conjunto de datos. Por ello no debe perderse de vista que tal representación es, como anteriormente indicamos, orientativa, no definitiva. En la figura 1 se muestra el mapa de relación o disimilaridad calculado con los datos de la muestra. Ésta será la herramienta empírica que se utilizará para plantear las hipótesis respecto a los posibles vínculos entre las variables. Este diagrama permitirá una primera aproximación muy interesante, que ha de apoyarse en argumentos y opiniones razonables de tipo teórico, para no caer en el error de relacionar variables cuya proximidad pueda ser meramente casual. 3. Planteamiento de las hipótesis La situación de los puntos en el diagrama sugiere la existencia de agrupaciones o clusters formados por variables que al menos a priori podrían estar relacionadas entre sí de forma significativa. Así, las variables caracterizadoras del asociacionismo, entre los cuadrantes superior e inferior izquierdo, están muy próximas. Esta cercanía insinúa la existencia de una fuerte relación entre el tamaño de la empresa con la que se colabora y su ubicación geográfica. Existen evidencias que apoyan que la proximidad física que implica la concentración espacial de las empresas es un factor relevante y positivo para la cooperación a distintos niveles como el interpersonal (Pinto, Pinto y Prescott, 1993), entre distintas instituciones y empresas (Dyer y Singh, 1998; Dyer, 1996) o incluso en la existencia de poblaciones de empresas entre las que se produce una combinación de cooperación vertical y competición horizontal (Paniccia, 1998). La proximidad física entre las organizaciones colaboradoras parece lógico que pueda propiciar relaciones más frecuentes que faciliten las relaciones interpersonales y la comunicación abierta, claves para que se desarrolle la colaboración empresarial (Dawson, 1996), si bien la presencia de proximidad física no garantiza automáticamente la existencia de redes de actividades cooperativas entre las empresas (Lechner y Dowling, 1999), ni las estrechas redes de relaciones (Zeller, 2001). 8 Por otra parte, la cooperación, como es lógico, está teóricamente al alcance de cualquier empresa, independientemente de su tamaño. Lo más interesante del diagrama es que haya motivos fundados para afirmar que existe un vínculo entre el tamaño de las empresas cooperadoras y el ámbito territorial en el que se desarrollan las actividades. Hay trabajos en los que se mantiene que la probabilidad de existencia de actividad a nivel internacional de la empresa aumenta con su tamaño (Aaby y Slater, 1989; Ali y Camp, 1993; Erramilli y Rao, 1993; Katsikeas, 1994; Keng y Jiuan, 1989). Parece lógico que en ámbitos más estrechos o locales se opte por establecer acuerdos de cooperación con empresas de menor tamaño, mientras que la ampliación del ámbito territorial de los acuerdos de cooperación favorezca la cooperación con grandes empresas. El mapa de disimilaridad y los planteamientos teóricos precedentes justifican que se pueda plantear la siguiente proposición: Hipótesis 1: En el entorno de la provincia de Sevilla existe una intensa relación entre el tamaño de las empresas con las que se coopera y la ubicación física de las empresas con las que se establece algún acuerdo de cooperación. La relativa cercanía entre el término innovación y los puntos correspondientes al asociacionismo no descarta, en principio, la posible existencia de relación entre la ubicación física de las empresas con las que se establecen acuerdos de cooperación y la innovación. La cooperación es un elemento esencial para lograr el equilibrio organizacional para la empresa innovadora (Foray y Dominique, 1991). Desde la perspectiva del desarrollo regional, la cooperación se entiende que contribuye a la estimulación y explotación de innovaciones (Koschatzky, 