1

TÍTULO DE LA COMUNICACIÓN: EL CAPITAL SOCIAL EN LOS DISTRITOS INDUSTRIALES. LA INFLUENCIA DE LA FORTALEZA DE LOS VÍNCULOS Y LA DENSIDAD DE LA RED SOBRE EL SENTIMIENTO DE PERTENENCIA DE LAS EMPRESAS AL DISTRITO1 AUTOR 1: Josep Capó-Vicedo Email: pepcapo@doe.upv.es AUTOR 2: Manuel Expósito-Langa Email: maexlan@doe.upv.es AUTOR 3: Mª Teresa Martínez-Fernández Email: tmartine@emp.uji.es

DEPARTAMENTO: Organización de Empresas (autores 1 y 2) / Administración de Empresas y Marketing (autor 3) UNIVERSIDAD: Universidad Politécnica de Valencia (autores 1 y 2) / Universitat Jaume I (autor 3)

ÁREA TEMÁTICA: Distritos Industriales / Clusters territoriales

1 Esta investigación ha sido financiada por el Ministerio de Educación y Ciencia, Plan Nacional de I+D+i (2007-2010), proyecto “El Distrito Industrial: el impacto del Capital Social sobre la Gestión de la Cadena de Suministro” (SEJ2007-62876/ECON).

2

RESUMEN:

Becattini define el distrito industrial como una realidad sociocultural caracterizada por un

grupo de empresas que trabajan conjuntamente, junto con un entramado institucional,

público y privado, donde la proximidad física y cognitiva es un elemento fundamental.

Esta circunstancia hace que las empresas pertenecientes al distrito disfruten de

mecanismos y procesos sistémicos que facilitan la absorción colectiva de conocimiento.

Este argumento es recurrente en la literatura, y lleva a proponer un alto grado de

homogeneidad interna en el distrito, tanto en términos de comportamiento como de

resultados.

Sin embargo, planteamos la reflexión de que tanto la base de conocimiento individual de

cada empresa, como la propia naturaleza de las redes sociales podrían justificar un cierto

grado de heterogeneidad entre las empresas del distrito. Incidiendo en este segundo

aspecto, y desde un enfoque basado en la Teoría del Capital Social, podemos argumentar

que el capital social de las empresas de un distrito industrial condiciona su sentimiento

de pertenencia al mismo. Siguiendo estas premisas, en este trabajo pretendemos

determinar si determinadas características del capital social de las empresas del distrito

industrial, en concreto, la fortaleza de los vínculos establecidos en la red y la densidad de

las relaciones nos permiten distinguir subgrupos o subredes de empresas con diferencias

significativas entre ellas.

Para alcanzar este objetivo analizaremos dos distritos industriales españoles, el distrito

cerámico de Castellón y el distrito industrial textil valenciano. Se han elegido estos dos

distritos para aumentar la validez y generalización de los resultados obtenidos, puesto

que presentan características diferenciales, tanto a nivel de tamaño de empresas, como

de facturación, nivel tecnológico, grado de integración vertical o capacidad exportadora,

entre otras.

Los resultados apuntan hacia una interesante contribución de las variables de capital

social para la discriminación entre empresas con mayor o menor sentimiento de

pertenencia al distrito.

PALABRAS CLAVE: Distrito industrial, capital social, redes sociales, heterogeneidad,

sentimiento de pertenencia

3

1. Introducción

La literatura sobre aglomeraciones territoriales de empresas asume un alto grado de

homogeneidad interna en estas redes de empresas (Becattini, 1979; 1990; Signorini, 1994;

Paniccia, 1998, 1999). Sin embargo, encontramos trabajos que argumentan que el desarrollo

de redes de relaciones sociales particulares proveen a las empresas de resultados también

diferentes (Aharonson et al., 2008; Kautonen et al., 2010). Así, de acuerdo con McEvily y

Zaheer (1999) las empresas se pueden insertar de formas muy diversas con el conjunto de

actores de la propia red, accediendo a oportunidades y restricciones específicas y distintivas.

En el caso particular de los distritos industriales, las empresas e instituciones suelen estar

próximas física y cognitivamente. Un argumento recurrente sugiere que esta proximidad

favorece un mejor acceso y difusión del conocimiento y, por lo tanto, supone para las

empresas una ventaja en su capacidad de innovación (Capello, 1999; Tsai, 2000). No

obstante, el simple hecho de estar localizado en el distrito es condición necesaria pero no

suficiente para poder aprovechar esos flujos de conocimiento, normalmente restringidos a

subgrupos dentro de la red (Lissoni, 2001; Giuliani y Bell, 2005; Malipiero et al., 2005;

Boschma y Ter Wal, 2007). Becattini (1990) expresa esta idea mediante el concepto de

sentimiento de pertenencia o de arraigo de las empresas en el distrito, es decir, en qué medida

los participantes en la comunidad industrial local se identifican con el distrito. En

consecuencia, y siguiendo a McEvily y Zaheer (1999), las redes sociales son heterogéneas por

naturaleza, no existiendo dos actores u organizaciones con idéntica red social. Por tanto,

dentro de los distritos industriales podemos encontrar subredes con diferencias significativas

entre ellas. Esta aproximación al tema de la heterogeneidad interna en los distritos ya la

encontramos en trabajos como Morrison y Rabellotti (2005), donde las autoras hablan de la

existencia de una core y de una periphery con diferente estructura de relaciones dentro de un

4

mismo distrito, y en trabajos posteriores que relacionan estas subredes con la innovación

como el de Molina-Morales y Martínez-Fernández (2009).

Siguiendo los argumentos anteriores, el objetivo de este trabajo consiste en profundizar en la

búsqueda de razones que justifiquen la existencia de un cierto grado de diversidad o

heterogeneidad entre las empresas miembros de un distrito. Para ello partiremos de un

enfoque relacional basado en la Teoría del Capital Social (Granoveter, 1985; Coleman, 1988;

Burt, 1992a; Putnam, 1995) donde la caracterización del distrito vendría dada por la densidad

de su estructura y la fortaleza de los vínculos establecidos. De esta forma, pretendemos

determinar si las dimensiones asociadas al capital social nos permiten discriminar entre

aquellas empresas con mayor o menor sentimiento de pertenencia al distrito.

