Como navegar pela produção acadêmica argentina em tecnologia
A pesquisa em inovação e tecnologia na Argentina tem um perfil bem específico. Quando você começa a ler os trabalhos de duas pesquisadoras argentinas lerner e sadovsky, percebe rapidamente que elas trabalham com dados empíricos de empresas reais, não só com modelos teóricos. Isso muda tudo na hora de aplicar os métodos delas. O sistema acadêmico argentino funciona de forma diferente do brasileiro. A maioria das publicações vem de universidades como UCA, Di Tella e Universidad Nacional de Quilmes. Os dados são coletados diretamente de empresas, especialmente do setor de serviços e tecnologia. Se você quer replicar esse tipo de pesquisa, precisa lidar com a burocracia local desde o primeiro dia.
Método de coleta com duas pesquisadoras argentinas lerner e sadovsky
O método delas é basicamente survey estruturado aplicado a gestores de empresas. O diferencial está no follow-up. Elas ligam para responder dúvidas dos entrevistados, o que aumenta a taxa de resposta de cerca de 40% para quase 70%. No Brasil, a gente tenta fazer o mesmo e gasta o triplo do tempo porque o fuso horário e a cultura de trabalho são diferentes. Uma coisa que ninguém fala é sobre o problema da sazonalidade. A Argentina tem crises econômicas regulares, e isso distorce totalmente os dados se você não controlar. No meu caso, quando tentei usar o modelo delas para pesquisar empresas do Rio Grande do Sul, os dados de 2020-2022 vieram completamente quebrados por causa da inflação. A solução foi normalizar tudo em pesos da época e depois converter para dólares do período correspondente, usando a taxa oficial do BCRA.
O código que elas disponibilizam não é perfeito. O Stata delas tem macros meio confusas, mas o que funciona mesmo é extrair a lógica do questionário. O instrumento delas tem cerca de 80 perguntas divididas em blocos: infraestrutura tecnológica, investimento em P&D, parcerias com universidades, e resultado financeiro. Cada bloco tem escala Likert de 1 a 5, mas o ponto importante é que as perguntas de resultado financeiro pedem intervalos, não valores exatos. Isso reduz o viés de resposta mas exige análise estatística mais cuidadosa.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Análise de dados: o que realmente funciona
A maioria dos pesquisadores que tenta replicar esse trabalho comete o erro de usar regressão OLS direta. Os dados das empresas argentinas têm heterocedasticidade séria, então o recomendado é usar robust standard errors ou Tobit se a variável dependente tem limites. No trabalho delas, a variável de desempenho inovativo às vezes tem muitos zeros porque empresas menores não inovaram no período. Outro detalhe importante: elas controlam para tamanho da empresa usando logaritmo do número de funcionários, mas não usam dummy de setor de forma suficiente. Se você está analisando dados setoriais, precisa incluir ao menos 5 dummies de CNAE. Caso contrário, o efeito do setor vaza para os coeficientes principais.
O pacote de dados que elas liberam no RePEc ou na página da UCA costuma ter problemas de codificação. Os nomes das variáveis às vezes vêm com acentos quebrados no Stata. A solução rápida é rodar um recode antes de qualquer análise: replace se necessário e verifique os labels. Perdi dois dias trabalhando com dataset errado porque não fiz essa verificação inicial.
Limitações que ninguém destaca
O modelo delas funciona bem para empresas de médio e grande porte, mas falha para startups e MEIs. A amostra original tem viés claro para empresas estabelecidas. Se você quer aplicar para o ecossistema de startups argentino ou brasileiro, precisa adaptar o questionário. A maioria das perguntas sobre investimento em P&D não faz sentido para empresas que não têm departamento de pesquisa estruturado. Também há o problema da comparabilidade internacional. Os dados argentinos não são diretamente comparáveis com datasets como Community Innovation Survey da OCDE sem ajustes significativos. As perguntas sobre financiamento público são muito específicas do sistema argentino, com programas como Secyt e PNCyT que não existem no Brasil. Traduzir literalmente essas perguntas gera ruído nos dados.
Se o seu objetivo é apenas entender padrões gerais de inovação, dá para usar o framework delas com adaptações. Mas se você precisa de métricas comparáveis internacionalmente, considere combinar com dados do WDI do Banco Mundial ou do indicador de densidade de patentes do INPI. O trabalho completo com detalhes metodológicos pode ser encontrado no Repositório Institucional da UCA ou buscando pelo nome delas no SSRN e ResearchGate. A parte mais útil do material delas é o apêndice com as perguntas exatas e os pesos de estimação. Muitas pessoas focam só nos resultados publicados e perdem a chance de entender como construir um instrumento válido para o contexto local. Leva cerca de 3 a 4 semanas para aplicar o questionário completo em 50 empresas, considerando o tempo de tradução, teste piloto e correções. Não vale a pena fazer sem ter pelo menos dois meses de margem no cronograma.