1999). Otra cuestión distinta es el signo que debe tener la relación entre ambas variables. Es cierto que el intercambio de conocimiento característico de la innovación parece requerir proximidad espacial, aunque la cercanía espacial no garantiza la existencia de intensas relaciones, ya que la transferencia de tecnología y conocimiento frecuentemente ocurren a nivel internacional (Zeller, 2001). Probablemente, las nuevas tecnologías han reducido la importancia de la proximidad espacial para mantener el tipo de relaciones que favorecen la innovación. Por tanto, se puede partir del supuesto de que las empresas más innovadoras disponen de prácticas y tecnologías que propician las relaciones de cooperación internacionales. 9 La globalización parece favorecer la cooperación entre organizaciones innovadoras (Rycroft y Kash, 2004). En este sentido, la internacionalización en las relaciones, en contraposición al localismo, sería un factor positivo para el desarrollo de innovaciones. El punto de partida expuesto y la distancia entre estas variables en el mapa relacional justifican explorar la existencia de la relación entre estas variables. Así, se propone: Hipótesis 2: En el entorno sevillano existe relación entre la proximidad física de las empresas que cooperan y el desarrollo de innovaciones, de tal forma que la internacionalización en la realización de acuerdos favorece el desarrollo de innovaciones. La segunda agrupación en importancia, según los coeficientes de correlación, figura en la parte superior derecha del gráfico, formada por la antigüedad de la empresa y su tamaño medido con la plantilla media. Parece existir una estrecha relación entre estas dos dimensiones. Ambas se encuentran muy próximas entre sí y relativamente aisladas del resto de las variables incluidas. La peculiar posición de las variables tamaño y antigüedad o edad de las organizaciones unida a su proximidad, justifica el estudio más detallado de la relación de ambas variables en el entorno de la provincia de Sevilla, así como el planteamiento de la siguiente hipótesis de partida: Hipótesis 3: El tamaño de las empresas de la provincia de Sevilla aumenta con la edad de las empresas. Resulta interesante que la variable que presenta una mayor proximidad con el cluster de edad y tamaño sea la calidad. Este hecho podría justificar la existencia de relación entre la calidad, tamaño de las empresas y la edad de la organización en el entorno de la provincia de Sevilla. A pesar del impacto que la calidad puede tener en la pequeña y mediana empresa, normalmente han sido las empresas de mayor tamaño las que adoptaron con mayor celeridad los sistemas de gestión de la calidad (Ghobadian y Gallear, 1996; Ghobadian y Gallear, 1997), aunque no existan diferencias operativas en la implantación de los sistemas TQM atribuibles al tamaño de la empresa (Ahire y Golhar, 1996) e incluso se haya defendido que las empresas pequeñas obtienen mejores resultados que las grandes con la efectiva implantación de la gestión de la calidad (Hendricks y Singhal, 2001). 16 Un aspecto a tener en cuenta en el análisis de la significatividad de las correlaciones es la curtosis de las variables involucradas. En caso de alta curtosis en alguna de ellas o en las dos, el nivel de significación real es peor (es decir, es numéricamente más alto) que el teórico anteriormente deducido. A fin de chequear este aspecto hemos calculado las curtosis de todas las variables, encontrando que todas presentan un nivel de curtosis bajo excepto en dos, tamaño y antigüedad de la empresa. Una vez logaritmadas estas variables (que es como se han tratado a lo largo de los cálculos de este trabajo), su curtosis dejó de ser elevada y por ello podemos afirmar que los niveles de significación que hemos empleado son iguales o