Uso de los Censos Económicos para la detección de factores de éxito en las empresas de la manufactura automotriz mediante modelos de clúster

Use of Economic Censuses for the Detection of Success Factors in Automotive Manufacturing Companies through Cluster Models

 

Edgar Manuel Matus Carballo* y Carlos Alberto Jiménez Bandala**

_______

* Universidad La Salle México, macaed00@gmail.com
** Universidad Autónoma del Estado de Quintana Roo, carlos.jimenez@uqroo.edu.mx

Nota: Esta investigación se realizó en el marco del proyecto Patrones de éxito y fracaso en la evolución económica de los negocios identificados a partir de la minería de datos y las redes neuronales artificiales A3-S-129311 del Fondo Sectorial CONACYT-INEGI.

 

Vol. 13, núm. 3 – EPUB                                                           Uso de los censos… – EPUB

Las empresas de la industria automotriz (IA) tienden a imitar entre sí prácticas organizacionales que no siempre son exitosas. El administrador o cualquier otro agente debe decidir tan rápido que no puede discernir cuál práctica imitar para llegar al éxito. Esta investigación tiene por objetivo identificar las prácticas exitosas entre empresas de la IA a partir del uso de la información de los Censos Económicos del Instituto Nacional de Estadística y Geografía. Se realiza a partir de un análisis de agrupamiento de datos o clusterización que incluyó a 2 934 unidades económicas evaluadas en 162 indicadores que pertenecen a seis dimensiones: Finanzas, Recursos humanos, Investigación y desarrollo, Innovación tecnológica, Innovación de gestión y Producción. El éxito fue medido mediante seis indicadores relacionados con el crecimiento, rentabilidad y supervivencia. Los resultados identificaron 52 factores comunes entre las unidades económicas más exitosas, la mayoría relacionados con finanzas. El trabajo demuestra la importancia de los datos censales y la inteligencia artificial para tomar mejores decisiones. Palabras clave: isomorfismo organizacional; Método de Clusterización; Censos Económicos.

Companies in the automotive industry (AI) tend to imitate organizational practices that are not always successful. The manager or any other agent must decide so fast that he/she cannot discern which practice to imitate in order to be successful. This research aims to identify successful practices among AI firms using information from the Economic Census of the National Institute of Statistics and Geography. It is carried out from a data grouping or clustering analysis that included 2,934 economic units evaluated on 162 indicators belonging to six dimensions: Finance, Human Resources, Research and Development, Technological Innovation, Management Innovation and Production. Success was measured by six indicators related to growth, profitability and survival. The results identified 52 common factors among the most successful economic units, most of them related to finance. The work demonstrates the importance of census data and artificial intelligence in making better decisions. Key words: organizational isomorphism; Clustering Method; Economic Censuses.

 

Recibido: 19 de octubre de 2021
Aceptado: 7 de marzo de 2022

 

Introducción

Si partimos del supuesto racional de que todas las empresas buscan optimizar sus recursos para maximizar sus beneficios (Coase, 1937), podemos estar de acuerdo en que es tarea central del empresario, administrador o cualquier otro agente que tome decisiones lograr que estos objetivos se alcancen. En algunos campos organizacionales altamente institucionalizados es común que los negocios se imiten entre sí algunas prácticas; este fenómeno ha sido estudiado con amplitud bajo el nombre de isomorfismo institucional (DiMaggio y Powell, 1991). Desde esta perspectiva, hay un consenso en el que las prácticas isomórficas no responden solo a procesos racionales, es decir, los agentes decisores las imitan sin discernir entre aquellas que resultarán en éxito y las que no; algunas de las imitadas solo responden a la legitimación frente al mercado (Dacin et al., 2002; Hitt et al., 2004).

La industria automotriz (IA) es un ejemplo claro de un campo organizacional altamente institucionalizado, donde se comparten actividades, procesos, indicadores y paquetes tecnológicos y de gestión (McFarland et al., 2008). Algunas prácticas han demostrado de forma general su eficiencia, como el Justo a Tiempo (JIT, por sus siglas en inglés), la Calidad Total o el Kan-Ban; sin embargo, muchas otras se replican sin tener certeza en los resultados (Min et al., 2022; Aksom, 2022); en otros casos, aun imitando la misma práctica, los resultados fueron diferenciados según el tamaño de la empresa (Dasanayaka et al., 2022).

