Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Innovación en la función pública: gestión basada en datos,

ecosistemas productivos, sectores impulsores y el optimizador

Osvaldo Alvarado

Universidad de Costa Rica, Sede del Pacíco, Escuela de Ingeniería Eléctrica, Puntarenas, Costa Rica.

osvaldo.alvaradobolivar@ucr.ac.cr

https://orcid.org/0009-0001-5033-379X

Resumen

En los últimos años se han producido avances significativos en la comprensión de los ecosistemas productivos que han pues-

to de relieve su complejidad y la importancia de los factores locales en su funcionamiento. Sin embargo, aún quedan áreas

inexploradas, especialmente desde la perspectiva de los responsables de las políticas públicas. Este artículo pretende entender

los requerimientos de los ecosistemas productivos e identificar elementos clave para el surgimiento y éxito de empresas o

sectores en regiones específicas, a través del uso eficiente de cada área en contraste con las características de las regiones y

comunidades, y la identificación de áreas propicias para el desarrollo sectorial. También aborda la implementación de políti-

cas públicas, para priorizar el “rescate del talento” como catalizador de efectos positivos más amplios, inclusive la innovación

y el desarrollo sostenible. La metodología utilizada incluye una exhaustiva revisión bibliográfica para conocer los tratamien-

tos previos de los ecosistemas productivos. Se presenta el Optimizador de Ecosistemas Productivos (Opt-EP), un algoritmo

heurístico basado en Monte Carlo que identifica actividades productivas con alto potencial e impacto en una región. Los

resultados presentan a Opt-EP como una herramienta avanzada de inteligencia artificial especializada en analizar el “ADN

Productivo” de las regiones. Mediante algoritmos heurísticos, Opt-EP profundiza en las dinámicas socioeconómicas, cultu-

rales, medioambientales y económicas, descomponiendo las medidas para obtener una visión más detallada. La integración

del concepto de ADN Productivo proporciona una base sólida para diseñar políticas públicas adaptadas a las características

únicas de cada región, subrayando la importancia de identificar y nutrir las capacidades intrínsecas de cada zona para lograr

un desarrollo económico auténtico y sostenible.

Palabras clave: Ecosistemas productivos, sectores impulsores, bienestar, talento humano, economía del conocimiento.

Abstract

Recent years have seen significant advances in the understanding of productive ecosystems, highlighting their complexity

and the importance of local factors in their functioning. However, there are still unexplored areas, especially from the pers-

pective of public policy makers. This article aims to understand the requirements of productive ecosystems and identify key

elements for the emergence and success of companies or sectors in specific regions, seeking an efficient use of each area

by contrasting it with the characteristics of regions and communities, identifying areas conducive to sectoral development.

It also addresses the implementation of public policies, prioritizing the “rescue of talent” as a catalyst for broader positive

effects, including innovation and sustainable development. The methodology used includes an exhaustive literature review to

understand previous treatments of productive ecosystems. The Optimizer of Productive Ecosystems (Opt-EP), a Monte Car-

lo-based heuristic algorithm that identifies productive activities with high potential and impact in a region, is presented. The

results present Opt-EP as an advanced artificial intelligence tool specialized in analyzing the “Productive DNA” of regions.

Using heuristic algorithms, Opt-EP delves into socio-economic, cultural, environmental, and economic dynamics, decompo-

sing measurements to obtain a more detailed view. The integration of the Productive DNA concept provides a solid basis for

designing public policies tailored to the unique characteristics of each region, underscoring the importance of identifying and

nurturing the intrinsic capabilities of each area to achieve authentic and sustainable economic development.

Keywords: Productive ecosystems, driving sectors, well-being, human talent, knowledge economy.

Public Service Innovation: Data-driven Management,

Productive ecosystems, Driving Sectors and the Optimizer

Referencia/ reference:

Alvarado, O. y Fonseca, J. (2024). Innovación en la función pública: gestión basada en datos, ecosistemas productivos, sectores

impulsores y el optimizador. Yulök Revista de Innovación Académica, Vol.8 (1), 10-30. https://doi.org/10.47633/2yvhfy42

Recibido: 3 de setiembre 2023 Aceptado: 10 de enero 2024

Jhon Fonseca

Universidad de Costa Rica, Facultad de Ciencias Económicas, Escuela de Administración Pública, San José, Costa Rica.

jhon.fonseca@ucr.ac.cr

https://orcid.org/0009-0004-1912-6583

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Introducción

En el ámbito de la administración de políticas públicas,

los ecosistemas productivos son entendidos como conglo-

merados interconectados donde empresas, instituciones y

la fuerza laboral colaboran y compiten, para impulsar el

desarrollo económico y social. La eficiencia en la gestión

de estos ecosistemas es crítica, especialmente cuando se

considera el rescate del talento como un pilar fundamen-

tal para el progreso. La ausencia de políticas que integren

efectivamente las relaciones entre estos actores puede lle-

var a la suboptimización de recursos, desequilibrios en el

desarrollo regional y, en última instancia, a la atrofia de la

innovación y el crecimiento económico.

Una política pública puede definirse como una serie de

acciones emprendidas por un gobierno, las cuales están

orientadas hacia un objetivo específico y afectan a un sec-

tor público más amplio. Estas políticas son la respuesta a

problemas identificados y son formuladas e implementa-

das con la intención de alcanzar mejoras en la sociedad.

Las políticas públicas eficaces en el contexto de los eco-

sistemas productivos reconocen la importancia de culti-

var y aprovechar el talento humano, bajo el entendido que

este es un recurso clave para la innovación y la ventaja

competitiva.