Para alcanzar este objetivo analizaremos dos distritos industriales españoles, el distrito

industrial textil valenciano y el distrito cerámico de Castellón. Trabajar con dos distritos nos

permitirá aumentar la validez y la generalización de los resultados obtenidos, ya que

presentan características muy distintas, tanto a nivel de tamaño de empresas, como de

facturación, nivel tecnológico, grado de integración vertical, capacidad exportadora, etc.

El trabajo ha sido estructurado de la siguiente forma, en primer lugar planteamos el marco

teórico a partir de la integración de las perspectivas del distrito industrial y del capital social.

A continuación planteamos las hipótesis de la investigación, para luego desarrollar el trabajo

empírico con los resultados obtenidos. Para finalizar, presentamos las conclusiones obtenidas

y las líneas futuras de investigación.

2. Marco Teórico

2.1. El Capital Social en los Distritos Industriales

El Capital Social es un concepto basado en la estructura y el contenido de relaciones entre

individuos y organizaciones, las cuales llevan asociadas un conjunto de recursos. Así, el

5

concepto de capital social se entiende como la suma de recursos, reales o virtuales

acumulados por el hecho de poseer una red duradera de relaciones más o menos

institucionalizadas (Bourdieu, 1980; Bourdieu y Wacquant, 1992; Gargiulo y Benassi, 2000).

Los investigadores han extendido la lógica del Capital Social a la empresa (Burt, 1992a; Tsai

y Ghoshal, 1998). En este sentido, las empresas pueden considerarse como actores sociales

estableciendo a través de sus negocios una gran variedad de lazos o vínculos con otros

actores.

Por otro lado, el distrito industrial se ha definido tradicionalmente como una “entidad

socioeconómica caracterizada por la presencia activa de una comunidad de personas y una

población de empresas en un área natural e históricamente delimitada” (Becattini, 1990: 39).

Si bien el conjunto de relaciones que se desarrolla en base a la proximidad geográfica puede

variar considerablemente en sus detalles, encontramos que su lógica fundamental es

constante. Así, los principios organizativos en los que se basan los casos de estudio de

distritos localizados en diferentes partes del mundo, por ejemplo el sureste de Alemania, la

zona noroeste de Italia, el arco Mediterráneo en España o el propio Sillicon Valley, aunque

posean características específicas, son de amplia aplicación, lo que demuestra la naturaleza

universal del fenómeno.

A la hora de estudiar el distrito industrial desde un enfoque relacional, una cuestión

preliminar es su identificación como red social. Algunos autores consideran que la idea de

capital social es inherentemente espacial, ya que, aunque existan vínculos a larga distancia,

sobre todo los que se consideran informales, se producen en un corto radio de acción

(Malecki, 1995). Siguiendo esta argumentación Trigilia (2001) propone que un determinado

contexto territorial posee más o menos capital social según el grado en que las personas o las

poblaciones de una misma área están relacionadas y comprometidas en sus redes relacionales.

6

Dentro de los distritos industriales, las alianzas y los acuerdos de colaboración son entendidos

como mecanismos que permiten desarrollar la red social, así como también un amplio número

de recursos sociales de ayuda al proceso de la innovación (Asheim, 1996; Parrilli, 2009;

Gertler, 2010). De esta forma, las empresas dentro de un mismo distrito comparten un

sentimiento de pertenencia a partir tanto de una misma cultura, como de una red social que

ayuda a generar y reforzar las reglas y convenciones que regulan el comportamiento local

(Belussi y Sedita, 2009), así como cuentan con el apoyo de un conjunto de instituciones

regionales y locales que facilitan la circulación de conocimiento tácito y codificado (Molina-

Morales y Martínez-Fernández, 2008). Por tanto, podemos identificar el distrito industrial

como una red social, la cual a su vez ejerce una influencia sobre las capacidades de las

empresas y sus resultados (Andersson et al., 2002), donde la idea o sentimiento de pertenencia

(Becattini, 1979) es consecuencia del alto grado de interdependencia del individuo y las

empresas dentro del contexto social y, a su vez, este sentimiento sirve como signo de

identidad de los participantes.

2.2. Las dimensiones del capital social

La forma en que una empresa se integra dentro de una red social puede venir identificada a

través de diferentes dimensiones. Por un lado, identificamos la dimensión estructural que

vendría dada a partir de la densidad o la cohesión de la propia red, mientras que por otro lado

nos encontramos con la dimensión relacional que vendría dada a partir de la caracterización

de los vínculos entre los actores de la red.

En el caso de la densidad de la red, la literatura propone que las redes sociales facilitan el

acceso a información, recursos y oportunidades, así como ayudan a los actores a coordinar las

interdependencias en sus tareas críticas. La perspectiva tradicional del capital social

(Coleman, 1988, 1990) ha acentuado el efecto positivo de la red densa, cohesionada o cerrada

sobre la producción de normas sociales y sanciones que facilitan la confianza y los

7

intercambios cooperativos. De acuerdo con Coleman, los miembros de una red densamente

tejida pueden tener confianza unos con otros por obligaciones de honor. Esta confianza

disminuye la incertidumbre de los intercambios y mejora las habilidades para cooperar en la

consecución de los objetivos e intereses. De esta forma, la cantidad de capital social

disponible para un actor está en función de lo cerrada que sea la red en la que está insertado.

En términos similares, Granovetter (1985) ha acentuado el efecto positivo de las terceras

partes comunes (common third parties) para facilitar la confianza entre las personas y

disminuir el riesgo de oportunismo que afecta a las relaciones cooperativas (Raub y Weesie,

1990).

