Capital Humano e I&D+i Análise Comparativa dos BRICS, EUA, Japão e Europa

Capital Humano e I&D+i Análise Comparativa dos BRICS, EUA, Japão e Europa Carlos Pedro Gonçalves Universidade de Lisboa Instituto Superior de Ciências Sociais e Políticas (ISCSP)

23/03/2016

1

Índice 1. Introdução ao Caso ...................................................................................................... 3 2. Análise dos Dados Temporais...................................................................................... 3 3. Análise de Componentes Principais ............................................................................ 9 3. Exportações de Tecnologia: China vs. EUA ............................................................... 15 3.1. Caso da Solução de Duas Componentes ............................................................ 15 3.3. Caso da Solução de Componente Única............................................................. 17 Apêndice – Exemplo de Instruções com o SPSS para a Análise de Componentes Principais ........................................................................................................................ 22

2

1. Introdução ao Caso Com o presente caso de aplicação, pretende-se ilustrar o uso do SPSS na análise comparativa dos BRICS (Brasil, Federação Russa, Índia, China e África do Sul) em relação aos EUA, Japão e Europa (em particular, a Zona Euro) no que se refere à I&D+i (Investigação e Desenvolvimento e Inovação). O estudo centra-se em dados do Banco Mundial em torno das patentes de residentes e das exportações de produtos de alta tecnologia, ou seja, produtos com elevada intensidade de I&D+i tal como na indústria aeroespacial, farmacêutica, instrumentos científicos e maquinaria eléctrica (as exportações encontram-se expressas em dólares correntes). O período sob análise situa-se entre 1992 e 2013. Ao nível da estatística, o caso visa ilustrar as técnicas de análise da evolução temporal e a análise de componentes principais, esta última, enquanto técnica de análise de padrões de relação entre variáveis assim como enquanto técnica de redução de variáveis para efeitos da regressão. Em termos de conexão com a Human Resources Analytics, o caso permite ilustrar o uso de técnicas de estatística univariada e multivariada na avaliação da competitividade do capital humano dos países.

2. Análise dos Dados Temporais O gráfico abaixo apresenta a evolução temporal das patentes de residentes nos diferentes países/regiões sob análise. Dos diferentes países/regiões a China destaca-se com a trajectória mais acelerada de tendência exponencial, tendo ultrapassado a Zona Euro em 2005, os EUA em 2009 e o Japão em 2010. Até 2010 o Japão era o líder ao nível das patentes atribuídas anualmente a residentes, mas perdeu o primeiro lugar para a China e, posteriormente, o segundo lugar para os EUA em 2013.

3

Fig. 1: Patentes anuais dos EUA, Zona Euro, e BRICS. Destaca-se também o facto de que, no espaço de três anos (2010 a 2013), a diferença entre o primeiro lugar (China) e o segundo lugar (Estados Unidos) é a maior do período em análise, o que implica uma aceleração muito grande da China com divergência em relação quer aos EUA quer ao Japão, o qual tem estado em declínio desde o ano 2000 (ver figura 2 baixo).

Fig.2: Patentes de anuais de residentes do Japão. Assim, enquanto que, na década de 1990, o Japão se destacava em relação aos restantes países/regiões sob análise em termos de patentes de residentes, desde o ano 2000 que os valores de patentes apresentam uma trajectória com tendência decrescente entre o ano 2000 e o último ano disponível na base de dados (2013). Em relação ao Japão, importa ter em atenção que, dos diferentes momentos de industrialização e desenvolvimento do país, houve dois momentos que marcaram a trajectória do país podem ser sinalizados nos seguintes dois períodos históricos: 

Finais do século XIX, marcando o início da era Meiji, em que o Japão importou os modelos da Europa e dos EUA num esforço de industrialização; 4



Finais da Segunda-Guerra Mundial, uma vez mais marcando o esforço de industrialização do país.