La falta de estrategias enfocadas en la captación y desa-

rrollo del talento puede resultar en una fuga de cerebros,

donde los individuos más capacitados buscan oportunida-

des fuera de su región o país, lo cual debilita el potencial

endógeno del ecosistema. La gestión eficiente del talen-

to a través de políticas públicas adecuadas, que incluyan

educación, formación profesional y la creación de opor-

tunidades de trabajo de alta calidad, es fundamental para

mantener la competitividad y fomentar un ciclo virtuoso

de crecimiento y desarrollo. Además, el diseño de políti-

cas que no consideren las complejas relaciones dentro de

los ecosistemas productivos puede generar oligopolios,

inhibir la entrada de nuevos actores y, en última instancia,

estancar la dinámica de mercado. Por tanto, es vital que

las políticas públicas promuevan la diversificación eco-

nómica y la inclusión, para asegurar que todos los niveles

de talento dentro de la sociedad tengan la oportunidad de

contribuir y beneficiarse del crecimiento económico.

La implementación de políticas públicas en el contexto de

ecosistemas productivos exige una comprensión profun-

da de las relaciones interdependientes que existen entre

empresas, instituciones y la fuerza laboral. Al priorizar el

“rescate del talento”, las políticas pueden desencadenar

una serie de efectos positivos que se extienden más allá

de la generación de empleo y el crecimiento económico,

que impulse la innovación y el desarrollo sostenible.

La metodología de Optimización Multiobjetivo (MOO)

se presenta como un marco analítico avanzado capaz

de captar y optimizar la interacción entre estos factores.

En el corazón de los ecosistemas productivos, la MOO no

solo identifica el mejor uso del talento humano en función

de las necesidades económicas actuales, sino que también

considera la sostenibilidad y la equidad social. Esta me-

todología permite a los responsables políticos equilibrar

con precisión las necesidades de desarrollo económico

con la justicia social y la conservación ambiental, para

abordar así los desafíos multidimensionales que enfren-

tan los ecosistemas productivos modernos.

La MOO ayuda a evitar la trampa de las políticas unidi-

mensionales que pueden conducir a la formación de oli-

gopolios o monopolios, o al descuido de sectores emer-

gentes y startups. Al incorporar una variedad de objetivos

y restricciones, la MOO fomenta un enfoque más equi-

tativo y diversificado en el desarrollo de políticas, don-

de diferentes actores y sectores pueden prosperar juntos.

Esto es esencial para promover un ecosistema productivo

vibrante y resiliente, donde la competencia y la colabora-

ción coexisten para el beneficio mutuo. Además, al consi-

derar la distribución equitativa del talento como un recur-

so clave, las políticas que se derivan de la MOO pueden

dirigirse eficazmente a combatir la desigualdad. Esto no

solo mejora la cohesión social, sino que también amplía

la base de innovación, ya que un espectro más amplio de

la población tiene la oportunidad de contribuir al desa-

rrollo económico. De esta manera, las políticas públicas

pueden efectivamente “rescatar” y potenciar el talento en

todos los niveles de la sociedad, maximizar así el poten-

cial humano en su totalidad.

Es crucial reconocer que las políticas públicas bien di-

señadas, informadas por la MOO, requieren un com-

promiso continuo con la evaluación y la adaptación. La

retroalimentación y los datos emergentes deben guiar la

evolución de las políticas para asegurar que sigan siendo

relevantes y efectivas. Este enfoque dinámico es lo que

permitirá a los ecosistemas productivos no solo adaptarse

a los cambios, sino también anticiparse y moldear el fu-

turo económico de una manera que beneficie a todos los

miembros de la comunidad.

Ahora bien, el problema que se presenta es, ¿cómo se

identifican los ecosistemas productivos? y más aún,

¿cómo detectar cuáles son las condiciones y requerimien-

tos que cada uno necesita para crecer y desarrollarse, sin

que ello implique crear un enclave económico? Para res-

ponder esta pregunta se observan los sectores productivos

para conocer sus requerimientos y contrastarlos con las

características de regiones y comunidades, para detectar

las que tienen la mayor cantidad de interrelaciones y, por

tanto, condiciones para el desarrollo de uno u otro sector.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

De esta manera, se definen conceptos importantes para el

entendimiento de los ecosistemas productivos tales como

ADN productivo, cadenas productivas, vocación y feno-

tipo productivos. Además, se propone la composición de

estos y su relación con el talento humano en la búsqueda

del bienestar de los actores. También, se presenta el mo-

delo de la Triple Hélice como forma de gobernanza del

ecosistema y mecanismo para potenciarlos.

Finalmente, se conjugan herramientas de análisis de da-

tos de última generación con una visión teórico-práctica

más inclusiva del comercio internacional para la creación

de un Optimizador de Ecosistemas Productivos que per-

mite encontrar para qué puede ser utilizada cada región

de forma más eficiente.

Metodología

Se realizó una revisión bibliográfica con el fin de cono-

cer los diferentes tratamientos y aplicaciones que se han

desarrollado del concepto de ecosistemas productivos. Se

propone una nueva perspectiva, la de los ecosistemas pro-

ductivos para una identificación de lo que se define luego

como ADN y vocación productiva.

Asimismo, se propone la utilización de algoritmos heu-

rísticos para la detección de las características produc-

tivas claves, estos son, a grandes rasgos, mecanismos

matemáticos basados en Montecarlo, mediante los cua-

les se identifican las actividades productivas que tienen

mayor potencial e impacto en una zona geográfica. Esta

herramienta consta de tres partes bien diferenciadas: 1)

Red Neuronal de Entrada la cual descubre el patrón sub-

yacente que describen los datos de entrada, 2) Núcleo

Optimizador de Búsqueda que se encarga de la búsqueda

multiobjetivo y 3) Visualizador de Soluciones en la que

se visualizan los resultados.