Esto complejiza el trabajo del decisor, sus limitaciones se deben, en gran medida, al tiempo que le tomaría hacer el discernimiento entre tipos de prácticas, la cantidad de información que debe reunir para hacerlo y la capacidad de procesamiento que debería tener para tal fin (Simon, 1960). No obstante, en la era de la Industria 4.0, esta racionalidad limitada está a punto de superarse, los métodos de análisis masivos de datos (Big Data), asociados a capacidades computacionales que imitan las funciones neuronales (inteligencia artificial) pueden proveernos información bastante precisa en un tiempo significativamente reducido.

Las aristas de la complejidad aumentarán en la era post-COVID-19; la pandemia obligó a las empresas a adoptar rápidamente herramientas digitales para adaptarse a los ambientes de alta incertidumbre La IA tuvo severas afectaciones, primero al detener sus actividades en el confinamiento y después por la escasez de insumos durante la etapa de reactivación. Ha sido en esta crisis que ha quedado develado que la imitación de prácticas no necesariamente es racional y, por lo tanto, sus resultados no siempre inciden en el éxito, por ello se hace necesario proponer herramientas para que los agentes decisores puedan discernir entre los tipos de prácticas que imitarán y adoptarán (Pelle y Tabajdi, 2021).

En ese sentido, este trabajo tiene por objetivo identificar las prácticas isomórficas que contribuyen al éxito de las empresas de la IA mexicana mediante un análisis de clúster de los microdatos de los Censos Económicos 2019^[1] del Instituto Nacional de Estadística y Geografía (INEGI, 2019) que representan una gran fuente de información confiable y que hoy, más que nunca, es indispensable. La hipótesis principal es que existen prácticas que son compartidas (imitadas) entre los negocios de este sector de actividad económica, pero que no inciden en los resultados de éxito.

Esta investigación se sustenta en el enfoque teórico del nuevo institucionalismo que sostiene que las prácticas isomórficas en las organizaciones no se llevan a cabo por buscar resultados positivos, sino que hay un entramado de acuerdos implícitos en los que, a partir de compartir ciertas prácticas, se obtiene legitimidad en el campo, aunque explícitamente se declaren como buenas prácticas y se promuevan su aplicación (Hitt et al., 2004; Tsai et al., 2021), como sucede en la industria automotriz.

Identificar los factores de éxito permitirá a los agentes económicos tomar mejores decisiones en materia de gestión para definir estrategias de dirección, movilizar recursos hacia una acción determinada o replicar prácticas que tengan efectos positivos en los resultados de las empresas (O’Reagan et al., 2005); pero dentro de los ambientes institucionalizados llega a ser muy complicado para los administradores y estudiosos de las organizaciones poder distinguir entre las que se imitan por legitimación y aquellas que inciden en el éxito; esta intuición podría tomar mucho tiempo y años de experiencia; no obstante, la inteligencia artificial y el procesamiento masivo de datos hoy nos permiten acortar el tiempo de forma significativa minimizando, al mismo tiempo, el tamaño del error. Esa es la finalidad última de este trabajo y el problema central que se pretende atender.

Este artículo se divide en cuatro secciones, además de la introducción. En la segunda parte se exponen los fundamentos teóricos que soportan el enfoque institucionalista en la industria automotriz; en la tercera se explica la metodología basada en minería de datos e inteligencia artificial y que, específicamente, conocemos como clusterización; en una cuarta se discuten los resultados; y en la quinta se presentan conclusiones.

Isomorfismo organizacional en la industria automotriz mexicana

La manufactura se dedica a la transformación de las materias primas y, junto con las actividades extractivas y de construcción, pertenece al sector secundario. Por su naturaleza es muy heterogénea; por un lado, están los subsectores de alimentos, textiles, madera, papel y cartón, que son mayormente precarios en sus procesos productivos y de trabajo; y por el otro, los relacionados con la petroquímica, la química, los minerales, la metalmecánica y el cómputo, identificados como los más dinámicos e innovadores (Jiménez-Bandala y Sánchez Daza, 2014). En este contexto, la investigación tiene como objeto de estudio la industria automotriz.

La manufactura automotriz es considerada un sector de arrastre, por los encadenamientos productivos que tiene con otras industrias, tanto hacia atrás (vidrio, electrónica, acero, etc.) como hacia adelante (financieras, seguros, etc.) y por las tasas de crecimiento que ha mostrado en los últimos 25 años (Jiménez-Bandala y Pérez, 2019). La IA representa 19 % del valor de producción de toda la industria manufacturera y absorbe entre 35 y 42 % de la Inversión Extranjera Directa de la manufactura (SE, 2019). La IA se concentra, principalmente, en los corredores Centro (Puebla, Hidalgo, Morelos, estado de México y Ciudad de México) y Bajío (Guanajuato, Querétaro y Aguascalientes), así como en la Frontera Norte (Chihuahua, Sonora y Baja California) (Jiménez-Bandala y Pérez, 2019).