Na década de 1960, o Japão aproximou-se rapidamente dos Estados Unidos em termos de crescimento tendo-os ultrapassado ao nível do número de patentes anuais de residentes em 1968 descolando relativamente aos EUA neste indicador, com um desvio em relação aos EUA crescente durante a década de 1980 (ver gráfico abaixo), contrastando com a imagem passada do Japão como “imitador” decorrente principalmente dos esforços anteriores de modernização e industrialização (em particular no chamado período Meiji) e no progresso que conduziu ao Milagre Económico (veja-se a este propósito o estudo de Masahiro Takada (1999) disponível no website http://workspace.unpan.org/sites/internet/Documents/UNPAN95168.pdf). Nas décadas de 1980 e 1990 o Japão passou de uma situação em que efectivamente importava modelos externos para um país de referência na área do desenvolvimento tecnológico ao nível da invenção e inovação tecnológica intensa em I&D, marcando em particular áreas de ponta como a robótica, entre outras.

Patents Residents (USA vs Japan)

1963 1965 1967 1969 1971 1973 1975 1977 1979 1983 1985 1987 1989 1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013

450000 400000 350000 300000 250000 200000 150000 100000 50000 0

United States

Japan

Fig.3: Patentes de residentes EUA vs Japão (período de 1963 a 2013). A quebra progressiva da imagem passada do Japão como “imitador”, em vez de “inventor”, tem sido reiterada recentemente em vários artigos, no contexto mais alargado da gestão e finanças, também em conexão com o desenvolvimento da China1. A China teve um processo bastante semelhante ao Japão. Afirmando-se, mais recentemente, tal como ocorreu com o Japão ao nível da I&D+i. Embora, no que se refere às invenções conducentes a patentes de residentes, o Japão seja ainda uma

1

Veja-se a este propósito os artigos da Bloomberg e da Forbes: “Japan Isn't Just a Knockoff Nation” http://www.bloombergview.com/articles/2015-0505/japan-doesn-t-just-imitate-other-nation-s-inventions. “Can Asians Innovate?”http://www.forbes.com/sites/williamduggan/2011/10/11/can-asiansinnovate/#65edfb127150.

5

referência, o descolar da China e a subida rápida dos Estados Unidos, conjuntamente com a quebra nas patentes de residentes no Japão, marcaram um ritmo sinalizador de um possível declínio ao nível da I&D+i, possível declínio que tem sido objecto de análise ao longo da última década2. Na área da robótica, têm sido, recentemente, levantadas questões em relação à capacidade do Japão em conseguir manter a posição de liderança, conforme analisado no artigo de Janeiro de 2014 do Financial Times: Are Japanese robots losing their edge to Silicon Valley?3. O avanço acelerado da China, por seu turno, implica um desafio crescente quer ao Japão quer aos EUA, enquanto potência tecnológica. A ascensão rápida da China enquanto possível potência tecnológica futura é visível noutros indicadores para além das patentes. Assim, reforçando a evidência acima das patentes, as exportações de alta tecnologia revelam um perfil análogo de progressão acelerada em que a China assume num espaço de tempo muito curto uma posição de liderança, em comparação, neste caso, com a Europa, EUA e Japão, conforme se poderá verificar no gráfico apresentado na página seguinte. A Europa tem tido também uma trajectória de crescimento acelerado nas exportações de alta tecnologia, detendo o primeiro lugar no período de 1992 a 2011, mas foi ultrapassada pela China em 2012.

Fig. 4: Exportações anuais de alta tecnologia (em dólares correntes) para os EUA, Europa, Japão e China.

2

Veja-se a referência de 2012 “No Japan patent crisis, say experts, as JPO filings fall again” (http://www.iam-media.com/blog/detail.aspx?g=cc213713-2d2b-4dcf-a105-de3682a620e9), assim como o estudo de 2003 “Is Japan’s Innovative Capacity in Decline?” (http://www.nber.org/chapters/c9576.pdf). 3 Ver texto disponível no link: https://next.ft.com/content/6b239682-847e-11e5-8e801574112844fd#axzz43TVdO2Tq.

6

De entre os BRICS, a China destaca-se, assim, como o país com a melhor performance em termos de inovação no que se refere aos indicadores em análise. Considerando, em maior detalhe, no que se refere aos BRICS, os dados das patentes e excluindo a China da análise, para melhor visualização, verifica-se que a Federação Russa assume o segundo lugar dos BRICS, conforme gráfico da figura 5, tendo apresentado um declínio até 1997 após o que começou a recuperar com uma tendência crescente desde então. Com menos patentes, mas com uma dinâmica exponencial acelerada destaca-se também a Índia, que ultrapassou o Brasil em 2004, assumindo o terceiro lugar nos BRICS, em termos de número de patentes de residentes.

