Vol. 69, No. 1, Enero 2002


Publicado en: miércoles 30, enero, 2002

(1) “Empatando una técnica de pronósticos a una tecnología” (Matching of technological forecasting technique to a technology), Somnath Mishra, S. G Deshmukh, Prem Vrat (pp. 1-27)

La elaboración de pronósticos tecnológicos ha sido reconocida como una herramienta efectiva para establecer estrategias tecnológicas. Un gran número de técnicas han evolucionado para elaborar pronósticos tecnológicos. La calidad de los pronósticos depende mucho de la selección apropiada de las técnicas. La aplicación demanda que la técnica empleada necesite ser específica en tiempo, espacio y tecnología. Un análisis sobre las limitaciones de los pronósticos tecnológicos pone en claro el poco esfuerzo que se ha hecho para seleccionar una técnica apropiada para una tecnología particular. La selección de una técnica apropiada en una situación particular podría afectar la precisión y fiabilidad del pronóstico. En este artículo se sugiere una metodología para empatar la técnica a una tecnología mapeando las características tanto de la tecnología como de la técnica sobre una escala común. La técnica cuyo perfil se ajusta de manera más cercana al perfil de la tecnología se vuelve una elección obvia. Esta metodología ayudará en la selección de técnicas complementarias y apropiadas para una tecnología. Dos tecnologías específicas pertenecientes al Principal Tanque de Batalla y la tecnología de la información fueron seleccionadas para ilustrar la aplicación de la metodología propuesta.

Palabras clave: pronósticos tecnológicos; selección de técnicas; empate técnica/tecnología; mapeos de características; escala común; principal tanque de batalla; tecnología de la información.

(2) “Un modelo de simulación con avance técnico endógeno: Tecnología de la información y retornos crecientes de la investigación” (A simulation model with endogenous technical advance: Information technology and increasing returns from research), Gordon R Richards (pp. 29-51)

Este artículo construye sobre un modelo de simulación en el que el avance tecnológico es estocástico, y en gran parte endógeno. La tecnología consiste en dos principales componentes: investigación y desarrollo; y avance técnico residual. La investigación y desarrollo comprenden un componente de financiamiento gubernamental, que es tratado como exógeno, y un componente financiado por la industria privada, que es determinado dentro del modelo. La investigación y desarrollo financiados por la industria son modelados como análogos a una existencia de capital: las inversiones dependen del precio de renta, o costo del usuario de la investigación, y del acelerador. La elasticidad de la investigación y desarrollo en la función de producción es variable con el tiempo y creciente: la investigación y desarrollo se vuelven más eficientes a lo largo del tiempo. El incremento en la elasticidad de la investigación y desarrollo está determinado en el modelo por la calidad de la computadora. Existe una relación entre el avance técnico residual durante la década de los 1990 y la mayor participación de las computadoras y los programas de computadora en la demanda final, aunque esto no es válido para períodos anteriores. La función de producción también incluye existencias de capital desagregadas: equipo y programas de computadora; vivienda; estructuras no residenciales; y capital gubernamental. El modelo econométrico es empleado para conducir experimentos de simulación. La simulación básica ilustra cómo cambios en la calidad de las computadoras afectan tanto la elasticidad de la investigación y desarrollo como la tecnología residual. El resto de las simulaciones examinan asuntos de políticas: el crédito al impuesto sobre investigación y desarrollo, y el financiamiento del gobierno a la investigación básica.

Palabras clave: modelo de simulación; función de producción; avance tecnológico endógeno; investigación y desarrollo; tecnología de la información; calidad de las computadoras; financiamiento, elasticidad de la investigación y desarrollo; políticas de investigación y desarrollo; tasa de retorno.