La IA utiliza mecanismos altamente institucionalizados, así como rutinas y ceremonias que tienen como finalidad homogeneizar el comportamiento del trabajador y el desempeño de las tareas que requieren un nivel de estandarización dentro de la cadena global; es decir, el proceso productivo necesita un grado de homogenización interorganizacional, de tal forma que el comportamiento de una organización está determinado por el conjunto de relaciones que tiene con otras organizaciones (Sacomano et al., 2013). Este nivel de interacción las presiona para imitar prácticas o asimilar y adaptar lo que están haciendo las demás (Min et al., 2022). Este proceso puede ser identificado como isomorfismo y es más común en campos organizacionales muy estructurados y profesionalizados (Powell y DiMaggio, 1983; Ansmann y Seyfried, 2022), características comunes de industrias donde predominan grandes empresas transnacionales.

El isomorfismo puede entenderse como un mecanismo de coordinación que produce una convergencia de prácticas y procesos a través de tres diferentes tipos: a) mimético, b) normativo y c) coercitivo (DiMaggio y Powell, 1991). Estas prácticas similares no necesariamente son las más exitosas, por esto, es importante identificarlas y discernir entre ellas.

El tipo coercitivo está relacionado por presiones formales e informales; las segundas provienen de las expectativas culturales en la sociedad sobre la función de las organizaciones, mientras que las primeras vienen de regulaciones gubernamentales, como impuestos, controles de contaminación y regulaciones contables.

El mimético proviene de la incertidumbre, por ejemplo, ambientes de cambios rápidos en el mercado o la tecnología. Las empresas gestionan la incertidumbre imitando a otras, modelan su comportamiento a través de mecanismos como: la contratación de trabajadores de otros negocios, la participación en asociaciones del mismo sector o recurriendo a los mismos consultores, incluso, la base de clientes compartida también puede ser un factor de influencia.

Puede haber tres tipos de imitaciones basadas en: a) la frecuencia, cuando un gran número de empresas reproduce prácticas similares; b) las características, se imitan las prácticas por tamaño o actividad; y c) resultados, se imitan las prácticas que en apariencia se relacionan con el éxito.

El isomorfismo normativo proviene de la profesionalización, que puede entenderse como la lucha colectiva de los miembros de una ocupación para definir las condiciones y los métodos de su trabajo que establece una base cognitiva y de legitimación. Se pueden identificar dos mecanismos principales: las redes de profesionistas y la educación formal.

En el piso de producción, la industria automotriz se organiza a partir de enclaves comúnmente llamados clústeres, donde hay un gran número de empresas proveedoras que trabajan en torno a una empresa central. La cadena de estas puede ser tan larga como el nivel de especialización de cada uno de los procesos y se clasifica en función de la distancia que hay con respecto a la empresa central. De esta manera, los proveedores directos se conocen como Tier 1, los del primer nivel son el Tier 2 y así sucesivamente. Estas formas de encadenamientos entre organizaciones facilitan el isomorfismo como si se tratara de una cadena de contagios (McFarland et al., 2008).

Son las empresas centrales las que detonan, en mayor medida, las transformaciones replicándose a sí mismas en sus subsidiarias, como si se clonaran, y —aunque raro— podría suceder lo contrario de las empresas pequeñas a las grandes como una forma de estrategia subversiva (Morgan y Kristensen, 2006).

Algunas investigaciones sobre la industria automotriz y el isomorfismo dan cuenta que la imitación se propicia en las cadenas de suministros, por ejemplo, Ting Wu et al., (2013) mencionan como ejemplo el JIT y dejan en evidencia que su adopción tuvo más causales poco racionales, como el no perder al cliente, que un verdadero sentido económico para la empresa.