Fig. 5: Evolução das patentes anuais dos BRICS sem a China. Considerando a Índia isoladamente, é visível a aceleração nos números de patentes de residentes, conforme ilustrado na figura seguinte.

Fig. 6: Evolução das patentes na Índia. 7

Tendo em atenção a dinâmica dos BRICS, e a influência crescente deste bloco em termos de cooperação e de potencial de inovação tecnológica, capaz de “desafiar” os EUA ao nível da hegemonia tecnológica, importa considerar os seguintes dois quadros de correlações, verificando-se três factos relevantes a registar:  



No caso das patentes de residentes, as correlações mais fortes são positivas e entre os países: China, a Índia e Brasil; Existem correlações positivas e fortes (acima de 0,9) entre as exportações de alta tecnologia na China e as patentes na Índia (Pearson: 0,994; Spearman: 0,992), China (Pearson: 0,93; Spearman: 0,988) e Brasil (Pearson: 0,918, Spearman: 0,984); As correlações com a Rússia, para as diferentes variáveis, são médias/fracas e com a África do Sul assumem valores muito baixos não sendo, neste último caso, estatisticamente significativos, para uma significância de 5% e de 1%.

As correlações fortes entre a Índia, China e Brasil indicam uma trajectória comum de expansão do bloco BIC (Brasil, Índia, China) dentro dos BRICS. No sentido de explorar as relações entre os países/regiões, no que se refere às patentes de residentes, passamos a realizar uma análise de componentes principais. 8

3. Análise de Componentes Principais A análise de componentes principais é uma técnica estatística multivariada que transforma um conjunto inicial de variáveis correlacionadas num outro conjunto de variáveis não correlacionadas tendo em atenção os padrões de correlações e tais que: 







As novas variáveis (chamadas de componentes) sintetizam padrões de relação entre os dados originais, permitindo identificar características/padrões comuns nos dados; As novas variáveis são geradas de tal modo que a capacidade de síntese dos padrões originais dos dados é decrescente ou seja: a primeira componente sintetiza a percentagem maior de padrão contido nas variáveis originais, a segunda componente sintetiza uma percentagem menor do que a primeira mas maior do que as restantes e assim sucessivamente; A totalidade das componentes geradas (sempre em número igual ao das variáveis originais) explica 100% do padrão original contido nos dados, mas, pela forma como são geradas as componentes, torna-se possível seleccionar, de entre as componentes geradas, um número menor de componentes a serem retidas e que explicam uma percentagem elevada dos padrões contidos nos dados originais, não se considerando assim aquelas componentes que têm um poder de síntese menor, logo, uma percentagem menor (ou mesmo residual) de padrão capturado, neste caso, perde-se alguma informação (% de padrão). Deste modo, a escolha de quanto padrão estamos dispostos a perder e de quantas variáveis residuais queremos acrescentar é uma questão central. O critério dos valores próprios superiores a 1 (critério de Kaiser), incorporado no SPSS, assume apenas como variáveis a reter aquelas que têm um impacto elevado em termos explicativo, trata-se de um critério possível, mas cabe sempre ao analista a escolha final acerca de que critério seguir.

Aplicando a análise de componentes principais aos dados das patentes, importa avaliar, em primeiro lugar, a existência de correlações entre as variáveis, dado que a análise pressupõe que as variáveis originais estejam correlacionadas. O teste de esfericidade de Bartlett apresentado no quadro seguinte permite testar se as variáveis estão ou não correlacionadas (sendo a hipótese nula a de que não estão correlacionadas).