Por otra parte, el atributo más destacado de los vínculos es su fortaleza. Granovetter (1973:

1361) señala que la fortaleza de los vínculos es una combinación probablemente lineal de la

cantidad de tiempo, la intensidad emocional, la intimidad, la confianza y los servicios mutuos

que caracterizan al vínculo. Habitualmente, la frecuencia de los contactos y la intimidad se

han utilizado para evaluar la fortaleza de los vínculos. Así, la frecuencia indica el número de

veces que una persona o entidad tiene contacto con otra persona o entidad, mientras que la

intimidad refleja la proximidad “closeness" o intensidad emocional del contacto (Brown y

Konrad, 2001: 443).

La literatura sugiere que los vínculos fuertes proveen a las empresas de dos ventajas

principales, el intercambio de información de alta calidad y de conocimiento tácito (Hagg y

Johanson, 1983; Larson, 1992; Uzzi, 1996) y son un mecanismo de control social. Por tanto,

estos vínculos gobiernan el comportamiento de los socios en los acuerdos interorganizativos.

Sin embargo pese a las alianzas, las empresas están expuestas a los riesgos derivados del

comportamiento oportunista. En este sentido los vínculos fuertes producen y a la vez son

gobernados por la confianza relacional y las normas de mutua ganancia y reciprocidad. Estas

8

cualidades crecen con el paso del tiempo con la estabilidad de las interacciones (Uzzi, 1996;

Larson, 1992; Kale et al., 2000).

3. Hipótesis

Tal y como hemos comentado anteriormente, es habitual encontrar en la literatura sobre

distritos industriales argumentos que identifican una gran homogeneidad interna (Capello,

1999; Tsai, 2000). Esto significa que los recursos de conocimiento y los canales por los que

éstos fluyen tienen una naturaleza pública y común para los miembros del distrito. De esta

forma, el hecho de ser miembro, de pertenecer, proveería de una serie de infraestructuras

comunes que las empresas pueden, en principio, utilizar. Sin embargo, esta idea de

homogeneidad no se confirma en la realidad. Una observación más detenida de los distritos

muestra cómo éstos no están integrados por comunidades homogéneas de emprendedores y

técnicos compartiendo tanto know-how técnico como información genérica, sino que, por el

contrario, los flujos de conocimiento están restringidos a subgrupos (Lissoni, 2001; Giuliani y

Bell, 2005; Malipiero et al., 2005; Boschma y Ter Wal, 2007).

De esta forma, la realidad viene expresada de forma más compleja, ya que las empresas

desarrollan redes de relaciones sociales particulares que les proveen a su vez de resultados

también diferentes (Robinson et al., 2007; Aharonson et al., 2008; De Propris et al., 2008;

Kautonen et al., 2010). Siguiendo este razonamiento, y de acuerdo con McEvily y Zaheer

(1999), las empresas se insertan de formas muy diversas con el conjunto de actores de la red.

En este sentido, Sabel (1993) sugiere la necesidad de pensar en el sentimiento compartido de

comunidad como un destino común. Las creencias pueden surgir en las comunidades que

coinciden en evitar la explotación, donde el fiarse unos de otros es una condición de

pertenencia. Este entendimiento entre individuos o entre empresas puede surgir de las

interacciones y del conocimiento común o compartido. Así, la mayor eficacia en la

transmisión de conocimiento se dará entre actores que posean bases de conocimiento

9

relativamente cercanas. Por tanto, el requisito de grado de similitud puede considerarse como

un efecto moderador de la facilidad con que se difunden los recursos dentro de la red (St. John

y Pouder, 2006).

En definitiva, las distintas dimensiones del capital social están asociadas a la naturaleza y a la

estructura de los vínculos dentro de las redes. Por otra parte, en los distritos industriales no se

observa una uniformidad y homogeneidad en las empresas que los constituyen. Según

Becattini (1990), un componente esencial del distrito es la inserción o arraigo de la empresa

en la comunidad industrial local, la cual permite a los participantes identificarse con el

distrito. De hecho, pueden existir empresas o instituciones que estando dentro de los límites

geográficos del distrito no se sientan partícipes del mismo (Molina-Morales y Martínez-

Fernández, 2003, 2004). Por tanto, planteamos que puede existir una dicotomía interna al

distrito entre grupos básicos de empresas que constituyen dos tipos de redes fácilmente

identificables y con sentimientos de pertenencia al distrito diferentes (Cowan et al., 2000;

Breschi y Lissoni, 2001a, b). Así, identificamos en primer lugar, una red densa, basada en

unos vínculos fuertes donde prevalece un sentimiento de pertenencia al distrito elevado.

Mientras que en segundo lugar, una red más dispersa, con vínculos débiles entre las empresas,

caracterizada por un bajo sentimiento de pertenencia al distrito.

De esta forma, expresamos la siguiente hipótesis, que a su vez, viene desglosada en dos

subhipótesis en función de cada una de las dimensiones del capital social:

H1: El capital social determina el sentimiento de pertenencia de las empresas al distrito

industrial

H1a: La dimensión estructural del capital social tiene una influencia positiva sobre

el sentimiento de pertenencia de las empresas al distrito industrial

10

H1b: La dimensión relacional del capital social tiene una influencia positiva sobre

el sentimiento de pertenencia de las empresas al distrito industrial

4. Diseño de la Investigación Empírica

Nuestro estudio empírico está basado en dos distritos industriales representativos de la

industria valenciana, el textil y el cerámico. El distrito industrial textil se encuentra localizado

principalmente en las comarcas de L’Alcoià, El Comtat y L’Alt Vinalopó en Alicante y La

Vall d’Albaida en Valencia y supuso durante 2008 el 17% de la producción textil en España.

Por otro lado, el distrito industrial cerámico se encuentra en las comarcas de la Plana Alta,

Plana Baixa y l'Alcalaten en Castellón, y concentró el 90% del total de la producción española

de baldosas cerámicas en 2008.

4.1. Confección de la muestra y fuentes de información

Hemos considerado la totalidad de la población de empresas que forman parte

geográficamente de ambos distritos y cuya actividad económica principal coincide con la

característica de cada distrito. La identificación de las mismas se ha realizado a partir de los

registros del año 2008 de la base de datos SABI2. El listado inicial de empresas se depuró

eliminando aquéllas que bien por su reducido tamaño, o por el tipo de producto, no se

consideraron significativas del sector, ya que podían mostrar una excesiva heterogeneidad.