Al principio, los administradores podrían adoptar nuevas prácticas porque ofrecen mejoras en el desempeño o porque los proveedores los han influido y persuadido; incluso, estas podrían ser adoptadas por legitimación, más que por mejorar el desempeño, por ejemplo, Abrahamson y Rosenkopf (1993) señalan que algunas empresas del mismo campo hacen suyas las mismas prácticas, solo por el hecho de que otras unidades económicas las han adquirido, sin necesidad de discernir sobre sus resultados (de eficiencia o rentabilidad), en una especie de presión de ferrocarril. De hecho, esta imitación no siempre es benéfica, por ello, resulta altamente necesario que los agentes que toman decisiones puedan tener los mayores elementos que les permitan distinguir entre tipos de prácticas y proyectar sus consecuencias.

 

Materiales y métodos

Para este trabajo, se consideró como objeto de estudio a las empresas manufactureras de la industria automotriz que dentro del Sistema de Clasificación Industrial de América del Norte (SCIAN) estuvieran en el subsector 336 (INEGI, 2018) y cuyas ramas se muestran en el cuadro 1.

Se tomó el universo total de las empresas que respondieron en el 2019 el cuestionario de los Censos Económicos 2019: en total 2 934 unidades económicas.^[2]

Con el fin de identificar las prácticas isomórficas, se propuso un modelo matemático de agrupamiento de datos (clusterización) que tuviera como criterio de agrupación el grado de éxito de una empresa medido a partir de criterios previamente definidos que consideraron: la rentabilidad, el crecimiento y la permanencia. A partir de los grupos formados se ordenaron de menor a mayor grado de éxito; solo se consideró el que mostró los indicadores más altos y se compararon las características que estadísticamente fueron significativas para considerarse isomórficas. Los datos se procesaron en el Laboratorio de Microdatos de INEGI y por confidencialidad solo se obtuvieron los resultados agregados. El proceso metodológico se detalla a continuación.

 

Definición de las variables

Variables de salida (dependientes)

Estas, que en nuestro diseño de investigación podemos llamar dependientes, tienen como finalidad la medición del éxito de las empresas y representan tres categorías: crecimiento, rentabilidad y permanencia, como se muestra en el cuadro 2.

Variables de entrada (independientes)

Estas, que en nuestro diseño de investigación podemos llamar independientes, tienen como finalidad medir los factores de éxito. Con los reactivos que contiene el cuestionario censal 2019 se construyeron 162 indicadores (Anexo) que reflejan prácticas organizacionales y que responden a seis dimensiones: Finanzas, Investigación y desarrollo (I+D), Innovación en la gestión, Innovación tecnológica, Producción y Recursos humanos.

Modelo de agrupamiento de datos (clusterización)

La minería de datos es un campo de la estadística para el procesamiento de grandes cantidades de estos; para ello, se apoya en técnicas de inteligencia artificial, cuyo rasgo más significativo es imitar el proceso de pensamiento del cerebro humano a través de códigos y algoritmos computacionales.

El análisis de clúster es una técnica de la minería de datos. Su objetivo principal es hacer una clasificación de acuerdo con las características que las observaciones presentan donde se plantea encontrar un conjunto de grupos a los que serán asignados los distintos individuos por algún criterio de homogeneidad. Por lo tanto, se hace imprescindible definir una medida de similitud o divergencia para clasificar a los individuos en unos u otros grupos.

Dentro de la teoría del análisis de clúster existen dos clasificaciones principales: a) utilizando un algoritmo de partición: hace referencia a la división de las observaciones con un número k de clústeres ya definidos con anterioridad por el analista; b) empleando un algoritmo jerárquico, método que asigna una jerarquía a las observaciones de acuerdo con sus características y, a su vez, se divide en dos: i) jerárquico disociativo, el cual divide los datos de un gran conglomerado en varios semejantes y ii) jerárquico aglomerativo, que supone a cada observación como un clúster y los va asociando según sus características.

Para poder clasificar a las empresas automotrices, se siguió la metodología de un clúster con algoritmo de partición, basándose en un k con valor de 3, considerando para la industria automotriz los tres primeros Tier. El 1, que es el de las grandes empresas que administran la plantas; el 2, que corresponde a las plantas de producción; y finalmente el 3, que se atribuye a los distribuidores y manejadores de refacciones.