À luz do p-value (Sig.) do teste de esfericidade de Bartlett (0,000), rejeita-se a hipótese nula do mesmo para qualquer nível de significância de referência (0,10, 0,05 ou 0,01) o que implica que existem correlações entre as patentes para os diferentes países. 9

A estatística de Kaiser-Meyer-Olkin (KMO) permite complementar a análise do teste de Bartlett. A estatística KMO permite avaliar a existência de padrões comuns nas variáveis capazes de constituir componentes com valor explicativo dos padrões originais contidos nos dados. Em termos de leitura da estatística, quanto mais afastada esta estiver de 0,5 e mais próxima de 1 mais forte é a presença de padrões passíveis de constituírem factores ou componentes4 com capacidade explicativa dos padrões originais5. Nos casos em que a estatística KMO é inferior a 0,5 importa avaliar que variáveis poderão explicar esse valor baixo e que poderão eventualmente ser retiradas da análise. Neste caso, a estatística de KMO tem o valor de 0,724 o que indica uma adequabilidade média dos dados à análise. Existindo correlações entre as variáveis, e sendo o KMO maior do que 0,5, a tabela seguinte a analisar é a tabela da variância total explicada que contém a capacidade de síntese de padrões de cada componente, assim como o resultado decorrente da escolha das componentes a reter para análise posterior.

Podemos verificar que as duas primeiras componentes são aquelas que têm maior impacto (valores próprios superiores 1), logo, que são retidas pelo SPSS para análise posterior, utilizando o critério de Kaiser. A capacidade explicativa conjunta das duas primeiras componentes é de 78,285% do padrão contido nos dados originais (variância explicada acumulada de 78,285%) o que significa que se perdem 21,715% em termos de informação contida nos dados originais. Poder-se-ia, assim, considerar, em alternativa, neste caso, três componentes dado que o desvio entre a segunda e a terceira componente, em termos de variância explicada não é muito elevado, e em contrapartida ficaríamos com 90,010% de padrão capturado

4

Veja-se a este propósito a explicação disponível no site: http://www-01.ibm.com/support/docview.wss?uid=swg21479963 5 No caso da análise factorial as variáveis originais são expressas como combinações lineares dos factores que se assume serem variáveis explicativas dos padrões contidos nas variáveis originais. No caso da análise de componentes principais a capacidade explicativa das componentes assume um sentido de síntese relacional, isto é: cada componente sintetiza os padrões dos dados originais sendo expressa em termos de uma combinação das variáveis originais. Na análise de componentes principais, cada componente sintetiza um padrão geral distinto das restantes, logo, com correlações próximas de zero.

10

na solução. Analisaremos, contudo, seguidamente, a solução fornecida pelo critério de Kaiser como análise preliminar. Considerando este resultado (de duas componentes retidas), podemos, agora, analisar as comunalidades que nos indicam, em termos percentuais, quanto do padrão de cada variável original é capturado na solução de duas componentes retidas (ver tabela da página seguinte). Considerando os resultados das comunalidades verifica-se, então, que: 

Os países com maior padrão capturado pelas componentes retidas são, por ordem: o Índia (98,2%); o EUA (89,8%); o China (87,6%); o Brasil (86,3%); o África do Sul (83,8%).

A Federação Russa, a Zona Euro e o Japão têm uma percentagem menor de padrão capturado, destacando-se, neste caso, o Japão como aquele que tem a menor percentagem de padrão capturado na solução de duas componentes.

Na tabela seguinte, apresentamos os pesos de cada variável nas componentes, para facilidade de análise optou-se por omitir os valores de pesos inferiores a 0,6 (veja-se o apêndice para procedimento correspondente com SPSS).

11

Podemos verificar que a segunda componente é explicada principalmente pela África do Sul (peso de 0,915) e pela Federação Russa (peso de 0,684), tendo as restantes variáveis pesos menores na componente. A primeira componente, por seu turno, é principalmente explicada pela Índia (peso de 0,989), EUA (peso de 0,948), China (peso de 0,929) e Brasil (peso de 0,927). A Zona Euro apresenta um peso de 0,757 na primeira componente e o Japão um peso de -0,710. O peso negativo do Japão indica que este tem um impacto negativo na componente. A razão deste valor negativo prende-se com o facto de o Japão se encontrar negativamente correlacionado com os restantes países/regiões que incorporam a componente conforme se pode confirmar nas tabelas seguintes.

Estes resultados decorrem da tendência de declínio do Japão, no que se refere às patentes, anteriormente analisada. Face ao facto de que as patentes anuais do Japão têm esta dinâmica negativamente correlacionada com as restantes variáveis, se voltarmos a realizar a análise mas sem o Japão, então, a estatística KMO sobe de 0,724 para 0,759, o que indica uma melhoria na adequabilidade da amostra.