El trabajo de campo se extendió durante los meses de junio a septiembre de 2009 y la fuente

de información básica que se utilizó fue el cuestionario. La información fue complementada

por la base de datos SABI, que nos permitió no sólo la ampliación de los datos sino también

el control de algunas respuestas recogidas.

Con anterioridad a su distribución, se realizó un cuestionario piloto que fue completado por 5

empresas seleccionadas de cada distrito en función de su trayectoria e importancia en el

2 SABI es un directorio de empresas españolas y portuguesas que recoge información general y datos financieros.

11

mismo para la redefinición y ajuste de las variables e indicadores. El cuestionario final fue

formulado tras solicitar también la opinión de un panel de expertos.

La realización del trabajo de campo se desarrolló en base a entrevistas con los directivos de

las empresas seleccionadas a partir de la encuesta diseñada. En concreto, se obtuvieron 106

entrevistas válidas en el distrito textil y 107 en el cerámico, lo que representa el 14,4% y el

22% respectivamente sobre la población total de cada distrito. Asimismo, la confección de la

muestra se realizó mediante una estratificación bietápica por sector y tamaño (número de

empleados) de las empresas.

Con el objeto de controlar posibles sesgos muestrales, en la Tabla 1 se incluyen datos

referidos a la muestra y al total de la población para los dos distritos considerados. Mediante

el estadístico t de Student comprobamos que no hay diferencias significativas entre las medias

de la muestra obtenida y la población para las variables número de empleados e ingresos

totales.

Tabla 1. t-student para la comparación de medias (muestra y población)

Variables Distrito Valor del test t Sig. (bilateral) Diferencias

entre medias

Textil 15 1.168 .245 2.904 Nº de empleados

Cerámico 57 -.199 .843 -1.939

Textil 2064 1.265 .208 448.341 Ingresos totales

Cerámico 10991 .270 .788 442.580

4.2. Variables

Variable dependiente

El sentimiento de pertenencia de las empresas al distrito industrial

Debido a la dificultad de medir el sentimiento de pertenencia de las empresas al distrito

industrial, hemos adoptado el concepto de grado de compromiso de las empresas con el

distrito, desarrollado en otros trabajos como Morrison y Rabellotti (2005) o Molina-Morales y

12

Martínez-Fernández (2008). La justificación de esta adopción se debe a que la proximidad

geográfica no implica que una organización sea parte de un distrito industrial si no se siente

integrado en una comunidad. Además, una empresa, aunque puede sentirse como participante

en un distrito, se puede integrar en él en un mayor o menor grado dependiendo de la fortaleza

de sus relaciones con otras organizaciones. Consideramos que este concepto se ajusta al

“sentimiento de pertenencia” que Becattini (1979) subrayó como criterio sociológico de

identificación, donde destaca la importancia de las características del distrito industrial, como

la existencia de una “comunidad local”, un sistema homogéneo de valores compartidos y las

relaciones personales como elementos favorecedores de la presencia de una “atmósfera

industrial”.

De esta forma, hemos hecho operativo este concepto mediante un ítem con escala Likert 1-7

donde preguntamos a las empresas sobre su grado de sentimiento de pertenencia al distrito.

Con el objeto de evitar posibles ambigüedades, posteriormente hemos clasificado las

empresas en dos grupos, aquéllas con un alto sentimiento de pertenencia y aquéllas con un

bajo sentimiento.

Variables independientes

La densidad de la red (Dimensión estructural)

La dimensión estructural hace referencia a la red de relaciones de un actor determinado. Para

medir este concepto, hemos adoptado un conjunto de ítems basados en trabajos anteriores

(Aldrich et al., 1986; Burt, 1992b; McEvily y Zaheer, 1999; Rowley et al., 2000). De forma

concreta, planteamos los siguientes ítems: (1) Grado en que los intercambios se solapan o se

asemejan en contenido; (2) Grado de interconexión de la red o nivel de conocimiento mutuo

entre los actores del distrito; (3) Dependencia del distrito para obtener información relevante

para su negocio, y (4) Preferencia del distrito para obtener recursos e información relevantes.

13

La fortaleza de los vínculos (Dimensión relacional)

La dimensión relacional hace referencia a las características de los vínculos establecidos en

las relaciones. Una forma habitual de medir este concepto es mediante la fortaleza de los

vínculos. De esta forma, hemos planteado un conjunto de ítems siguiendo otros trabajos

previos (Granovetter, 1973; Hagg y Johanson, 1983; Coleman, 1988, 1990; Krackhardt, 1992;

Larson, 1992; Uzzi, 1996, 1997; Rowley et al., 2000; Brown y Konrad, 2001), adaptándolos a

nuestra realidad. Los ítems son: (1) Intercambio de conocimiento tácito de alta calidad entre

las empresas del distrito; (2) Existencia de información y conocimiento útil en el distrito para

la resolución de problemas y la toma de decisiones; (3) Grado en que las relaciones se basan

en objetivos y fines comunes; (4) Repercusión de la reputación entre las empresas del distrito,

y (5) Existencia de normas no escritas que evitan comportamientos oportunistas.

Para medir tanto la densidad de la red como la fortaleza de los vínculos, hemos utilizado una

escala Likert 1-7, donde 1= completamente en desacuerdo y 7=completamente de acuerdo.

Para agrupar cada variable en un solo factor hemos obtenido la media de los ítems para cada

elemento de la muestra.

4.3. Técnicas de análisis

Debido al objetivo del trabajo hemos aplicado como instrumento estadístico el análisis

discriminante. En concreto, esta técnica nos permitirá tanto la identificación de aquellas

variables que mejor contribuyen a la identificación de grupos, como la clasificación, que

consistirá en asignar a un grupo determinado cada elemento muestral a partir de sus valores

particulares (Gellynck et al. 2007; Moreno y Casillas, 2007).