(3) “Relacionando la capacidad de aprendizaje al éxito de la manufactura integrada por computadora” (Relating learning capability to the success of computer-integrated manufacturing), Jason Z Yin (pp. 53-70)

Con avances rápidos tanto en tecnologías electrónicas como mecánicas, los sistemas de fabricación integrada por computadoras (FIC) le dan a los usuarios cada vez más flexibilidad, calidad velocidad y productividad. Sin embrago, la exploración y explotación de sistemas FIC sofisticados requieren aprendizaje organizacional. Este artículo relaciona empíricamente la capacidad de aprendizaje organizacional con el comportamiento de las empresas (o plantas) de FIC. Los resultados de un análisis de regresión jerárquica de 124 empresas indican que mientras que la capacidad de aprendizaje juega un papel significativo de manera general, el alineamiento apropiado de las capacidades de aprendizaje con las técnicas de FIC conducirá a un mejor comportamiento.

Palabras clave: fabricación integrada de computadoras; aprendizaje organizacional; capacidad de aprendizaje; análisis de regresión jerárquica. CIM;

(4) “Combinando un modelo de red neuronal con el modelo de series de tiempo estacionales ARIMA” (Combining neural network model with seasonal time series ARIMA model), Fang-Mei Tseng, Hsiao-Cheng Yu, Gwo-Hsiung Tzeng (pp. 71-87)

Este artículo propone un modelo híbrido de pronósticos, que combina el ARIMA estacional de series de tiempo (SARIMA) y los modelos de propagación hacia atrás de redes neuronales conocidos como SARIMABP. Este modelo fue usado para pronosticar dos series de datos estacionales del valor total de la producción para la industria de maquinaria taiwanesas y las series de tiempo de refrescos. El comportamiento de los pronósticos fue comparado entre cuatro modelos, i.e., los modelos SARIMABP y SARIMA y los dos modelos de red neuronal con datos diferenciados y desestacionalizados, respectivamente. Entre estos métodos, el error cuadrático medio, el error absoluto medio, el error de porcentaje absoluto medio del modelo SARIMABP fueron los menores. El modelo SARIMABP fue también capaz de pronosticar ciertos puntos de retorno significativos de las series de tiempo de prueba.

Palabras clave: ARIMA; propagación hacia atrás; industria de maquinaria; Taiwán; red neuronal; sARIMA; SARIMABP; series de tiempo.

(5) “Crecimiento de la productividad y potenciales de aprendizaje de la industria tailandesa” (Productivity growth and learning potentials of Thai industry), Prasopchoke Pramongkit, Teay Shawyun, Boonmark Sirinaovakul (pp. 89-101)

Mejorar el potencial técnico de las empresas se ha vuelto un asunto importante en varias dimensiones encontradas en la literatura. La política de aprender haciendo uno mismo no mantendrá competitivas a las empresas dependientes de tecnología en la economía global. Este artículo presenta un nuevo marco de vínculos para las industrias de concentración de tecnología clasificadas bajo la categoría ISIC (industria ligera y pesada) y potenciales de aprendizaje de la industria tailandesa bajo una plataforma de adquisición de tecnología. Una medida de crecimiento de la productividad es ver el ímpetu por la transferencia tecnológica, mientras que la técnica de estimación de la curva de aprendizaje es una herramienta para medir el potencial de aprendizaje de la industria tailandesa. Este es un intento por medir la progresión de competencias surgida de la productividad técnica y el aprendizaje colectivo a través de las fronteras de la industria tailandesa. El objetivo es explorar una relación entre productividad técnica y potenciales de aprendizaje de la industria tailandesa. El artículo también presenta agrupamientos de industrias con buen potencial de aprendizaje, y el efecto de aprendizaje que implica la tasa de retorno marginal de recursos asignados a la mejora de la productividad que varía a través de las industrias.

Palabras clave: crecimiento de productividad; potencial de aprendizaje; industria tailandesa; industria ligera y pesada; transferencia tecnológica; curvas de aprendizaje; agrupamientos industriales; tasa de retorno.

(6) Reseña de libro: “Ciencia, tecnología y política de innovación: Oportunidades y retos para la economía del conocimiento” (Science, Technology, and Innovation Policy: Opportunities and Challenges for the Knowledge Economy: edited by Pedro Conceicao, David Gibson, Manuel Heitor and Syed Shariq, Quorum Books, Westport, Connecticut, USA, 2000), Nawaz Sharif (pp. 101-106)

Escrito por:

FJBS Admin