mejores que los teóricos. En la tabla que se ofrece a continuación se muestran los valores comúnmente denominados exceso de curtosis. La idea del exceso de curtosis -curtosis menos treses que sea 0 para curtosis “normal”, negativo para curtosis baja y positivo para curtosis alta. En ningún caso la curtosis ha resultado muy alta, y en la mayoría de los casos ha sido baja o muy baja. Tabla 3. Exceso de curtosis de las variables estudiadas. Los cálculos de este trabajo se han realizado utilizando el lenguaje de programación J, lenguaje matricial funcional de alto nivel. Este software es un descendiente del lenguaje APL, y puede considerarse que está aproximadamente en paralelo con APL2 y K desde un punto de vista evolutivo. Los detalles sobre J pueden consultarse en la página web www.jsoftware.com. Variables Exceso de curtosis 1 Edad -0.61 2 Tamaño -0.78 3 Tipo de innovación -1.26 4 Dinamismo de la competencia -0.54 5 Compromiso con la calidad -1.92 6 Grado de concentración de las ventas 0.77 7 Dificultad en el reclutamiento -1.92 8 Criterios de promoción de directivos 0.26 9 Grado de control sobre la plantilla -0.61 10 Tamaño de las empresas con las que se coopera -1.22 11 Localización geográfica de las empresas colaboradoras 0.37 12 Necesidad de financiación ajena 0.71 13 Facturación al sector público -1.45 14 Sentimiento de respaldo institucional -1.09 15 Contribución a la creación de riqueza nacional como objetivo -1.48 17 En la tabla 4 se muestran los resultados de la aplicación del test para las distintas hipótesis. Se han indicado qué relaciones se consideran significativas al 5% y cuáles serían aún más seguras con un nivel de significación del 1%. En la figura 3 se representa la misma idea gráficamente, obviando aquellas variables que no mantienen ninguna relación significativa con alguna de las demás. Tabla 4. Hipótesis Variable 1 Variable 2 Relación r 5% 1% H1 El tamaño de las empresas con las que se coopera Ubicación física de las empresas + 0.795 Sí Sí H2 Proximidad física de las empresas que cooperan Desarrollo de innovaciones - -0.356 Sí Sí H3 El tamaño de las empresas La edad de las empresas + 0.449 esc. Log 0.333 Sí Sí H4 El tamaño de las empresas de Sevilla Utilización de sistemas de calidad + 0.168 - - H5 El tamaño de las empresas No influye en el desarrollo de innovaciones 0 0.107 Sí Sí H6 Las empresas más innovadora Ventas a las administraciones públicas + 0.331 Sí Sí H7 Las empresas con mayor calidad Ventas a las administraciones públicas + 0.289 Sí Sí H8 La calidad en las empresas Desarrollo de innovaciones + 0.303 Sí Sí H9 Necesidad de financiación de la empresa Hostilidad en el entorno + 0.153 - - H10 Hostilidad en el entorno Concentración de los clientes + -0.098 - - H11 Hostilidad o rivalidad en el entorno No influye en el desarrollo de innovaciones 0 -0.003 Sí Sí H12 La calidad en las empresas Promoción de los directivos según su experiencia y capacitación + 0.276 Sí No H13 Tipo de control Promoción de los directivos según su experiencia y capacitación + 0.241 Sí No H14 Concienciación social Facilidades para reclutar + 0.26 Sí No H15 La calidad en las empresas Facilidades para reclutar - 0.13 - - H16 Percepción de apoyo de las administraciones públicas Ventas a las administraciones públicas + 0.31 Sí Sí 18 AntigüedadTamaño Asociacionismo (Tamaño) Asociacionismo (Localización) Innovación Calidad Admón.Pública (Ventas) Admón.Pública (Apoyo) Sociedad RR.HH. (Control) RR.HH. (Reclutamiento) RR.HH. (Promoción) 0.795 -0.356 0.331 0.289 0.31 0.333 0.26 0.241 0.276 0.303 Figura 3. Relaciones estadísticamente significativas entre las variables con un nivel de significación del 1% -trazo gruesoy del 5% -trazo fino-. 