Para asegurar la robustez de los resultados del análisis discriminante hemos considerado la

regla práctica indicada en Hair et al., (1999: 262-263) que sugiere un mínimo de veinte

observaciones para cada variable explicativa, además de, al menos veinte observaciones por

cada grupo incluido en el análisis. Por otro lado, hay similitud de tamaño entre los grupos y

14

hemos comprobado la normalidad multivariante de las variables independientes, así como la

homogeneidad de la varianza-covarianza en cada uno de los dos grupos. En consecuencia,

consideramos que se cumplen los supuestos críticos para aplicar la técnica del análisis

discriminante.

5. Resultados

En la tabla 2 presentamos los estadísticos descriptivos, Alpha de Cronbach y correlaciones de

Pearson para cada variable, separados por distrito y grupo definido. Como se puede observar,

las escalas de medida presentan una adecuada fiabilidad interna, así como una correlación

significativa entre las variables densidad de la red y fortaleza de los vínculos. Por otra parte,

los valores del estadístico alfa de Crobach para cada constructo nos validan internamente las

escalas utilizadas, por lo que hemos podido agrupar cada variable en un solo factor mediante

la media del ítem.

Tabla 2. Estadística descriptiva, fiabilidad de escalas y correlaciones de las variables

DI Textil DI Cerámico Ítem Mean S.D. ∝ Corr. Mean S.D. ∝ Corr. Bajo Sentimiento de Pertenencia N = 46 N = 43

Densidad de la red 4.299 .846 .689 4.052 .618 .641 Fortaleza de los vínculos 4.269 .566 .648 .694*** 4.028 .659 .749 .661***

Alto Sentimiento de Pertenencia N = 60 N = 64

Densidad de la red 4.887 .539 .603 5.035 .733 .683 Fortaleza de los vínculos 4.680 .632 .738 .437*** 4.809 .879 .866 .794***

***p< .01

5.1. Aplicación del análisis discriminante

Los resultados del análisis discriminante que nos permitirán contrastar las hipótesis

planteadas se exponen en la Tabla 3. En primer lugar, el contraste sobre la igualdad de medias

en los grupos en función del sentimiento de pertenencia para cada una de las variables

independientes nos permite rechazar la igualdad de medias y, por tanto, considerar las dos

variables independientes como discriminantes. En segundo lugar, mediante la prueba Lambda

15

de Wilks de contraste para las funciones canónicas discriminantes medimos la proporción de

la varianza total de las puntuaciones discriminantes no explicada por las diferencias entre los

grupos. Como se observa, la significatividad del valor de la Chi-cuadrado nos permite

confirmar que las variables de la función tienen una influencia significativa sobre la

separación de los grupos medidos por medio de la función discriminante. A continuación, y

para analizar la importancia de las variables predictoras, evaluamos los coeficientes

estandarizados y la matriz de estructura (Moreno y Casillas, 2007). Los coeficientes

estandarizados de la función discriminante nos muestran qué variables son mejores

predictoras del sentimiento de pertenencia al distrito. En los dos distritos analizados se

observa que la densidad es mejor predictora que la fortaleza, si bien, ambas presentan valores

altos y positivos. Por lo que respecta a la matriz de estructura, ésta representa las

correlaciones canónicas entre la función discriminante y cada una de las variables predictoras,

mostrando las cargas discriminantes de cada una de estas últimas. Los valores obtenidos

apoyan los resultados anteriores. Así, tanto la densidad como la fortaleza tienen una elevada

carga discriminante, superando en los dos casos el valor de ± 0.30 indicado en Hair et al.

(1999) para ser consideradas como relevantes.

Adicionalmente, la matriz de estructura proporciona una orientación sobre el signo de la

relación entre las variables discriminantes y la clasificación de los individuos. Para ello, es

necesario disponer de información adicional relacionada con el cálculo de los centroides de

cada grupo. El centroide es el valor promedio de los resultados discriminantes para un grupo

determinado. En concreto, se quiere conocer cómo las diferentes variables predictoras

influyen en la clasificación de las empresas del distrito en uno u otro grupo. Así, comparando

el valor de la matriz de estructura con los centroides se observa que en ambos distritos el

centroide que corresponde al grupo de empresas con un sentimiento de pertenencia parcial

tiene signo negativo, mientras que el centroide correspondiente con el grupo de empresas con

16

un sentimiento de pertenencia total tiene signo positivo. Esto nos permite aceptar nuestra

hipótesis de investigación y confirmar que, en nuestro caso, los componentes del capital

social son determinantes del sentimiento de pertenencia de las empresas al distrito industrial.

Tabla 3. Parámetros, coeficientes y centroides de las funciones discriminantes

DI Textil DI Cerámico

Igualdad de medias para la variable independiente Densidad

Lambda de Wilks .846 .813

Prueba F 18.998 34.367

Significatividad .000 .000

Igualdad de medias para la variable independiente Fortaleza

Lambda de Wilks .896 .840

Prueba F 12.019 28.373

Significatividad .001 .000

Funciones discriminantes canónicas

Lambda de Wilks .834 .786

Correlación Canónica .407 .462

Chi-cuadrado 18.661 33.571

Significatividad .000 .000

Coeficientes estandarizados de las funciones discriminantes canónicas

DENSIDAD .773 .659

FORTALEZA .339 .469

Matriz de estructura (correlaciones canónicas)

DENSIDAD .959 .995

FORTALEZA .763 .683

Funciones en los centroides de los grupos

0 (Pertenencia parcial) -.504 -.857

1 (Pertenencia total) .387 .576

A partir del análisis anterior planteamos las ecuaciones de la función discriminante mediante

los coeficientes no estandarizados:

(Distrito textil) PERTENENCIA =-36,491 + 5,905 DENSIDAD + 9,132 FORTALEZA

(Distrito cerámico) PERTENENCIA = -27,665 + 9,273 DENSIDAD + 1,508 FORTALEZA

Mediante esta formulación podremos profundizar sobre la capacidad explicativa o predictora

de las variables mediante un análisis de bondad como predictoras. En la tabla 4 mostramos la

17

matriz de clasificación con los valores obtenidos a través de la función discriminante. La

bondad del ajuste se determina comparando el número de casos correctamente clasificados

con el número de casos acertados aleatoriamente (51% para el distrito textil, y 52% para el

distrito cerámico)3. Se observa que el porcentaje de casos clasificados correctamente es del

72.6% en el distrito textil y del 76.6% en el cerámico, valores que confirman el adecuado

poder predictivo de las funciones discriminantes obtenidas.