Dentro del análisis, las variables de salida (que están enfocadas en la rentabilidad, supervivencia y crecimiento) se convirtieron en dicotómicas, asignando el valor de 1 cuando el resultante de la empresa estuvo por encima de la media del sector y 0, por debajo, esto con el fin de poder construir la matriz de distancias que se pondrá en el modelo de clúster. En el caso de la supervivencia, la dicotómica detectaba unidades económicas que iniciaron sus operaciones en el mismo año del levantamiento censal (0) y las que tenían mayor antigüedad (1). Posteriormente, se definieron tres posibles grupos a partir de una clasificación basada en un semáforo y basándose en si se cumplían las condiciones, como se indica a continuación:

Esta categorización de las observaciones es un análisis multivariado; para este trabajo se propusieron clústeres basados en particiones con el objetivo de buscar que la función de costo fuera la mínima. De acuerdo con Schubert y Rousseeuw (2019), el modelo PAM (por sus siglas en inglés Partitioning Around Medoids), es el más adecuado para formar los grupos porque no es sensible a los datos atípicos, bien conocidos como outliers, y que funciona para el estudio de los datos de la industria automotriz dado su origen en la encuesta del SCIAN. El PAM busca los medoides de la información a partir de subconjuntos que se eligen de manera aleatoria de las observaciones proporcionadas en la matriz A de distancias, donde tenemos n observaciones con m variables, como en (1); posteriormente, se estandariza sobre las variables dependientes para su uso en la clasificación y así poder reasignarlas con la finalidad de reducir la función de costo (f_costo) que está definida como en (2):

Esta última representa la suma de las disimilitudes en cada uno de los puntos x_j ∈ C_i en el medoide m_i  elegido del clúster. Esta función de distancia utilizada para d(x_j, m_i) hace uso de la función de distancia de Manhattan que, de acuerdo con Kassambara (2017), se utiliza para poder hacer las mediciones con las medianas en lugar de las medias dado que la media es sensible a los datos atípicos y se define como en (3):

Definida esta función de costos, se deberá calcular la matriz de semejanza para lograr que la información capturada se pueda comparar; en este sentido, se estandariza la matriz de las observaciones para poder generar la función de costo sobre dicha matriz y los medoides seleccionados. Así, el objetivo es obtener reasignaciones de las observaciones en grupos (clusterings) a través de ese muestreo en el modelo utilizado con la matriz de semejanza y la minimización de la función de costo.

Para realizar la validación del modelo utilizado en el presente trabajo, se utilizaron tres indicadores principales que, de acuerdo con Arbelaitz et al. (2013), representan una fuerte validación para el análisis de clúster; estos son:

• Índice de Dunn. Es de razón, donde se estima la distancia mínima de separación entre el diámetro máximo, por lo que se busca que este se vea maximizado.
• Estadístico Pearson-Gammma. Es una adaptación del rango de correlación de la prueba de Goodman y Kruskal Gamma para clasificar cantidades, y se busca que también sea alto.
• Índice de Silueta. Es normalizado que busca la distancia entre todos los puntos de un mismo clúster y la divide entre la separación de este mismo. Gracias a esto se toma la silueta promedio, que se pretende sea alta y sin valores negativos.

Resultados

Estos mostraron que el número ideal de clústeres para agrupar las empresas automotrices es de tres, como se observa en la gráfica de codo. Con respecto a los diversos índices construidos para elegir el clúster que mejor se adapta, tenemos que el salto entre las distancias internas del clúster 2 al 3 es la mayor para ese rubro y de igual manera sucede con las distancias internas, situación que nos ayuda a elegir que tres es la mejor opción como número ideal de clústeres.

Las pruebas estadísticas también comprobaron lo anterior, como se muestra en el cuadro 3.

El clúster 1 agrupó a 1 041 unidades económicas, de las cuales 32 % estuvo en color verde; el 2, a 722 empresas con 15 % en verde; mientras que el 3, a 1 171 negocios, ninguno en verde; por ello, podemos decir con certeza que el clúster 1 es más exitoso que el 2 y, a su vez, el 2 es más que el 3.

En lo que respecta al análisis de los valores de las variables de entrada, se tiene que en el clúster 1 (más exitoso) predominan empresas más intensivas en capital y con indicadores más altos con respecto a los otros grupos en el ámbito de innovación y finanzas. Por su parte, el 2 fue más intensivo en trabajo, pero más dinámico en la adquisición de activo fijo que los otros dos grupos. Por último, el 3 (menos exitoso) fue poco intensivo en capital, orientado en mayor medida a la comercialización y menos a la producción, lo cual puede develarnos que se trataría de las unidades económicas proveedoras y de outsourcing de la manufactura automotriz. Lo anterior es congruente tanto con la subdivisión por Tier que se hace de esta industria como con trabajos previos que analizan los contagios isomórficos en la cadena de proveedores, siendo los más cercanos a la empresa central los que logran un mayor nivel de similitud (McFarland et al., 2008; Ting Wu et al., 2013).