5. Conclusiones El mapa de relación bidimensional es un instrumento conceptual con el que se han visualizado las variables seleccionadas y que ha permitido plantear hipótesis sobre las relaciones significativas que resultaban empírica y lógicamente razonables. Tras los oportunos contrastes se comprobó que 12 de las 16 hipótesis eran significativas desde el punto de vista estadístico con el habitual nivel de significación del 5%. Siendo aun más exigentes, con un nivel de significación de un 1%, serían aceptadas 9 hipótesis y 7 relaciones, por lo que estas últimas resultarían especialmente robustas. Se puede destacar, como se desprende del coeficiente de correlación, la intensa relación existente entre el tamaño de las empresas con las que se coopera y la ubicación física de las empresas colaboradoras. La fuerte vinculación entre estas variables es una evidencia que amplía la importancia que se otorga al factor proximidad física y al tamaño de las empresas en las decisiones de selección de aliados estratégicos. En el entorno local se opta por socios de dimensión reducida, mientras que se eligen a socios de mayor envergadura para los acuerdos de mayor extensión territorial. El localismo también perjudica de una forma clara y significativa el desarrollo de innovaciones. Las organizaciones que colaboran también con organizaciones de ámbitos territoriales no locales, de ámbito nacional o internacional, son las que muestran una mayor capacidad para innovar. 19 Existe también una interesante relación entre el tipo de innovación y la calidad de los productos. La relación es indudablemente significativa, de forma que se puede afirmar que en el entorno de Sevilla las empresas más innovadoras son las que muestran un mayor interés en la calidad. Esta variable no se relaciona significativamente con el tamaño de las empresas, por lo que no se puede mantener que, en el entorno de Sevilla, las empresas de mayor tamaño sean las que más preocupación muestran por la calidad. El tamaño de las empresas se relaciona de forma intensa con la edad o antigüedad de las empresas. Aun siendo llamativa su relación, incluso lo es más la aislada posición que ocupan ambas variables en el mapa relacional. Sin duda, esta realidad de la provincia de Sevilla justifica estudios más detallados. Hasta este momento, se han descrito las relaciones existentes entre cuatro variables - asociacionismo (tamaño), asociacionismo (localización), innovación y calidadque podrían constituir parte del eje esencial del entorno sevillano. Este eje podría ampliarse con tres robustas relaciones más. La primera vincularía la innovación y la ventas a las administraciones públicas, la segunda esta última variable y la calidad de los productos y servicios ofertados por las empresas en el entorno sevillano y la tercera relacionaría la percepción empresarial de apoyo público y el mantener relaciones comerciales con las administraciones. Parece lógico que sean las empresas que venden a las administraciones públicas las que tengan una imagen más positiva del apoyo que proporciona la administración pública a las empresas, de la misma forma que se entiende que la administración pública prefiera comprar a organizaciones con mayor calidad y más orientación hacia la innovación. La posición central que ocupan en primer lugar la innovación y en segundo lugar la calidad es destacable. Ambas variables sirven de nexo con las relaciones más intensas que vinculan las variables de la cooperación y las relativas al sector público. Junto a las relaciones anteriores, cabría indicar la existencia de tres relaciones menos robustas pero aceptables con el habitual nivel de significación del 5%. Las dos primeras relacionarían la calidad de las empresas a los sistemas de promoción directiva, y a esta última variable con los sistemas de control. También se vinculan positivamente la variable del bloque de recursos humanos “reclutamiento” y la de responsabilidad social. 