METHODOLOGY

Além do esforço de P&D das empresas, muitos trabalhos que utilizam a FPC avaliam separadamente o efeito da pesquisa acadêmica na inovação local. Isso se deve a percepção de que não incluir a pesquisa universitária nessa análise seria ignorar a contribuição da academia para a inovação local, relatada em muitos trabalhos33. Entre estes, Klevorick et al. (1995) e Cohen, Nelson e Walsh (2002) apontaram que os desenvolvimentos científicos e tecnológicos no âmbito acadêmico e a formação pelas universidades de profissionais capacitados são fundamentais para os processos inovativos das empresas.

Por isso, diversos trabalhos seguem a linha de Jaffe (1989) e incluem separadamente na Função de Produção de Conhecimento medidas da P&D Industrial e da pesquisa universitária. São os casos dos trabalhos de Fischer e Varga (2003), de Fritsch e Slavtchev (2007), de Gonçalves e Almeida (2009) e de Gonçalves e Fajardo (2011).

33 _{Nesse trabalho, assim como em outros estudos, utiliza-se a expressão P&D Universitário para englobar}

toda a pesquisa universitária e, não apenas as atividades diretamente relacionadas ao desenvolvimento de novos produtos e processos similares às atividades industriais de P&D,

115

Assim, com o intuito de avaliar o papel do esforço acadêmico no resultado inovativo local, adicionou-se ao modelo uma variável específica para os esforços de P&D Universitário. No entanto, há grande dificuldade em obter uma proxy adequada para a capacidade local de pesquisa nas universidades no Brasil. Alguns trabalhos, como os de Gonçalves e Almeida (2009) e de Gonçalves e Fajardo (2011), utilizaram como proxy o número de professores em cada localidade. Para isso, consideraram os professores ligados a programas de pós-graduação listados na CAPES como uma medida adequada da pesquisa. Outra medida possível seria o uso do número de alunos vinculados aos programas de pós-graduação. Tais medidas podem ser consideradas mais próximas da atividade de pesquisa universitária porque é nesse ambiente que costuma se desenvolver grande parcela da pesquisa acadêmica brasileira. No entanto, essas variáveis apresentam uma importante restrição, já que contabiliza apenas como profissionais capazes de desenvolver atividades inovativas na academia as pessoas ligadas aos programas formais de pós-graduação que são relativamente restritos no país. Portanto, essa medida pode subestimar a pesquisa universitária nacional porque há diversos profissionais não ligados a um programa de pós-graduação reconhecido pela CAPES que realizam atividades importantes para o progresso tecnológico.

Outra variável alternativa disponível, e que está relacionada à pesquisa acadêmica, é o número de professores universitários com doutorado, listados no Censo do Ensino Superior do INEP. Esse indicador aponta o número de professores dedicados exclusivamente às atividades acadêmicas e que possuem qualificação para desenvolver pesquisas. Partindo desse pressuposto, Montenegro e Betarelli Júnior (2009) utilizaram uma medida desse tipo que evita contabilizar apenas os profissionais vinculados a um programa de pós-graduação formalmente estabelecido. Entretanto, adotar apenas esse indicador como proxy para a Pesquisa Acadêmica poderia superestimar a quantidade de esforços de pesquisa, uma vez que muitos professores nas condições acima indicadas estão apenas dedicados às funções de docência na graduação.

Para contornar a ausência de uma boa proxy e as limitações dos indicadores apresentados, optou-se por utilizar duas variáveis associadas à pesquisa universitária em conjunto, extraindo delas uma proxy única. A primeira é a quantidade de professores com doutorado e dedicação plena por cada dez mil habitantes na localidade, disponível no Censo do Ensino Superior do INEP; e a segunda é o número de alunos dos

116

programas de Pós-Graduação credenciados junto a CAPES, informação disponível no portal GeoCAPES, também por dez mil habitantes.

Na tabela 6.2 estão listadas as dez primeiras microrregiões em números relativos de alunos de pós-graduação e professores doutores com dedicação plena. Como é possível verificar, há importantes similaridades entre as duas listas como a presença de São Carlos, Viçosa, Lavras, Florianópolis e Santa Maria nos dois rankings.

Tabela 6.2 – Dez microrregiões com mais professores e alunos de pós-graduação.

Microrregião

Prof. dout. por

dez mil hab. Microrregião

Alunos pós-grad. por dez mil hab.

1 Viçosa 23,81 1 São Carlos 109,45

2 Florianópolis 17,12 2 Viçosa 59,96

3 Lavras 17,10 3 Botucatu 57,90

4 São Carlos 16,84 4 Florianópolis 50,31

5 Itaguaí 15,08 5 Lavras 49,78

6 Santa Maria 15,07 6 Piracicaba 32,33

7 Ouro Preto 14,29 7 Santa Maria 30,29

8 Maringá 14,08 8 Campinas 28,22

9 Londrina 10,14 9 Itaguaí 27,90

10 Litoral Lagunar 8,98 10 Rio Claro 26,71

Média geral 0,75 Média geral 1,87

Fonte: INEP, 2005. Fonte: CAPES, 2005.

A estratégia de combinar esse dois indicadores permite mitigar as imperfeições das duas variáveis como proxies para a pesquisa universitária e obter uma melhor medida da capacidade de realização de pesquisa acadêmica de cada localidade. Para isso, foi utilizada a Análise dos Componentes Principais (ACP) que possibilita associar as duas variáveis discutidas anteriormente em um indicador único e preservar, em grande medida, a variabilidade dos dados originais. Essa técnica é adotada em alguns trabalhos como o de Crescenzi, Rodríguez-Pose e Storper (2007).

117 Quadro 6.2– Resultados da Análise dos Componentes Principais (P&D Universitário).

Componente Autovalor Diferença Proporção Acumulado

Comp 1 1,764 1,529 0,882 0,802

Comp 2 0,236 0,000 0,118 0,974

Variável Comp 1 Comp 2

Número de alunos de pós-graduação por dez mil hab. (CAPES)

0,7071 0,7071 Número de prof. dout. e dedicação

integral por dez mil hab. (INEP)

0,7071 -0,7071

Variável Média Desv. padrão Mínimo Máximo

Alunos de pós-graduação 1,830 7,727 0,000 111,155

Professores doutores 0,711 2,342 0,000 23,811

Fonte: Elaboração própria com dados do INEP e CAPES, 2005.

A ACP converte um conjunto de variáveis correlacionadas em um ou mais componentes. O primeiro desses componentes explica a maior variância dos dados originais e, no caso concreto do trabalho corresponde a 88% do poder explicativo das duas variáveis. Portanto, pode-se considerar o componente gerado pelo PCA uma boa

proxy para a atividade de P&D das universidades, um vez que representa com maior

fidelidade o esforço de pesquisa sem as possíveis fragilidades das variáveis individuais.