Para identificar las prácticas isomórficas que incidieron en mayor medida en el éxito (variables de entrada), se analizaron los valores de todos los indicadores del clúster 1 y se eligieron los que fueron estadísticamente significativos para diferenciar entre las empresas en color verde y el resto. Este análisis se desarrolló a través del estudio minucioso de las variables donde se tomaron las medias de los indicadores por cada uno de los clústeres y se escogieron aquellas variables donde los valores de las medias tuvieran mayor variación entre dichos clústeres para hacer el estudio de estas variables que son más significativas en el clúster 1. En total, fueron 104 indicadores que reflejaban prácticas diferentes entre empresas más y menos exitosas.

Posteriormente, se analizaron los valores de esos 104 indicadores al interior de las empresas en color verde para identificar las prácticas compartidas; para ello, se calculó el coeficiente de variación (CV) y la mediana de cada indicador para elegir aquellos cuyo CV fuera menor a la mediana, de tal suerte que el resultado muestra los 52 indicadores que reflejan las prácticas más homogéneas de las empresas más exitosas de la industria automotriz. Con este resultado, se demuestra que no todas las prácticas compartidas inciden en el éxito empresarial y podemos suponer que se imitan por efectos isomóficos o por modas teóricas, como sostiene Aksom (2022).

De las seis dimensiones propuestas, solo cuatro fueron importantes para destacar prácticas isomórficas, como se muestra en el cuadro 4.

Por lo que destaca que las prácticas en Finanzas son las que más se imitan entre las empresas automotrices y que, al mismo tiempo, tienen incidencia en el éxito. Cabe destacar el acceso al crédito y el tipo de uso. Las unidades económicas exitosas utilizan el crédito en mayor medida para el apalancamiento de otras deudas y menos para la compra de activos (locales, vehículos e insumos). Esto nos lleva a deducir una relación en el tamaño de los negocios más grandes con los más exitosos, ya que según Dasanayaka et al. (2022), la tendencia en las grandes empresas es recurrir al leasing, que adelgaza los activos (lean). De forma congruente, se encontró que las empresas más exitosas muestran tasas más altas en gastos de arrendamiento y más bajas en mantenimiento y publicidad como proporción de los gastos totales. También, tuvieron las tasas más bajas de ingreso por comisiones, arrendamiento y prestación de servicios, lo cual significa que están enfocadas en la producción del bien principal, que es congruente con resultados como los obtenidos por Pearce y Robbins (1993) y Quinn y Hilmer (1994).

En segundo lugar, destaca la gestión de Recursos humanos, y entre las prácticas con mayor incidencia sobresalen: a) el pago de un mayor volumen de prestaciones; pero b) una menor proporción en el reparto de utilidades (PTU); c) incorporación del trabajo femenino; d) menor proporción del trabajo sin salario; pero e) mayor proporción del que es suministrado por una filial de la empresa (terciarización del empleo).

Lo anterior resulta lógico, tanto las variables de Finanzas como las de Recursos humanos están reflejando un alto nivel de flexibilidad y estructuras esbeltas que permiten cambios más rápidos; en contraste, las empresas menos exitosas, cuyos indicadores fueron opuestos, son entonces más rígidas porque su proporción de activos tangibles es más alto y el peso de los costos salariales, también, lo que provoca cambios más lentos, tal como se halló en trabajos como los de Boudreau (1996), Min et al. (2022) y Tsai et al. (2021).

La tercera dimensión con mayor peso fue la Innovación tecnológica. Las prácticas isomórficas son el mayor uso de internet (tanto para los procesos de la empresa como para la gestión del personal) y haber recibido apoyos públicos, evidencia que se ha mostrado en trabajos como el de Jiménez-Bandala y Pérez (2019).

En cuarto lugar estuvieron las variables asociadas a la Producción, en la que se destacan prácticas como reducción de costos de materias primas, mayor número de días y horas laboradas al año (hubo menos paros técnicos) y una menor proporción de los gastos en fuerza de trabajo (intensivas en capital), muy de la mano de lo que señala Blumberg (1998) y Tsai et al. (2021) sobre el rediseño del tamaño organizacional.

Las dimensiones Innovación en la gestión e I+D no resultaron representadas porque suponemos no son un elemento diferenciador entre empresas más exitosas; al contrario, para el sector resulta inherente asumirlas, como ocurre en aquellos contextos que exigen mayores niveles de calidad y formación educativa (Ansmann y Seyfried, 2022); recordemos que el primer filtro de descarte de variable fue la diferencia entre más y menos exitosas.