20 La falta de relación entre la hostilidad del entorno y el desarrollo de innovaciones es especialmente llamativa. En el entorno sevillano no existe relación alguna entre ambas variables. La rivalidad y la innovación parecen variables fuertemente independientes, aspecto que contrasta con las opiniones teóricas, pero que era algo más que una sospecha tras la observación del diagrama de relación. Es en este sentido que entendemos que un modelo como el propuesto, permite el análisis del entorno desde un punto de vista empírico menos especulativo que exige, por tanto, menos esfuerzo teórico y asumir menos posiciones apriorísticas, aspectos que lo convierten en una herramienta útil para la gestión. Bibliografía Aaby, N-E. y Slater, S.F. (1989): “Management influences on export performance: review of the empirical literature, 1978-1988”. International Marketing Review, 6(3), pp. 7-26. Adams, M. (1999): “Determinants of ISO accreditation in the New Zealand manufacturing sector”, Omega, 27(2), pp. 285-292. Ahire, S.L. y Goldhar, D.Y. (1996). “Quality management in large vs small firms”, Journal of Small Business Management, 34(2), pp. 1-13. Ali, A.J. y Camp, R.C. (1993): “The relevance of firm size and international business experience to market entry strategies”, Journal of Global Marketing, 6(4), pp. 91-111. Blau, J.R. y McKinley, W. (1979): “Idea, Complexity, and Innovation”, Administrative Science Quarterly, 24(2), pp. 200-219. Bossink, B.A.G. (2002): “Innovative quality management practices in the Dutch construction industry”, The International Journal of Quality & Reliability Management, 19(2 y 3), 2002, pp. 170-186. Bryson, J.M. y Bromiley, P. (1993): “Critical factors affecting the planning and implementation of major projects”, Strategic Management Journal, 14(5), pp. 319-337. Calantone, R.J; Schmidt, J.B. y Di Benedetto, C.A. (1997): “New Product Activities and Performance: The Moderating Role of Environmental Hostility”, Journal of Product Innovation Management, 14(3), pp. 179-189. Cahlik, D.; Howard, J. y Godkin, L. (1999): “Compensation strategy and financial performance of community banks: An exploratory study”, Journal of Business Strategies, 16(2), pp. 151-169. Chakravarthy, B. (1997): “A New Strategy Framework for Coping with Turbulence”, Sloan Management Review, 38(2), pp. 69-82. Damanpour, F. (1996): “Organizational complexity and innovation: Developing and testing multiple contingency models”, Management Science, 42(5), pp. 693-726. 21 Damanpour, F. (1992): “Organizational Size and Innovation”, Organization Studies, 13(3), pp. 375-402. Dawson, P. (1996): “Advanced technology design, people and organization: experience of Australian industrial collaboration”, Integrated Manufacturing Systems, 7(5), pp. 511. Davila, T. (2005): “An exploratory study on the emergence of management control systems: formalizing human resources in small growing firms”, Accounting, Organizations and Society, 30(3), pp. 223–248. Dewar, R.D. y Dutton, J.E. (1986): “The adoption of radical and incremental innovations: An empirical analysis”, Management Science, 32(11), pp. 1422-1433. Dyer, J.H. (1996): “Specialized supplier networks as a source of competitive advantage: Evidence from the auto industry. Strategic Management Journal, Vol. 17, no 4, 1996, p. 271-292. Dyer, J.H. y Singh, H. (1998): “The relational view: Cooperative strategy and sources of interorganizational competitive advantage”, Academy of Management Review, 23(4), pp. 660-679. Erramilli, M.K. y Rao, C.P. (1993): “Service firms’ international entry-mode choice: a modified transaction-cost analysis approach”, Journal of Marketing, 57(3), pp. 19-38. Foray, D. (1991): “The Secrets of Industry Are in the Air: Industrial Cooperation and the