Tabla 4. Resultados de la clasificación

Grupo pronosticado

Distrito Grupo actual Número de

casos Grupo 1 Grupo 2

1 (Parcial) 46 25 (54.3%) 21 (45.7%) DI Textil

(72.6% clasificados correctamente) 2 (Total) 60 8 (13.3%) 52 (86.7%)

1 (Parcial) 43 28 (65.1%) 15 (34.9%) DI Cerámico

(76.6% clasificados correctamente) 2 (Total) 64 10 (15.6%) 54 (84.9%)

5.2. Interpretación de los resultados

De una manera general, los resultados del análisis discriminante validan las hipótesis

planteadas. Así, tanto los coeficientes de la función discriminante como los distintos test

realizados apoyan la proposición de nuestro trabajo que las dimensiones de capital social

elegidas son buenas predictoras del nivel de sentimiento de pertenencia que poseen las

empresas, es decir, que nos permiten discriminar entre aquellas empresas con un alto

sentimiento de pertenencia al distrito y entre aquellas con un sentimiento de pertenencia

menor.

La hipótesis H1a puede considerarse validada confirmando que la dimensión estructural del

capital social tiene una influencia positiva sobre el sentimiento de pertenencia de las empresas

al distrito industrial. Los resultados apoyan la idea introducida por Coleman (1988, 1990)

sobre los efectos de las redes densas a la hora de producir normas sociales e intercambios

cooperativos basados en la confianza. Densidad que facilita un mayor sentimiento de

pertenencia al distrito.

3 Estos valores se han obtenido a partir del criterio de aleatoriedad proporcional (Hair et al., 1999: 273).

18

Por otra parte, la hipótesis H1b también puede considerarse confirmada dado el elevado nivel

significativo de la capacidad predictora de la variable Fortaleza de los vínculos como medida

de la dimensión relacional del capital social. Como muchos autores desde el campo de las

redes sociales sugieren (por ejemplo, Uzzi, 1996), la fortaleza de los vínculos facilitan el

intercambio de información de alta calidad y de conocimiento tácito, constituyendo un

mecanismo de control social, y por tanto, favoreciendo un mayor sentimiento de pertenencia

al distrito.

6. Discusión

En esta investigación hemos partido del concepto del capital social para profundizar en el

estudio de su influencia en un contexto concreto como es el distrito industrial, donde el

territorio determina límites relacionales. Este trabajo comparte con anteriores estudios (por

ejemplo, Molina-Morales y Martínez-Fernández, 2009; 2010) la intención de integrar dos

campos teóricos distintos, el propio capital social y el territorio. Debido a que la proximidad

geográfica está inherentemente ligada a una visión relacional, tal como sugiere la teoría sobre

el capital social, en un contexto territorial restringido, la naturaleza y la estructura de las

relaciones sociales de los actores estarán irremediablemente afectadas. En consecuencia, los

modelos territoriales como el distrito industrial o el cluster industrial sugieren importantes

implicaciones para la creación y desarrollo del capital social de los actores participantes en

estos entornos.

Los resultados de nuestra investigación apoyan empíricamente la idea de la existencia de una

cierta heterogeneidad dentro del distrito, en la misma línea que otros trabajos anteriores como

por ejemplo, Morrison y Rabellotti (2005) o Boschma y Ter Wal (2007). En concreto, ofrecen

una explicación de la existencia dentro de los límites del propio distrito de distintos niveles de

implicación de las empresas dentro del mismo, medidos a través de su sentimiento de

pertenencia. Esto nos permite distinguir, por un lado, empresas con un mayor sentimiento de

pertenencia, y que vendrían caracterizadas por integrarse en una red densa, y el

establecimiento de vínculos fuertes con el resto de empresas, mientras que por otro lado,

empresas que presentan niveles inferiores de sentimiento de pertenencia al distrito y que se

caracterizan por poseer una red más dispersa de relaciones y con vínculos más débiles dentro

del distrito.

19

Entendemos que el hecho de haber considerado dos distritos industriales con características

totalmente diferentes en cuanto a procesos productivos, mercados, procesos de innovación,

productos, exportación, tamaño medio de las empresas, facturación, etc., y haber obtenido

resultados similares, ofrece mayor validez, a nuestra argumentación teórica, es decir, que el

capital social es un buen discriminante del sentimiento de pertenencia al distrito industrial.

Por otra parte, entendemos que esta investigación ha permitido ampliar y profundizar sobre el

concepto de sentimiento de pertenencia desde las aportaciones del capital social, ofreciendo

una caracterización más completa del concepto.

Somos conscientes que el trabajo presenta también una serie de limitaciones. Así, en relación

con el alcance del constructo “sentimiento de pertenencia”, éste resulta complejo, y su

carácter subjetivo supone una dificultad a la hora de establecer una medida. Ahora bien, como

el propio Becattini (1979) señaló, la dificultad de hacer operativo este criterio sociológico no

significa que no exista y que no sea importante. Una segunda limitación vendría por el

número de casos seleccionados. Hemos analizado dos distritos industriales con características

diferenciadas para darle mayor amplitud a nuestros resultados, tal y como hemos señalado

anteriormente, evitando así el sesgo de trabajar con un solo distrito. Aún así, entendemos que

la aplicación de estas ideas a otros distritos, por ejemplo italianos, ampliaría de forma muy

interesante el alcance del mismo.

Por otro lado, las limitaciones de nuestra investigación nos permiten proporcionar nuevas

ideas para investigaciones futuras. En primer lugar, cabría añadir una tercera dimensión

identificada por Nahapiet y Ghoshal (1998), la dimensión cognitiva. De esta forma podríamos

analizar el peso relativo de la influencia de las tres dimensiones del capital social sobre la

heterogeneidad del distrito, y capturar otros factores con el objetivo de conseguir una mayor

capacidad explicativa del modelo.