Continua-se a reter duas componentes, mas, neste caso, com uma capacidade de captura de padrão de 83,033%. Neste caso, três componentes já não se justifica pois a 12

terceira componente acrescenta somente 8,811% de capacidade explicativa contrastando com 19,627% da segunda componente. Mais de 80% de capacidade explicativa é suficiente para considerar como uma boa solução no que se refere ao padrão capturado, logo, neste caso, seguimos o critério de Kaiser.

A matriz das componentes apresentada abaixo confirma o resultado anterior, isto é, as patentes anuais de residentes da Federação Russa e da África do Sul são as variáveis que maior impacto têm na segunda componente, as restantes variáveis têm impacto maior na primeira componente.

Este resultado indica uma convergência grande de padrão ao nível do bloco BIC6 (dentro dos BRICS), dos EUA e da Zona Euro, capturando, a primeira componente, o padrão destes três blocos BIC, EUA e Zona Euro. Dentro dos países que compõem os BIC destaca-se, na primeira componente, em termos de impacto, a Índia (coeficiente de 0,975), seguida do Brasil (coeficiente de 0,955) e finalmente a China (coeficiente de 0,896), os EUA (coeficiente de 0,973) são o país com maior impacto na componente após a Índia, a Zona Euro é aquela que tem o menor impacto (coeficiente de 0,791). Realizando uma análise de componentes principais adicional, somente para o bloco BIC+EUA+Zona Euro (logo, sem a Federação Russa e a África do Sul), o KMO resultante é de 0,798, sendo apenas retida uma componente (ver quadros abaixo).

6

BIC: Brasil, Índia, China.

13

O total de variância explicada pela única componente retida é de 85,626%, logo, a componente retida captura 85,626% do padrão contido nos dados originais. O quadro das comunalidades, apresentado abaixo, indica que 95,5% do padrão contido nos dados das patentes nos EUA é capturado pela componente retida, seguindo-se, em termos de importância decrescente, a Índia com 95,1%, o Brasil com 92,2%, a China com 79,9% e a Zona Euro com 65,5%.

A matriz das componentes, apresentada abaixo, indica, para a única componente retida, que os EUA se destacam com um coeficiente maior (0,977) seguindo-se-lhe a Índia (coeficiente de 0,975), o Brasil (coeficiente de 0,960), a China (coeficiente de 0,894) e a Zona Euro (coeficiente de 0,809).

Tendo por base os resultados das análises de componentes principais, passamos a utilizar as duas últimas soluções na análise de regressão das exportações de alta tecnologia dos EUA e da China em relação às componentes retidas.

14

3. Exportações de Tecnologia: China vs. EUA O objectivo das análises de regressão realizadas na presente secção consiste em testar até que ponto as patentes anuais dos diferentes países/regiões sob análise permitem explicar e serem utilizadas para prever as exportações de alta tecnologia da China e dos EUA. Para simplificar a leitura, utilizaremos como unidade milhões de dólares em vez de dólares.

3.1. Caso da Solução de Duas Componentes Dado que as variáveis das patentes se encontram fortemente correlacionadas, uma tentativa de explicar as exportações de alta tecnologia utilizando os dados das patentes como variáveis explicativas, tem de passar primeiro pela análise de componentes principais, de modo a eliminar as correlações. Por seu turno, a análise de componentes principais permite também reduzir o número de variáveis explicativas, tornando o modelo de regressão mais parcimonioso. No caso da análise sem o Japão, obtivemos duas componentes: a primeira determinada principalmente pelas patentes anuais de residentes nos BIC, EUA e Zona Euro, a segunda determinada principalmente pelas patentes anuais de residentes na Rússia e na África do Sul. Aplicando a regressão linear múltipla às exportações de alta tecnologia nos EUA, verifica-se que a capacidade explicativa do modelo de regressão é de 2,7%, isto é, as duas componentes retidas explicam apenas 2,7% dos dados das exportações de alta tecnologia nos EUA (ver coeficiente de determinação ajustado no quadro abaixo).

O poder explicativo/preditivo das patentes anuais em relação às exportações anuais de alta tecnologia dos EUA é assim muito baixo, implicando que não existe uma relação suficientemente forte entre as duas dimensões (patentes e exportações) suficiente para se inferir acerca das exportações com base no padrão das patentes. Este resultado é reforçado pelo teste ANOVA apresentado abaixo, dado que não se rejeita a hipótese nula do teste para qualquer dos níveis de significância de referência, isto é, não se rejeita a hipótese de que o modelo de regressão não tem capacidade explicativa.