Organizational Dynamics of the Innovative Firm”, Research Policy, 20(5), pp. 393405. Ford, J.D. y Hegarty, W.H. (1984): “Decision Makers’ Beliefs About the Causes and Effects of Structure: An Exploratory Study”, Academy of Management Journal, 27(2), pp. 271-291. Ghobadian, A. y Gallear, D.N. (1997): “TQM and organization size”, International Journal of Operations & Production Management, 17(2), pp. 121-164. Ghobadian, A. y Gallear, D.N. (1996): “Total quality management in SMEs”, Omega, 24(1), pp. 83-106. Hendricks, K.B. y Singhal, V.R. (2001): “Firm characteristics, total quality management, and financial performance”, Journal of Operations Management, 19(3), pp. 269-285. Katsikeas, C.S. (1994): “Export competitive advantages: the relevance of firm characteristics”, International Marketing Review, 11(3), pp. 33-53. Keng, K.A. y Jiuan, T.S. (1989): “Differences between small and medium-sized exporting and non-exporting firms: nature or nurture?”, International Marketing Review, 6(4), pp. 27-40. Koschatzky, K. (1999): “Innovation networks of industry and business-related servicesrelations between innovation intensity of firms and regional inter-firm cooperation”, European Planning Studies, 7(6), pp. 737-757. Lechner, C. y Dowling, M. (1999): “The Evolution of Industrial Districts and Regional Networks: The Case of the Biotechnology Region Munich/Martinsried”, Journal of Management & Governance, 3(4), pp. 309-338. 22 Leontiades, M. (1979): “Strategy and Reality: A Challenge for Business Policy”, Academy of Management Review, 4(2), pp. 275-279. Lilien, G.L. y Yoon, E. (1990): “The Timing of Competitive Market Entry: An Exploratory Study of New Industrial Products”, Management Science, 36(5), pp. 568585. Lober, D.J. y Bailey, M. (1997): “Organizational Strategy, Managerial DecisionMaking, and Market-Based Environmental Policies: Utility Company Bidding Behavior in the Sulfur Dioxide Allowance Trading Auctions”, Managerial and Decision Economics, 18(6), pp. 471-499. Martínez, J.A., Gamero, J. y Tamayo, J.A. (2004): El Entorno Funcional de la empresa en Sevilla, Fundación el Monte, Sevilla. Mintzberg, H. (1988): La estructuración de las organizaciones, Ariel, Barcelona. Mintzberg, H. (1991): Diseño de organizaciones eficientes, El Ateneo, Buenos Aires. Paniccia, I. (1998): “One, a hundred, thousands of industrial districts. Organizational variety in local networks of small and medium-sized enterprises”, Organization Studies, 19(4), pp. 667-699. Pinto, M.B.; Pinto, J.K. y Prescott, J.E. (1993): “Antecedents and consequences of project team cross-functional cooperation”, Management Science, 39(10), pp. 12811297. Porter, M.E. (1991): La ventaja competitiva de las naciones, Plaza & Janés, Barcelona. Rycroft, R.W. y Kash, D.E. (2004): “Self-organizing innovation networks: Implications for globalization”, Technovation, 24(3), pp. 187-197. Schroder, R. y Sohal, A.S. (1999): “Organisational characteristics associated with AMT adoption: Towards a contingency framework”, International Journal of Operations & Production Management, 19(12), pp. 1270-1291. Temtime, Z.T. (2003): “The moderating impacts of business planning and firm size on total quality management practices”, The TQM Magazine, 15(1), pp. 52-60. Westphal, J.D.; Gulati, R. y Shortell, S.M. (1997): “Customization or conformity? An institutional and network perspective on the content and consequences of TQM adoption”, Administrative Science Quarterly, 42(2), pp. 366-394. Whitelock, J. y Jobber, D. (2004): “An evaluation of external factors in the decision of UK industrial firms to enter a new non-domestic market: an exploratory study”, European Journal of Marketing, 38(11/12), pp. 1437-1455. Zeller, C. (2001): “Clustering biotech: A recipe for success? Spatial patterns of growth of biotechnology in Munich, Rhineland and Hamburg”, Small Business Economics, 17(1/2), pp. 123-141. 