Conclusiones

El análisis organizacional desde la perspectiva institucional ha sido utilizado en mayor medida para la comprensión, pero poco en la aplicación en la gestión y el direccionamiento de los cambios en la organización; la aportación de este trabajo pretende abonar en esta área poco explorada. También busca aportar la inclusión del Big Data y la inteligencia artificial en los estudios organizacionales, de forma más específica en la corriente institucionalista, a partir del procesamiento de grandes cantidades de datos, en este caso los provenientes de los Censos Económicos por medio de metodologías novedosas, como el agrupamiento o clusterización.

Los resultados del análisis de los datos censales para la industria automotriz comprueban que se trata de un campo altamente institucionalizado, que se explica a partir de las múltiples relaciones que se tienen entre empresa central y su cadena de proveedores, por lo que es alto el contagio de las prácticas y, por lo tanto, el isomorfismo, como se planteó en la hipótesis. De los 162 indicadores analizados que pueden considerarse prácticas organizacionales, al menos 52 resultaron ser estadísticamente homogéneos entre las empresas más exitosas y diferentes con respecto a las que menos lo son. Podemos decir que estos indicadores tienen incidencia en el éxito (rentabilidad, supervivencia o crecimiento) de la organización, no obstante, de acuerdo con la teoría, su imitación podría tener otras finalidades no racionales, como la legitimación o el seguimiento de modas administrativas.

Se identificó que la mayor parte de las empresas exitosas comparten características comunes en sus procesos, como ser intensivas en capital, y por ello es congruente que la distinción más grande entre las más y las menos exitosas tenga relación con las dimensiones de Finanzas y Recursos humanos, y se orienten hacia un nivel menor de precarización del trabajo.

La continuación de este tipo de trabajos nos permitirá comprender de mejor manera los mecanismos de isomorfismo, así como una distinción de las causas y sus resultados para poder incidir de mejor manera en la transformación de nuestras organizaciones.

_____________

Fuentes

Abrahamson, E. y L. Rosenkopf. “Institutional and competitive bandwagons: using mathematical modelling as a tool to explore innovation diffusion”, en: Academy of Management Review. 18(3), 1993, pp. 487-517.

Aksom, H. “Reconciling conflicting predictions about transience and persistence of management concepts in management fashion theory and new institutionalism” en: International Journal of Organizational Analysis. 30(2), 2022, pp. 430-453. https://doi:10.1108/IJOA-10-2020-2445.

Ansmann, M. y M. Seyfried. “Isomorphism and organizational performance: Evidence from quality management in higher education”, en: Quality Assurance in Education, 30(1), 2022, pp. 135-149. https://doi:10.1108/QAE-07-2021-0114.

Arbelaitz, O., I. Gurrutxaga, J. Muguerza, J. M. Pérez y I. Perona. “An extensive comparative study of cluster validity indices”, en: Pattern Recognition. 46(1), 2013, pp. 243-256.

Blumberg, D. “Strategic assessmet of outsourcing and downsizing in the service market”, en: Managing Service Quality. 8 (1), 1998, pp. 5-18.

Boudreau, J. Human Resources and Organization Success. Ithaca, NY, Cornell University, School of Industrial and Labor Relations, Center for Advanced Human Resource Studies, 1996.

Coase, R. “The Nature of the firm”, en: Economica. 4(16), 1937, pp. 386-405 (DE) https://doi.org/10.1111/j.1468-0335.1937.tb00002.x.

Dacin, M. T., J. Goodstein y W. R. Scott. “Institutional theory and institutional change: Introduction to the special research forum”, en: Academic Management Journal. 45, 2002, pp. 45-56.

Dasanayaka, C. H., N. Gunarathne, D. F. Murphy y P. Nagirikandalage. “Triggers for and barriers to the adoption of environmental management practices by small and medium-sized enterprises: A critical review”, en: Corporate Social Responsibility and Environmental Management. 1(16), 2022. (DE) https://doi:10.1002/csr.2244.

DiMaggio, W. y P. Powell. The new institutionalism in organizational analysis. Chicago, University of Chicago Press, 1991.

Hitt, M. A., D. Ahlstrom, M. T. Dacin, E. Levitas, y L. Svobodina. “The institutional effects on strategic alliance partner selection in transition economies: China vs. Russia”, en: Organization Science. 15(2), 2004, pp. 173-85.