El sistema construye el frente de Pareto de las caracterís-

ticas, lo cual equivale a buscar los lugares en los que se

dan de mejor forma los genes productivos para un sector.

La idea se basó en encontrar posibles “hubs” de desarro-

llo con base en una metodología cuantitativa no estándar.

La intuición fundamental que impulsó esta metodología

es tener una manera de utilizar toda la información que se

encuentra en las escalas y que se pierde cuando se utilizan

los métodos basados en promedios ponderados.

Estado del Arte

Los ecosistemas productivos han sido estudiados por di-

versos actores desde diferentes perspectivas, por lo que

se hace necesario conocerlas. Tsujimoto et al. (2018)

hace una revisión bibliográfica de artículos que estudian

y teorizan sobre este tema aplicados a la gestión con el

fin de tratar de encontrar una definición que permita eng-

lobar a la gran mayoría. Cabe destacar que se coloca el

acento del estudio en descubrir cuáles son las dinámicas

que hacen que un ecosistema se desarrolle y al igual que

los naturales, qué factores decisivos lo pueden hacer en-

trar en un desequilibrio destructivo; este punto de vista

es especialmente útil porque se plantea que, a pesar de

las precauciones que toman los elementos constituyentes

siempre existen consecuencias imprevistas a las decisio-

nes del ecosistema que podrían terminar con un desastre

ecológico, lo que en nuestros términos sería el declive

del sistema productivo. Para esto, realiza un análisis ex-

haustivo de más de 150 escritos, e intenta responder a

estas tres preguntas: ¿cuáles son las principales definicio-

nes de ecosistema?, ¿Cuáles son las grandes corrientes de

investigación?, por último, ¿El concepto de ecosistema

agrega algún tipo de valor agregado a las investigaciones

de gerencia?

Se han logrado identificar cuatro tipos principales de

perspectivas de ecosistemas utilizando los 4 elementos

de clasificación propuestos, para lo cual se definen 4

coordenadas de análisis para el concepto de ecosistema:

(1) Análisis de las conexiones: se estudian las relaciones

que se producen a nivel de ecosistema: competencia por

los recursos, depredación, parasitismos e incluso la des-

trucción de todo el sistema. (2) Análisis de los roles: Se

asume que cada actor tiene diferentes atributos, propósi-

tos y principios para la toma de decisiones. Todos estos

elementos crean un nivel de consecuencias inesperadas.

(3) La delimitación del ecosistema, cabe anotar que las

fronteras administrativas formales no son las que deter-

minan los alcances reales del ecosistema. (4) La meto-

dología para el estudio de los ecosistemas, tomando en

cuenta que son sistemas dinámicos. Cabe mencionar que

el elemento principal de categorización es la teoría expli-

cativa, pero también se consideran conceptos clave como

la metodología analítica, los actores y las relaciones entre

los actores:

La perspectiva de la ecología industrial (IEP)

Se basa en el concepto de ecosistema natural como ana-

logía para la comprensión y transformación del sistema

industrial. La mayoría de las investigaciones existentes

sobre ecosistemas industriales han utilizado análisis de

flujo de energía o materiales, donde se amplía el mode-

lado conceptual al aplicar dinámicas de sistemas o téc-

nicas de ingeniería química para optimizar la simbiosis,

la estabilidad y la resiliencia del ecosistema industrial.

Esta perspectiva plantea la hipótesis de que las industrias

y la sociedad se beneficiarían de la explotación de estos

principios naturales, tanto en términos de economía como

de sostenibilidad.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

La perspectiva del ecosistema empresarial (BEP)

Se centra en el estudio del contexto empresarial y trata

de establecer cuáles son los mecanismos de captura de

valor o la creación de propuestas de valor como variables

centrales. Los autores logran diferenciar cinco tipos de

ecosistemas empresariales: (1) ecosistemas digitales, (2)

ecosistemas complementarios (subsector industrial), (3)

ecosistemas de proveedores, (4) ecosistemas de grupos

empresariales, (5) ecosistemas profesionales globales.

El primer grupo de la perspectiva BE se basa en la defini-

ción de “fronteras organizacionales” de la Teoría General

de la Gestión Estratégica, que ha desarrollado cuatro con-

ceptos explicativos principales: eficiencia, poder, compe-

tencia e identidad. La concepción de ecosistema empre-

sarial varía según cada tipo, de esta forma, las primeras

definiciones se concentraron en las redes de actores em-

presariales y los mecanismos que sostenían su funciona-

miento. Estos estudios no se centraron en la plataforma

sino en las complejas relaciones de las empresas en un

ecosistema digital.

El segundo grupo, se encuentra centrado en el concepto

de sistema complementario (subsector industrial). Este

describe el esquema genérico de un ecosistema como el

sistema formado de proveedores, empresas locales, com-

plementadores y los clientes. Por lo tanto, las fronteras

del ecosistema se encuentran a nivel del subsector indus-

trial, incluidos los complementadores y se centra en des-

cubrir sus patrones dinámicos.

La tercera vertiente se enfoca en los ecosistemas forma-

dos por los proveedores y en resolver el problema de la

selección de estos, la cual lleva como principal compo-

nente la creación de redes cooperativas y a su vez debe

lidiar con el mantenimiento de la diversidad de provee-

dores.