En segundo lugar, también se podría analizar estas mismas cuestiones en dos momentos

diferentes, con lo que obtendríamos un análisis longitudinal que nos permitiría analizar la

evolución del sentimiento de pertenencia a lo largo del tiempo.

En tercer lugar, puede resultar interesante analizar en un futuro la vinculación entre el

sentimiento de pertenencia y el resultado de la innovación en la empresa. Una vez integradas

las perspectivas del capital social y las redes sociales dentro del distrito industrial, el acceso a

fuentes de información y conocimiento, así como la exploración y explotación de éstas,

20

pueden verse afectadas por la estructura y el contenido de los vínculos entre las empresas y su

arraigo o sentimiento de pertenencia al distrito.

Una cuestión final, vendría de la mano de analizar el papel determinante que los

intermediarios locales desempeñan en la estructura de las redes sociales dentro del distrito,

como ya han analizado otros trabajos (Breschi y Lissoni, 2001a, entre otros). Enlazando con

nuestra investigación, trataríamos de evaluar la influencia que tienen las instituciones locales

sobre el grado o nivel de sentimiento de pertenencia al distrito que tienen las empresas.

7. Bibliografía

Aharonson, B.S.; Baum, J.A.C.; Plunket, A. (2008): “Inventive and uninventive clusters: The

case of Canadian biotechnology”, Research Policy, 37(6-7), p. 1108-1131.

Aldrich, H.; Rosen, B.; Woodward, W. (1986): “Social behavior and entrepreneurial

networks”, en Ronstadt, R. et al. (Eds.): Frontiers of Entrepreneurship Research. Babson

College, Wellesley, MA.

Andersson, U.; Forsgren, M.; Holm, U. (2002): “The strategic impact of external networks:

Subsidiary performance and competence development in the multinational corporation”,

Strategic Management Journal, 23, p. 979-996.

Asheim, B.T. (1996): “Industrial districts as 'learning regions': A condition for prosperity”,

European Planning Studies, 4(4), p. 379-400.

Becattini, G. (1979): “Dal settore industriale al distretto industriale”, Rivista di Economia e

Politica Industriale, 1, p. 1-8.

Becattini, G. (1990): “The marshallian industrial district as a socio-economic notion” en

Pyke, F., Becattini, G. y Sengenberger, W. (Eds.): Industrial Districts and Local Economic

Regeneration. International Institute for Labor Studies, Ginebra.

Belussi, F.; Sedita, S.R. (2009): “Life cycle vs. multiple path dependency in industrial

districts”, European Planning Studies, 17 (4), p. 505-528.

Boschma, R.A.;Ter Wal, A.L.J. (2007): “Knowledge networks and innovative performance in

an industrial district: the case of a footwear district in the south of Ital”, Industry and

Innovation, 14 (2), p. 177-199.

21

Bourdieu, P. (1980): “Le capital social: notes provisoires”. Actes de la Recherche en sciences

sociales, 31, p. 2-3.

Bourdieu, P.; Wacquant, J.D. (1992): “An invitation to reflexive sociology”. University of

Chicago Press, Chicago.

Breschi, S.; Lissoni, F. (2001a): “Knowledge Spillovers and Local Innovation Systems: A

Critical Survey”, Industrial and Corporate Change, 10(4), p. 975-1005.

Breschi, S.; Lissoni, F. (2001b): “Localised knowledge spillovers vs. innovative milieux:

Knowledge "tacitness" reconsidered”, Papers in Regional Science, 80(3), p. 255-273.

Brown, D.W.; Konrad, A.M. (2001): “Granovetter was right. The importance of weak ties to a

contemporary job search”, Group & Organization Management, 26, p. 434-462.

Burt, R.S. (1992a): “Social structure of competition” en Nohria, N. y Eccles, R.G. (Eds.):

Networks and organizations: Structure, form and action. Harvard Business School Press,

Boston.

Burt, R.S. (1992b): “Structural holes”, Harvard University Press, Cambridge.

Capello R (1999): “Spatial Transfer of Knowledge in High Technology Mileux: Learning

Versus Collective Learning”, Regional Studies 33, p. 353-368.

Coleman, J.S. (1988): “Social capital in the creation of human capital”, American Journal of

Sociology, 94, p. 95-120.

Coleman, J.S. (1990): “Foundation of Social Theory”. Harvard University Press, Cambridge.

Cowan, R.; David, P.A.; Foray, D. (2000): “The explicit economics of knowledge

codification and tacitness”, Industrial and Corporate Change, 9(2), p. 211-253.

De Propris, L.; Menghinello, S.; Sugden, R. (2008): “The internationalisation of production

systems: embeddedness, openness and governance”, Entrepreneurship & Regional

Development, 20: 6, p. 493-515.

Gargiulo, M.; Benassi, M. (2000): “Trapped in your own net? Network cohesion, structural

holes, and the adaptation of social capital”, Organization Science, 11, p.183-196.

Gellynck, X.; Vermeire, B.; Viane, J. (2007): “Innovation in food firms: contribution of

regional networks within the international business context”, Entrepreneurship & Regional

Development, 19(3), p. 209-226

22

Gertler, M.S. (2010): “Rules of the Game: The Place of Institutions in Regional Economic

Change”, Regional Studies, 44(1), p. 1-15.

Giuliani, E.; Bell, M. (2005): “The micro-determinants of meso-level learning and innovation.

Evidence from a Chilean wine cluste”, Research Policy, 34 (1), p. 47-68.

Granovetter, M. (1973): “The strength of weak ties”, American Journal of Sociology, 78.

Granovetter, M. (1985): “Economic action and social structure: The problem of

embeddedness”, American Journal of Sociology, 91, p. 481-510.

Hagg, I.; Johanson, T. (1983): “Firms in networks. Business and Social Research Institute2,

Stockholm, Sweden.