15

Considerando os testes individuais aos coeficientes (ver quadro abaixo) conclui-se, assim, que nenhuma das componentes tem poder explicativo, embora o nível de significância do teste t à primeira componente (p-value do teste) seja mais baixo do que o nível de significância do teste t à segunda componente (0,192 contra 0,397 respectivamente), nenhum dos níveis de significância é suficientemente baixo para se rejeitar a hipótese nula de que o impacto da variável independente correspondente é igual a zero, considerando os níveis de significância de referência 0,1, 0,05 e 0,01. Assim, a probabilidade de erro tipo I (rejeitar a hipótese nula sendo esta verdadeira) é demasiado elevada, pelo que não podemos rejeitar a hipótese nula para nenhum dos regressores, o que significa que, em termos inferenciais, nenhuma das componentes tem impacto sobre as exportações de alta tecnologia nos EUA.

Considerando, agora, o caso das exportações de alta tecnologia da China, a relação é distinta. O coeficiente de determinação ajustado é de 94,5% (ver quadro abaixo) o que significa que as patentes anuais de residentes explicam 94,5% dos dados das exportações de alta tecnologia da China, à luz do modelo de regressão.

A conclusão acima é reforçada pelo teste ANOVA apresentado abaixo, cujo p-value (Sig.) é de 0,000, logo, inferior a qualquer dos níveis de significância de referência, pelo que se rejeita a hipótese nula do teste, considerando-se que o modelo tem, em termos inferenciais, poder explicativo.

16

Considerando, agora, os testes t aos dois regressores apresentados no quadro abaixo, verifica-se que enquanto a primeira componente tem poder explicativo a segunda componente não tem, pois, considerando os três níveis de significância de referência (0,1, 0,05 e 0,01) rejeita-se a hipótese nula do teste t para a primeira componente mas não se rejeita para a segunda, o que significa que as patentes de residentes nos BIC+EUA+Zona Euro têm, à luz do modelo de regressão, um impacto explicativo nas exportações, enquanto as patentes de residentes na Rússia e na África do Sul não têm impacto explicativo.

Tendo em atenção este resultado importa considerar a solução de componente única que apenas considera as patentes de residentes nos BIC+EUA+Zona Euro em relação às exportações de alta tecnologia da China.

3.3. Caso da Solução de Componente Única Estando a lidar com uma regressão simples (logo, de uma variável explicativa (“regressor”) para uma variável dependente), começamos por analisar os resultados da regressão utilizando a análise gráfica. A figura seguinte indica que, de entre o modelo linear e o modelo cúbico, o modelo cúbico apresenta um maior poder explicativo, embora ambos apresentem um poder explicativo elevado. Tendo em atenção esses resultados importa considerar o resultado do menu curve estimation para os dois modelos.

17

Fig.7: Exportações de alta tecnologia da China em relação à componente retida com linhas de regressão estimadas. No modelo linear o coeficiente de determinação ajustado é de 93,9% (ver quadro abaixo), logo, 93,9% dos dados das exportações de alta tecnologia da China são explicados pelas patentes de residentes nos BIC+EUA+Zona Euro.

O teste ANOVA (apresentada abaixo) indica que o modelo de regressão tem poder explicativo para qualquer nível de significância de referência.

Os resultados dos testes t confirmam o resultado da ANOVA. Considerando o valor dos coeficientes vemos que uma variação de uma unidade na componente retida implica uma variação esperada positiva de 179 415,757 milhões de dólares nas exportações de alta tecnologia da China.

18

O modelo linear indica, em termos previsionais, que quanto maior o número de patentes anuais de residentes nos BIC+EUA+Zona Euro maior tenderão a ser as exportações de produtos de alta tecnologia da China. O que pressupõe que a dinâmica de I&D+i conducente a um maior número de patentes implica também um maior dinamismo ao nível do consumo de alta tecnologia com elevada I&D incorporada. O modelo cúbico implica que existem limites a esta dinâmica, como veremos seguidamente. No caso do modelo cúbico o coeficiente de determinação ajustado é de 97,8% (ver quadro abaixo), logo, a capacidade explicativa do modelo de regressão é maior.