El cuarto grupo considera el ecosistema como una em-

presa aglomerada conectada por fusiones y adquisicio-

nes. De esta manera, analizan los cambios dinámicos en

los grupos empresariales y su relación con el crecimien-

to económico. Por último, los ecosistemas profesionales

globales se centran en la red global de talento humano

STEM (ciencia, tecnología, ingeniería y matemáticas)

como fuente para el ecosistema de innovación global.

El ecosistema consta de actores comerciales: la

perspectiva de gestión de plataforma (PMP)

Esta perspectiva se enfoca en el dinamismo de las plata-

formas y su principal objetivo es describir los mecanis-

mos de crecimiento y declive. Esta estrategia se observa

particularmente clara en la industria de TI, esto se debe a

las características tecnológicas de alta modularidad, que

permite relegar a otras empresas la fabricación de partes.

El análisis muestra que el ecosistema tiene una estructura

multicapa, pero teniendo un actor que cumple el papel de

agregador que integra a la plataforma a los otros jugado-

res, mientras construyen la siguiente capa.

También identifica el mecanismo de “apalancamiento ar-

quitectónico”, este concepto se refiere al hecho de ejercer

una influencia que es desproporcionada mayor en rela-

ción con el poder individual. En el contexto de platafor-

mas el apalancamiento se logra mediante el desarrollo de

activos compartidos, diseños y estándares, que se pueden

recombinar sin restricciones lo que facilita la coordina-

ción y la gobernanza dentro y entre las empresas que

comparten una plataforma determinada. Arquitectura se

entiende como un sistema de elementos y sus relaciones,

que representan el resultado de decisiones deliberadas,

aunque a veces dependientes de los otros elementos que

conforman la plataforma. El mecanismo permite integrar

los avances conceptuales de plataformas, para explicar de

manera efectiva su dinámica evolutiva. Los integradores

de cada capa apalancan el crecimiento de la plataforma

compartiendo diseños, invenciones y estándares a los

otros integrantes. El conocimiento es el flujo vital que

estructura la evolución de los ecosistemas de plataforma.

Otra fuerza que determina la evolución de los ecosiste-

mas se encuentra en el equilibrio entre fuerzas que son

contrarias: estabilidad-variabilidad, homogeneidad-hete-

rogeneidad. En general se identifican tres tensiones so-

bresalientes que los caracterizan: estandarización-varie-

dad, control-autonomía y colectivo-individual.

La perspectiva de Red Multi actor (MNP)

Esta perspectiva, al igual que la de ecosistema empresa-

rial (BEP) se centra en las complejas redes y relaciones

de las empresas privadas; sin embargo, en esta perspecti-

va se analizan las redes dinámicas entre actores con atri-

butos diferentes a las empresas privadas, estos actores se

dividen en cinco grupos: (1) empresarios e inversionistas

privados, (2) innovadores que están fuera de los canales

de la empresa, (3) usuarios/comunidades de usuarios, (4)

burócratas gubernamentales/diseñadores de políticas y

(5) consorcios.

A partir del análisis de las perspectivas de ecosistemas se

puede notar respecto del concepto de ecosistema, que se

determina un producto/servicio específico y se explora la

red económica a la que pertenece, incluso anota que es-

tas formas de ecosistema podrían no circunscribirse a una

zona geográfica determinada, o sea, que a la hora de esta-

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

blecer los ecosistemas, las fronteras no son un elemento

que marque el inicio o el final de un ecosistema (Tsu-

mito et al, 2018, Kapoor et al, 2021), esto debido a que

en los ecosistemas productivos al igual que en biológicos

es difícil hacer una delimitación del mismo, por lo que

para efectos de estudio se proponen límites conceptuales

con el fin de identificar los diferentes tipos de ecosistema

(Cobben et al., 2022). Aunque en este aspecto hay una

diferencia con la noción de ecosistema que se propone, y

que podría estar más cerca de Kapoor (2021), en términos

de que este intenta ampliar el concepto a partir de una in-

dustria o servicio y tratar de observar el impacto que este

tiene en las redes sociales en las que se encuentra inmer-

so, cuando el ecosistema está determinado por los nive-

les técnicos, inclusive todos los elementos que forman el

núcleo técnico de una organización, el nivel de la misión

de la organización, y los actores que están relacionados

como consumidores o proveedores, y por último propone

la gobernanza a la que tiene que obedecer.

El problema de esta visión, al igual que todas las encon-

tradas, es que parten de un elemento abstracto como una

industria y a partir de allí, ven las relaciones que tiene

con otras industrias y la comunidad. Este tipo de gerencia

asume de fondo que todos los seres humanos tienen las

mismas cualidades y talentos, o en el mejor de los casos,

que, mediante entrenamiento, se pueden reproducir todas

las características necesarias para cada ecosistema; o sea,

que es una especie de algoritmo que es independiente del

hardware, como en las computadoras, el hardware no es

más que las regiones en las que están y en los seres hu-

manos específicos que viven en ellas. Algo que viene a

ser problemático desde cualquier punto de vista, sólo por

anotar un elemento a manera de ejemplo: no es igual la

cultura asiática, altamente jerárquica (Páez et al, 2002),

que la cultura occidental, mucho más horizontal. Estas

definiciones o perspectivas no toman en cuenta que el

concepto de ecosistema lleva inserto en sí mismo la inte-

racción con los medios específicos.

Aunque es relativamente esperable que se parta de este

extremo de la cuerda, ya que son investigaciones en ge-

rencia, y lo que se busca es aumentar la competitividad de

la organización determinada. Esto nos lleva a un proble-

ma fundamental sobre el que hay que hacer una mención

especial: existe una enorme diferencia en los objetivos

del administrador de una empresa y los de un hacedor de

política pública.