Hair, J.F.Jr.; Anderson, R.E.; Tatham, R.L.; Black, W.C. (1999): “Análisis multivariante (5ª

ed.), Prentice Hall Iberia, Madrid.

Kale, P.; Singh, H.; Perlmutter, H. (2000): “Learning and protection of proprietary assets in

strategic alliances: Building relational capital”, Strategic Management Journal, 21, p. 217–

237.

Kautonen, T.; Zolin, R.; Kuckertz, A.; Viljamaa, A. (2010): “Ties that blind? How strong ties

affect small business owner-managers' perceived trustworthiness of their advisors”,

Entrepreneurship & Regional Development, 22(2), p. 189-209.

Krackhardt, D. (1992): “The strength of strong ties: the importance of philos” en Nohria, N. y

Eccles, R. (Eds.): Networks and organizations: Structures, form and action. Harvard Business

Press, Boston. MA.

Larson, A. (1992): “Network dyads in entrepreneurial settings: A study of the governance of

exchange relationships”, Administrative Science Quarterly, 37, p. 76-104.

Lissoni, F. (2001): “Knowledge codification and the geography of innovation. The case of the

Brescia mechanical cluster”, Research Policy, 30 (9), p. 1479-1500.

Malecki E. (1995): “Culture as Mediator of Global and Local Forces”, en Human Resources

and Industrial Spaces: A Perspective on Globalization and Location Eds B Van Der Knaap, R

Le Heron (John Wiley & Sons, Chichester) p. 105-127.

Malipiero, A., Muñari, F.; Sobrero, M. (2005): “Focal firms as technological gatekeepers

within industrial districts. Knowledge creation and dissemination in the Italian packaging

machinery industry”. DRUID Working Paper No. 05-05.

23

McEvily, B.; Zaheer, A. (1999): “Bridging ties: A source of firm heterogeneity in competitive

capabilities”, Strategic Management Journal, 20 (12), p. 1133-1156.

Molina-Morales, F.X.; Martínez-Fernández, M.T. (2003): “The impact of the industrial

district affiliation on firm value creation”, European Planning Studies, 11 (2), p. 155-170.

Molina-Morales, F.X.; Martínez-Fernández, M.T. (2004): “Factors that identify industrial

districts. An application in Spanish manufacturing firms”, Environment & Planning A, 36, p.

111-126.

Molina-Morales, F.X.; Martínez-Fernández, M.T. (2008): “Shared resources in industrial

districts: information, know-how and institutions in the Spanish Tile Industry”, International

Regional Science Review, 31 (1), p. 35-61.

Molina-Morales, F.X.; Martínez-Fernández, M.T. (2009): “Does Homogeneity Exist Within

Industrial Districts? A social capital-based approach”, Papers in Regional Science, 88 (1), p.

209 - 229.

Molina-Morales, F.X.; Martínez-Fernández, M.T. (2010): “Social networks: effects of social

capital on firm innovation”, Journal of Small Business Management, 48 (2), p. 258-279.

Moreno, A.M.; Casillas, J.C. (2007): “High-growth SMEs versus non-high-growth SMEs: a

discriminant análisis”, Entrepreneurship & Regional Development, 19(1), p. 69-88.

Morrison, A.; Rabellotti, R. (2005): “Knowledge and information networks: Evidence from

an italian wine local system”. WP.174/2005. CESPRI – Università Bocconi, Milano.

Nahapiet, J.; Ghoshal, S. (1998): “Social capital, intellectual capital, and the organizational

advantage”, Academy of Management Review, 23(2), p. 242–266.

Paniccia, I. (1998): “One, a Hundred, Thousands of Industrial Districts. Organizational

Variety of Local Networks of Small and Medium-Sized Enterprises”, Organization Studies

4(19), p. 667-699.

Paniccia, I. (1999): “The Performance of IDs. Some Insights from the Italian Case”, Human

Systems Management 18, p.141-159.

Parrilli, M.D. (2009): “Collective efficiency, policy inducement and social embeddedness:

Drivers for the development of industrial districts”, Entrepreneurship & Regional

Development, 21(1), p. 1-24.

24

Putnam, R.D. (1995): “Bowling alone: America's declining social capital”, Journal of

Democracy, 6, p. 65-78.

Raub, W.; Weesie J. (1990): “Reputation and efficiency in social interactions: An example of

network effects”, American Journal of Sociology, 96, p. 626–665.

Robinson K.R.; Rip A.; Mangematin V. (2007): “Technological agglomeration and the

emergence of clusters and networks in nanotechnology”, Research Policy, 36, p. 871-879.

Rowley, T.; Behrens, D.; Krackhardt, D. (2000): “Redundant governance structures: An

analysis of structural and relational embeddedness in the steel and semiconductor industries”,

Strategic Management Journal, 21, p. 369-386.

Sabel, C. (1993): “Studied trust: Building new forms of cooper- ation in a volatile economy”,

en R. Swedberg (Ed.), Explo- rations in economic sociology: 104–144. New York: Rus- sell

Sage Foundation.

Signorini, L.F. (1994): “The price of Prato, or measuring the ID effect”, Papers in Regional

Science 73, p. 369-392.

St. John, C.H.; Pouder, R.W. (2006): “Technology Clusters versus Industry Clusters:

Resources, Networks, and Regional Advantages”, Growth and Change, 37(2), p. 141-171.

Trigilia, C. (2001): “Social capital and local development”, European Journal of Social

Theory, 4 (4), p. 427-442.

Tsai W (2000): “Social capital, strategic relatedness and the formation interorganizational

linkages”, Strategic Management Journal, 21, p. 925-939.

Tsai, W.; Ghoshal, S. (1998): “Social Capital and Value Creation: The Role of Intrafirm Net-

works”, Academy of Management Journal (41), p. 464-478.

Uzzi, B. (1996): “The sources and consequences of embeddeness for economic performance

of organizations: the network effect”, American Sociological Review, 61, p. 674-698.

Uzzi, B. (1997): “Social structure and competition in interfirm networks. The paradox of

embeddeness”, Administrative Science Quarterly, 42, p. 35-67.