23 Anexo Diferencia MuestraDirce Diferencia en nº encuestas 01 Agricultura, ganadería, caza y servicios 3 3,75% 3,75% 3,0 10 Extracción y aglomeración de antracita, hulla, lignito y turba 0 0,00% 11 Extracción de crudos de petróleo y gas natural 1 0,00% 13 Extracción de minerales metálicos 2 0,00% 14 Extracción de minerales no metálicos ni energéticos 74 0,13% 15 Industria de productos alimenticios y bebidas 981 1,75% 3 3,75% 2,00% 1,6 16 Industria del tabaco 1 0,00% 17 Industria textil 129 0,23% 18 Industria de la confección y de la peletería 281 0,50% 2 2,50% 2,00% 1,6 19 Preparación curtido y acabado cuero y.marroquinería 35 0,06% 20 Ind.madera y corcho, excepto muebles 352 0,63% 21 Industria del papel 35 0,06% 22 Edición, artes gráficas y reproducción de soportes grabados 443 0,79% 3 3,75% 2,96% 2,4 23 Coquerías, refino de petróleo y tratam.combustib.nuclear 0 0,00% 24 Industria química 151 0,27% 2 2,50% 2,23% 1,8 25 Fabricación de productos de caucho y materias plásticas 116 0,21% 0,21% 26 Fabricación de otros productos minerales no metálicos 452 0,81% 0,81% 27 Metalurgia 34 0,06% 1 1,25% 1,19% 1,0 28 Fab.prod.metálicos, excepto maquinaria y equipo 1.180 2,10% 3 3,75% 1,65% 1,3 29 Ind.construcción maquinaria y equipo mecánico 317 0,56% 1 1,25% 0,69% 0,5 30 Fabricación de máquinas de oficina y equipos informáticos 38 0,07% 1 1,25% 1,18% 0,9 31 Fabricación de maquinaria y material eléctrico 47 0,08% 32 Fabricación de material electrónico; fabric.equipo y aparatos ra d 18 0,03% 1 1,25% 1,22% 1,0 33 Fabric.eq.e instrum.médico-quirúr.,precisión,óptica y reloj. 123 0,22% 34 Fabricación de vehículos de motor, remolques y semirrem. 47 0,08% 1 1,25% 1,17% 0,9 35 Fabricación de otro material de transporte 40 0,07% 36 Fabricación de muebles; otras industrias manufactureras 650 1,16% 1 1,25% 0,09% 0,1 37 Reciclaje 1 0,00% 1 1,25% 1,25% 1,0 40 Prod.y distribución energía eléctrica,gas,vapor y agua cal. 40 0,07% 41 Captación, depuración y distribución de agua 46 0,08% 45 Construcción 6.314 11,25% 5 6,25% -5,00% -4,0 50 Venta, mantenimiento y rep.vehículos,motoci. y ciclomot. 2.302 4,10% 4 5,00% 0,90% 0,7 51 Comercio por mayor e interme.excepto vehículo motor 4.714 8,40% 9 11,25% 2,85% 2,3 52 Comercio por menor,excepto comercio vehículos motor 12.107 21,57% 4 5,00% -16,57% -13,3 55 Hostelería 5.090 9,07% 8 10,00% 0,93% 0,7 60 Transporte terrestre; transporte por tuberías 2.993 5,33% 1 1,25% -4,08% -3,3 61 Transporte marítimo y por vías de navegación interiores 6 0,01% 62 Transporte aéreo y espacial 5 0,01% 63 Actividades anexas a los transportes; activ.agencias viajes 645 1,15% 2 2,50% 1,35% 1,1 64 Correos y telecomunicaciones 176 0,31% 2 2,50% 2,19% 1,7 65 Interm.financiera, excepto seguros y planes pensión 1.223 2,18% 66 Seguros y planes de pensiones, excepto seguridad social 156 0,28% 67 Actividades auxiliares a la intermediación financiera 528 0,94% 1 1,25% 0,31% 0,2 70 Actividades inmobiliarias 1.808 3,22% 2 2,50% -0,72% -0,6 71 Alquiler maquin.y equipo sin operario,efec.person.y enseres 475 0,85% 72 Actividades informáticas 394 0,70% 3 3,75% 3,05% 2,4 73 Investigación y desarrollo 74 0,13% 1 1,25% 1,12% 0,9 74 Otras actividades empresariales 5.021 8,94% 12 15,00% 6,06% 4,8 80 Educación 1.404 2,50% 1 1,25% -1,25% -1,0 85 Actividades sanitarias y veterinarias, servicio social 1.881 3,35% 90 Actividades de saneamiento público 150 0,27% 91 Actividades asociativas 565 1,01% 92 Actividades recreativas, culturales y deportivas 1.209 2,15% 1 1,25% -0,90% -0,7 93 Actividades diversas de servicios personales 1.264 2,25% 1 1,25% -1,00% -0,8 TOTALES 56.138 100,00% 80 100,00% 8,5 DIRCE 2004 MUESTRA SECTORES CNAE Tabla Anexo. Comparativa muestra-DIRCE (2004) según CNAE-93.