Para el administrador de una empresa, como ya se men-

cionó, es primordial la creación de valor y el aumento

de la competitividad. Asumamos que esta organización

existe en un medio económico con competencia perfecta,

lo que significa ser más competitivo, es el acrecentar la

cuota de mercado a la que la empresa tiene acceso, lo que

le permite incrementar su valor. Pensemos por un mo-

mento lo que representa este punto, cuando las fuerzas de

un mercado están en equilibrio, todos los oferentes ten-

drán una cuota de mercado que depende de la cantidad

de consumidores a los que su producto puede “seducir”.

Para aumentar la riqueza/ganancia, o lo que generalmen-

te agrega el valor de la empresa se puede lograr de dos

formas: por un lado, a través de una disminución de los

costos de producción, vía una mejora tecnológica, o bien

diferenciando su producto. Con estas premisas, lo espe-

rable es que un mejoramiento en la eficiencia tecnológica

que lleva a una eficiencia en los costos o el recibir algún

tipo de beneficio fiscal, esto se traslade al usuario final en

la forma de una reducción de precio que aumente su cuo-

ta de mercado y por consiguiente la ganancia. En térmi-

nos generales, esto significa que si se posee una ventaja

que la competencia no posee, esto lleva ineludiblemente

a tener la preferencia de los consumidores. Es por esto,

cuando en las investigaciones de negocios el principal

objetivo es el aumento de la competitividad, o sea, tratar

de encontrar aquellas ventajas que aumentan la cuota de

mercado, es decir, disminuir la cuota de mercado de los

otros competidores; en otras palabras, esta fuerza va en

contra de la competencia. Precisamente cuando el mer-

cado no es competitivo, estos mismos elementos llevan

a una concentración que destruye la dinámica, o sea, el

bajar los costos no implica una disminución de precio, ya

que el oferente no puede aumentar la cuota de mercado

o es poco significativa en términos de ganancia. Así el

ahorro en coste se traslada directamente a la ganancia del

oferente.

Por otro lado, la misión de los hacedores de política pú-

blica es buscar el aumento de la diversidad en los ecosis-

temas, es decir, fomentar la competencia en los mercados,

de tal forma que esté repartido lo máximo posible. Esto

porque por definición la competencia es la capacidad que

tiene el mercado para que las decisiones sean tomadas por

los consumidores y no por los oferentes, también, compe-

tencia es la capacidad de un mercado de que ningún ofe-

rente pueda tomar decisiones significativas que afecten el

mercado en el que está. Cuando esta regla se rompe, un

oferente obtiene el poder de tomar decisiones que deter-

minan el comportamiento del mercado, lo que le permite

velar por acciones que le beneficien. De manera que, la

máxima competitividad se produciría en el momento que

un oferente es monopólico u oligopólico coludido, así

tendría un mercado cautivo.

En consecuencia, existen dos polos importantes que tie-

nen objetivos contrarios, por un lado, los que deben au-

mentar la competitividad de las empresas, o sea, destruir

a los competidores, y, por otro lado, el aumento de la

competencia.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Hallazgos y propuesta

Descripción de los ecosistemas Productivos

Explorar la fascinante analogía entre los ecosistemas

naturales y los elementos del sistema productivo de una

región, alude a nuestro estudio y se adentra en la compa-

ración de las dinámicas de transferencia existentes en am-

bos sistemas. Así como en los ecosistemas naturales ob-

servamos una transferencia de materia y energía a través

de las cadenas tróficas, en los ecosistemas productivos

se propone una transferencia paralela de capital, capital

humano y materias primas. Esta perspectiva biomimé-

tica ofrece una comprensión más profunda de cómo los

elementos interconectados en los sistemas productivos

pueden fomentar el desarrollo y la innovación con un re-

flejo de patrones similares a los que encontramos en la

naturaleza. Este enfoque no solo enriquece nuestra com-

prensión de los sistemas económicos, sino que también

abre nuevas vías para estrategias de desarrollo regional

sostenible y eficiente.

En el ecosistema productivo, las empresas funcionan

como organismos vivos dentro de una región geográfica

específica; no solo nacen, crecen y se desarrollan, sino

que también interactúan con otros organismos complejos

tales como otras empresas, instituciones públicas y aca-

démicas, así como con la sociedad civil. Estas interaccio-

nes se realizan a través de elementos del medio ambiente,

como la infraestructura física y tecnológica, que repre-

sentan los componentes abióticos del sistema. De esta

manera, se establece un paralelismo entre los elementos

bióticos y abióticos de los ecosistemas naturales y los

componentes activos y pasivos del entorno productivo.

En los ecosistemas biológicos, la interacción entre los

componentes vivos y abióticos, a través de flujos de nu-

trientes y energía, define su unicidad. De manera similar,

en el ecosistema productivo, las empresas interactúan con

otros actores, donde destaca especialmente el flujo de ca-

pital humano. Las empresas no sólo obtienen talento y

conocimiento de las instituciones académicas, sino que

también adquieren servicios y tributan al Estado, para

generar un impacto económico y social significativo.

Estas interacciones, que abarcan flujos de personas, re-

cursos e insumos, varían según el sector empresarial y

la comunidad. Este fenómeno subraya la especificidad y

diversidad de cada ecosistema productivo, análogo a la

variedad en los sistemas biológicos. Cabe resaltar que el

flujo de capital humano es crucial, pues implica la trans-

ferencia de habilidades, conocimientos y experiencias,

esenciales para la innovación y el crecimiento en los en-

tornos productivos. Así, el intercambio dinámico de capi-

tal humano entre empresas, instituciones y la comunidad

moldea el carácter y la eficacia del ecosistema producti-

vo, similar a como los flujos de energía y nutrientes defi-

nen los ecosistemas naturales.