O teste ANOVA indica que o modelo tem capacidade explicativa para qualquer nível de significância de referência.

Quanto ao modelo de regressão verifica-se que qualquer das dependências até à cúbica são estatisticamente significativas para qualquer dos níveis de significância de referência.

19

Retomando o gráfico, somente com o modelo cúbico, podemos notar uma diferença central em termos de relação, a saber: quando as patentes de residentes nos países/regiões incorporados na componente são muito elevadas tende a haver um abrandamento do nível de exportações de alta tecnologia, sendo que a curva cúbica estimada, neste nível maior, apresenta um melhor ajuste (menores desvios) do que no nível inferior de patentes (maiores desvios).

Fig.8: Regressão cúbica das exportações de alta tecnologia da China em relação à componente retida. Uma possível interpretação económica para a curva cúbica estimada é que: enquanto determinado nível crescente de patentes tende a conduzir a uma aceleração das actividades de I&D+i conduzindo, por seu turno, a uma tendência para um crescimento da procura de produtos de alta tecnologia com origem chinesa (note-se que no caso norte-americano este perfil já não se verifica), quando esse nível se torna muito elevado surgem limites de mercado ao efeito de subida na procura de produtos de alta tecnologia, o que poderá explicar o abrandamento no nível superior. Um outro factor a ter em atenção é a possibilidade de I&D+i conduzir a um maior desenvolvimento e consumo de produção tecnológica nacional nos diferentes países atenuando o efeito sobre as exportações. A existência de padrão de regressão para o caso das exportações da China em relação às patentes de residentes (não encontrado no caso dos EUA) indica a centralidade da China no seio das economias analisadas. Em termos de diagnóstico final, a China está fortemente ligada ao bloco BIC, dentro dos BRICS, tendo apresentado, até 2013 (último ano de dados disponível na base de dados), um crescimento tecnológico acelerado, com trajectória exponencial, que a projectou enquanto líder quer ao nível da produção de patentes de residentes, quer ao nível das exportações de alta tecnologia, por comparação com o conjunto dos BRICS, dos EUA, Japão e Europa. Esta vantagem da China deve-se fortemente à valorização do seu capital humano nacional em termos de formação e desenvolvimento de capacidade de criação 20

de conhecimento com efeitos não-lineares sobre a capacidade de inovação, tornando-a uma potência de referência nesta área. A sustentabilidade futura da posição da enquanto potência tecnológica dependerá fortemente das políticas nacionais chinesas de investimento em capital humano.

21

Apêndice – Exemplo de Instruções com o SPSS para a Análise de Componentes Principais No presente anexo, ilustramos a aplicação da primeira análise de componentes principais aplicada no presente texto.

Passo 1: Analyze -> Dimension Reduction -> Factor

22

Passo 2: Colocar as variáveis para as quais se pretende realizar a análise

Passo 3: Abertura do menu “Descriptives” Clicar em “Descriptives”.

Deverão ser marcadas a “Initial solution” e a opção “KMO and Bartlett’s test of sphericity” conforme ilustrado na página seguinte.

23

Passo 4: Clicar em “Continue” no menu Descriptives e em “OK” para correr a análise se se quiser a matriz das componentes apresentada com os coeficientes todos, caso se queira omitir os coeficientes, em valor absoluto, inferiores a 0,6 (como se fez no texto principal), para tornar mais fácil a leitura das matrizes das componentes, então tem de se clicar em “Options” e seleccionar a opção “Suppress small coefficients” alterando o valor na opção “Absolute value below” para 0,6, conforme ilustrado seguidamente.

24

Passos Adicionais: Se se quisesse alterar critério de componentes retidas ter-se-ia de clicar em “Extraction” e de mudar o critério dos valores próprios maiores do que 1 para outro critério de valores próprios ou, em alternativa, indicar quantos factores/componetes se pretendia extraír.

25

Zona de alteração de critérios.

Se se quisesse reter a solução final ter-se-ia de clicar em “Scores” e depois selecionar a opção “Save as variables”, clicando então em “Continue” e “OK” para realizar a análise e guardar as componentes como variáveis, conforme se indica nas figuras seguintes.

26

27