INEGI. Censos Económicos 2019. Resultados definitivos. México, INEGI, 2019.

_______ Sistema de Clasificación Industrial de América del Norte. México, INEGI, 2018.

Jiménez-Bandala, C. y N. Pérez. “Estado y sector automotriz: la configuración de la estructura empresarial. Los enjuegos macro y microeconómicos del desarrollo”, en: Revista Latinoamericana De Investigación Social. 2(1), 2019, pp. 1-17.

Jiménez-Bandala, C. y G. Sánchez Daza. “La flexibilidad laboral en México. Los efectos de las relaciones neoliberales de trabajo”, en: Ventura, Teresa (coord.). Las expresiones del mundo laboral. México, BUAP, 2014, pp. 15-34.

Kassambara, A. Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning. Volume 1. STHDA, 2017.

McFarland, R. G., J. M. Bloodgood y J. M. Payan. “Supply chain contagion”, en: Journal of Marketing. 72(2), 2008, pp. 63-79.

Min, Y., Y. Liao y Z. Chen. “The side effect of business group membership: How do business group isomorphic pressures affect organizational innovation in affiliated firms?”, en: Journal of Business Research. 141, 2022, pp. 380-392. (DE) https://doi:10.1016/j.jbusres.2021.11.036.

Morgan, G. y P. Kristensen. “The contested space of multinationals: Varieties of institutionalism, varieties of capitalism”, en: Human Relations. 59(11), 2006, pp. 1467-1490. (DE) https://doi: 10.1177/0018726706072866.

O’Reagan, N., A. Ghobadian y M. Sims. “The link between leadership, strategy, and performance in manufacturing SMEs, J. Small Bus”, en: Strategy. 15(2), 2005, pp. 45-57.

Pelle, A. y G. Tabajdi. “Covid-19 and transformational megatrends in the european automotive industry: Evidence from business decisions with a central and eastern european focus”, en: Entrepreneurial Business and Economics Review. 9(4), 2021, pp. 19-33. (DE) https://doi:10.15678/EBER.2021.090402.

Pearce, J y K. Robbins. Toward improved theory and research on business turnaround, Journal of Management, 19(3), 1993, pp. 613-636. (DE) https://doi.org/10.1016/0149-2063(93)90007-A.

Powell, P. y W. DiMaggio. “The new institutionalism: avenue of collaboration”, en: Journal of Institutional and Theoretical Economics. 154(4), 1983, pp. 696-705.

Quinn, J. y F. Hilmer. “Strategic Outsourcing”, en: Sloan Management Review. 35(4), 1994 (summer), pp.43-55.

Sacomano, M., O. Serra y C. Kirschbaum. “Isomorphism and Institutional Control in a Modular Plant of the Automotive Industry”, en: Revista Brasileira de Gestão de Negócios. 15(49), 2013, pp. 529-544.

Secretaría de Economía (SE). Boletín de información de la industria automotriz. México, PROMEXICO-SE, 2019.

Simon, H. A. “Some further notes on a class of skew distribution functions”, en: Information and Control. 3(1), 1960, pp. 80-88.

Schubert, E. y P. Rousseeuw. “Faster k-Medoids Clustering: Improving the PAM, CLARA, and CLARANS Algorithms”, en: Similarity Search and Applications. Springer International Publishing, 2019, pp. 171-187. (DE) https://doi.org/10.1007%2F978-3-030-32047-8_16

Ting Wu, E. M., D. Hinton y P. Quintas. “Isomorphic mechanisms in manufacturing supply chains: a comparison of indigenous Chinese firms and foreign-owned MNCs”, en: Supply Chain Management: An International Journal. 18(2), 2013, pp. 161-177 (DE) http://dx.doi.org/10.1108/13598541311318809.

Tsai, M., J. Wang y Y. Chen. “Effect of social identity on supply chain technology adoption of small businesses”, en: Asia Pacific Management Review. 26(3), 2021, pp. 129-136 (DE) https://doi:10.1016/j.apmrv.2020.12.001.

__________

 Anexo

^[1] Los Censos Económicos se realizan cada cinco años con el objetivo de obtener información estadística básica de todos los establecimientos productores de bienes, comercializadores de mercancías y prestadores de servicios para generar indicadores económicos de México a un gran nivel de detalle geográfico, sectorial y temático.

^[2] Las unidades económicas son la unidad mínima de información de la cual se puede disponer de información.