Las relaciones de mayor relevancia son aquellas en que

se intercambian elementos que son fundamentales para

la supervivencia. En los ecosistemas biológicos, son las

cadenas alimenticias que transfieren energía y materia.

En contraste, los sistemas productivos presentan una ma-

yor diversidad en sus flujos de intercambio, no limita-

dos solo a materia y energía, sino que incluye elementos

como capital financiero, capital humano y materias pri-

mas. Estos elementos en los sistemas productivos equiva-

len a la energía y materia en los ecosistemas biológicos,

por ejemplo, el capital humano aporta mucho más que

simple mano de obra; también transmite conocimientos

y experiencias valiosas (Spencer, 2008), así contribuye

a un patrimonio intangible que enriquece el ecosistema

empresarial. Esta transferencia de saberes y la capacidad

de adaptarse a diversas culturas dotan a las corporaciones

multinacionales de una ventaja competitiva significativa,

la cual permite operar eficazmente en una amplia gama de

mercados globales. Así como el capital financiero ayuda

a catalizar los procesos productivos, como la adquisición

de nuevas tecnologías o materias primas, la gestión efi-

ciente de estos flujos es fundamental para la optimización

de recursos en cada ecosistema, ajustada a las regulacio-

nes y las necesidades específicas de cada región.

Por otro lado, la cultura y las inclinaciones de la pobla-

ción de la región influyen significativamente en la cali-

dad y tipo de talento humano disponible, aspecto que no

es modificable a través de legislación, por ejemplo, en un

territorio su población podría sentirse a gusto con cierto

tipo de tareas que son culturalmente compatibles, así por

ejemplo, habrán regiones donde sus pobladores estén más

inclinados a la matemática y la ciencia, mientras que en

otras, sus intereses estén en entender y mejorar los proce-

sos sociales y familiares. Este enfoque holístico hacia los

flujos en sistemas productivos refleja una complejidad y

diversidad mayor en comparación con los sistemas bio-

lógicos, resaltando la unicidad y la especificidad de cada

ecosistema productivo.

El primer nivel trófico en ecosistemas productivos, simi-

lar a las plantas en los ecosistemas biológicos, es donde

se inyecta la riqueza, esencial para la dinámica del sis-

tema, cuando se refiere a riqueza no es exactamente a la

cantidad de moneda, sino los elementos de valor que ge-

nera una sociedad. En los sistemas biológicos, las plantas

transforman la energía solar, con lo que se inicia la ca-

dena alimenticia. De forma paralela, en los ecosistemas

productivos, la riqueza es la energía que se transfiere e

impulsa todas las actividades. Esta riqueza generada y

movilizada según la Ley de Say (1821) es finita y debe

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

ser administrada eficientemente, es por esta característica

fundamental que existe la economía, en tanto que estu-

dia la forma en que esa riqueza, que es recurso escaso,

puede servir para mover los flujos en todo el ecosistema.

La disponibilidad de riqueza dicta la diversidad y la ca-

pacidad del ecosistema, la cual afecta la supervivencia

y prosperidad de la comunidad, ya que es una forma de

medir la energía disponible que tiene un ecosistema hu-

mano, entre más energía disponible más diversos son los

propósitos que se le dan. Este primer nivel, formado por

los agregados de la Ley de Say, refleja cómo la creación

y circulación de riqueza es fundamental para mantener el

ecosistema productivo.

La Ley de Say (1821) dice que el hecho de encontrar pro-

ductos terminados (oferta), nos permite decir que existe o

se ha creado una demanda más o menos del mismo valor,

dicho en términos operativos, para que una economía em-

piece a funcionar se requiere que los miembros de la co-

munidad tengan algún bien con valor para la comerciali-

zación, por ejemplo, cuando se habla de sistemas primiti-

vos y se describen las primeras formas de comercio como

el trueque, hay que poner atención al acto fundamental de

que las personas debieron convertir algo, ya sea para el

consumo propio para el intercambio propiamente dicho,

o sea, tuvieron primero que trabajar y transformar la ma-

teria; esto en mercados más complejos lo que nos indica

es que cuando se logra constatar la existencia de un ob-

jeto para vender o comerciar (oferta), ya se puede contar

con la existencia de un valor similar de demanda y con las

personas que se les pagó por el trabajo o incluso que sean

ellas mismas las que lo comercializan. Como se observa

se encontró que, el nivel en que convergen la oferta y la

demanda es el nivel en el que el trabajo produce un bien

comercializable y además todo individuo con un valor

equivalente para poder intercambiarlo por otros bienes

que necesite, es el punto de inyección de riqueza al sis-

tema, semejante a las plantas de los sistemas biológicos.

De este modo, se han establecido las leyes de las interac-

ciones dentro de los ecosistemas productivos, así como

las restricciones a las cuales se somete, principalmente

por la ley de Say y por su consecuente la ley de Walras,

que describen los análogos a la ley de conservación de

energía que constriñen a los sistemas biológicos. Ade-

más, podemos suponer que una forma de generar una red

exitosa de interrelaciones es aquella configuración que

minimiza la tensión entre el medio social y la generación

de riqueza, mientras que aquellos sistemas o actores del

ecosistema productivo que no aprovechan la vocación de

la región tenderán a aumentar sus costos y en un escena-

rio de competencia, a desaparecer. De ahí que, determinar

la vocación productiva es trascendental para un desarro-

llo armonioso y que permita una evolución a sistemas de

mayor valor agregado en tiempos razonables e inversión

social sostenible.

Interconexión entre talento y ecosistemas

productivos

La concepción del “aprovechamiento eficiente del talen-

to” dentro de los ecosistemas productivos es una analogía

fascinante y reveladora que se alinea con los hallazgos de

investigadores como Strenze, Stewart, y otros. Esta no-

ción propone que, al igual que en un ecosistema natural,

donde cada componente tiene un papel vital, en los eco-

sistemas productivos, la asignación y utilización óptima

del talento humano es fundamental para el funcionamien-

to y éxito del sistema.

En el ecosistema productivo, la distribución eficiente del

talento se refiere a la asignación adecuada de personas

talentosas a ocupaciones que no solo requieren, sino que

también desafían y utilizan plenamente sus habilidades.

Strenze (2013) destaca que las sociedades que logran

esta sinergia entre talento y complejidad laboral tienden

a exhibir un crecimiento económico más robusto. Esta

relación es crucial porque capitaliza las habilidades in-

dividuales de manera que maximiza la productividad y

la innovación. Como en un ecosistema natural donde la

eficiencia energética y la utilización de recursos dictan la

salud del sistema, en los ecosistemas productivos, la efi-

ciencia en la asignación del talento dicta la productividad

y el crecimiento económico.

El aprovechamiento del talento no solo influye en la

eficiencia productiva, sino que también juega un papel

determinante en el desarrollo económico y social más

amplio de una sociedad. Las investigaciones sugieren

que las sociedades que emergen de la pobreza y utilizan

eficazmente sus talentos humanos, junto con los recursos

naturales, pueden acelerar su desarrollo económico. Este

enfoque trasciende la mera generación de riqueza y abar-

ca un desarrollo holístico, al considerar factores sociales

y culturales que contribuyen a una sociedad más equita-

tiva y próspera.

La idea del “rescate del talento” en todas las capas so-

ciales apunta a una democratización de las oportunidades

y a una distribución más equitativa del talento humano.

Al reconocer que el talento se distribuye normalmente en

todas las esferas sociales, es esencial que los sistemas so-

cioeconómicos permitan el florecimiento de este talento,

independientemente del origen socioeconómico, ya que

no solo se fomenta una mayor equidad y se reduce la des-

igualdad, sino que también se mejora la competitividad

y la capacidad innovadora del sistema. Este enfoque es

esencial para la construcción de ecosistemas productivos

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

inclusivos y sostenibles, donde cada individuo puede con-

tribuir efectivamente al desarrollo económico y social.

Al igual que en un ecosistema natural, donde cada espe-

cie juega un papel específico y esencial, en los ecosiste-

mas productivos, cada individuo y su conjunto único de

habilidades y conocimientos contribuyen al bienestar y al

crecimiento del sistema económico en su conjunto. Estas

ideas subrayan la importancia de políticas y estrategias que

fomenten una distribución equitativa del talento y promue-

van oportunidades para que todos los miembros de la so-

ciedad desarrollen y utilicen plenamente sus habilidades.

Fuerzas dentro y fuera del entorno del eco-

sistema

Los ecosistemas productivos están inmersos en un entor-

no complejo que está conformado por una parte soft y una

parte hard, las cuales a su vez se conforman por distintos

elementos que son los que juntos en un balance adecuado

dan vida al ecosistema.

Parte Soft

La parte soft del ecosistema productivo se compone de

dos elementos: gobernabilidad y competencia.

Gobernabilidad La gobernabilidad “trasciende la acep-

ción primitiva de ‘control de los conflictos sociales’,

y abarca la capacidad de un gobierno de concertar con

diferentes actores sociales y económicos y desarrollar

políticas públicas orientadas a satisfacer sus demandas”

(PNUD, 2009, p. 12). Además, “mejorar la gobernabili-

dad es un poderoso instrumento para mejorar los indica-

dores sociales y el crecimiento” (PNUD, 2009, p. 12).

Por ende, es de suma importancia optimizar la goberna-

bilidad para promover el desarrollo económico y social.

Se sostiene que un sistema es gobernable cuando está es-

tructurado sociopolíticamente, de modo tal que todos los

actores estratégicos se interrelacionan para tomar decisio-

nes colectivas y resolver sus conflictos, según un sistema

de reglas y de procedimientos formales o informales —

con diversos niveles de institucionalización—, dentro del

cual formulan sus expectativas y estrategias. La existen-

cia de la democracia es condición necesaria, pero no sufi-

ciente, para la gobernabilidad, la que trasciende el ámbito

del gobierno y abarca a las instituciones de la sociedad y

del sector privado (PNUD, 2009, p. 12). De acuerdo con

lo anterior, se puede decir que un ecosistema productivo

es gobernable cuando está bien estructurado y sus actores

(empresas, gobierno, universidades, entre otras) interac-

túan para tomar decisiones colectivas para el bien de todo

el ecosistema.

Cabe, además, hacer la diferenciación del término gober-

nabilidad con el concepto de gobernanza el cual se define

como un

“sistema de valores, políticas e instituciones a través

de las cuales una sociedad maneja sus asuntos eco-

nómicos, políticos y sociales en interacciones entre

el Estado, la sociedad civil y el sector privado. Es la

manera en que la sociedad se organiza a sí misma para

tomar e implementar decisiones, logrando la com-

prensión, el acuerdo y la acción colectiva” (PNUD,

2009, p. 12).

Generalmente, en los ecosistemas productivos, la gober-

nanza de este recae en una empresa líder que se encarga

de regular las conexiones entre los miembros, dar forma y

mejorar la salud del ecosistema. No obstante, esta visión

nos parece insuficiente, por lo que en nuestro modelo de

ecosistemas productivos proponemos la gobernanza ba-

sada en el modelo de triple hélice.

El modelo de la Triple Hélice es para nosotros no solo la

forma de gobernanza del ecosistema, sino que también el

mecanismo para potenciarlos. Este es un triunvirato defi-

nido por la interacción de tres macro sectores: el acadé-

mico, el público y el privado.

El sector privado empresarial aporta la conformación de

las cadenas de producción. Por su lado, el sector público

o estatal proporciona el marco jurídico, las condiciones

base o reglas del juego bajo las cuales se desarrollan los

ecosistemas. La Academia, además de contribuir con el

talento humano, desempeña un rol fundamental al ser el

macro sector capaz de introducir cambios tecnológicos

(a través de investigación científica e innovación) que

podrían cambiar la vocación productiva de una región,

potenciar las cadenas de soporte de mayor valor agregado

y constituir así en un disparador de la evolución descrita

anteriormente.

Cabe mencionar que a este modelo otros autores le han

agregado la cuádruple y quíntuple hélice, así, la cuádru-

ple hélice hace referencia a la sociedad civil y la quíntu-

ple hélice abarca el medio ambiente. De esta forma, el

modelo busca potenciar el desarrollo sostenible a partir

de la innovación en las cinco hélices (Carayannis et al.,

2012).

Competencia En los mercados capitalistas, la caracte-

rística fundamental es la competencia, la cual en los eco-

sistemas biológicos es entendida como la lucha por el uso

de recursos limitados compartidos (Schowalter, 2022).

Por su parte, en los ecosistemas productivos, esta se pue-

de conceptualizar de forma sencilla, como que ningún

oferente/productor pueda controlar el mercado, cuando

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

este principio no se cumple, pasamos de un mercado ca-

pitalista a uno mercantilista.

Los mercados mercantilistas permiten la acumulación de

la riqueza por parte de una élite, su principal objetivo es

perpetuar el control de los mercados por medio de carte-

les monopólicos u oligopólicos, al ejercer poder mediante

el aparato del Estado o a través del poder de mercado a

su disposición.

El papel de la competencia en el ecosistema productivo

es conservar la diversidad del ecosistema, o sea que los

consumidores sean los que escogen entre los diversos ac-

tores y son los que, en última instancia, les dan la vida a

las empresas.

Parte Hard

La parte hard del ecosistema productivo está compuesta

por dos elementos: competitividad y productividad.

Competitividad De acuerdo con la OCDE (1992) cita-

do por Horta y Serrano (2008) la competitividad es

…el grado por el cual una nación puede, bajo condi-

ciones de comercio y mercados libres, producir bie-

nes y servicios que soporten el test de los mercados

internacionales, mientras simultáneamente mantienen

y expanden el ingreso real de la población en el largo

plazo (p. 2).

Asimismo, en la visión de Michael Porter, la competitivi-

dad de una nación depende de la capacidad de su indus-

tria para innovar y mejorar y, afirma, además, que para

entenderla hay que empezar por las fuentes fundamen-

tales de la prosperidad, la cual se crea y no se hereda,

sino que está determinada por la productividad de su eco-

nomía que permite mantener altos salarios, una moneda

fuerte y retornos de capital atractivos (Horta y Serrano,

2008, p. 2).

La implementación de acciones que favorezcan el de-

sarrollo de la cooperación entre las firmas para permitir

la especialización individual en un contexto de comple-

mentariedad y extensión del mercado es un camino que

permite avanzar en la competitividad. La competitividad

sistémica es el producto de un proceso colectivo y acu-

mulativo a través del tiempo, que impacta en una mayor

demanda de empleo formal y desarrollos innovativos.

A su vez, son fundamentales los servicios de apoyo en

transporte y logística, financiamiento, infraestructura,

energía, consultoría especializada, entre otros factores,

para contar con un entorno favorable a la producción

(Kosacoff, 2019, párr. 4).

En los ecosistemas productivos, la competitividad no de-

pende de las empresas, ya que es externa a estas, sino que

depende del ambiente en que estas se desarrollan.

Productividad El término productividad en los ecosis-

temas biológicos se refiere a la eficacia con que el ecosis-

tema convierte las materias primas en organismos vivos,

de manera análoga en los ecosistemas productivos, las

empresas buscan convertir la materia prima en productos

finales con la menor cantidad de recursos (Iansiti & Le-

vien, 2004). De esta forma, la productividad mide la efi-

ciencia con la que se utilizan los insumos de producción,

como la mano de obra y el capital, en una economía para

generar un determinado nivel de producción, además, se

considera una fuente clave de crecimiento económico y

competitividad (OCDE, 2021).

Relación con otros paradigmas de desarrollo

estratégico

Los ecosistemas productivos son sistemas complejos don-

de la sinergia entre las empresas, la fuerza laboral y las

instituciones educativas y de investigación genera valor y

fomenta el desarrollo económico. Este enfoque reconoce

que la prosperidad económica surge de una red intrinca-

da de interacciones y relaciones, donde cada actor juega

un papel crítico. La noción de ADN productivo se refiere

a las características y capacidades únicas de una región,

donde incluye factores como la cultura empresarial, la in-

fraestructura y la innovación, que pueden ser cultivados

para impulsar el crecimiento y la competitividad.

Las estrategias de especialización inteligente (S3) toman

una dirección más estratégica (Gañán de Molina, 2022,

Prieto et al, 2015). Estas estrategias, promovidas dentro

de la Unión Europea, buscan estimular el crecimiento re-

gional a través de la especialización en áreas donde ya

existe una ventaja competitiva o un potencial significa-

tivo de innovación. Las estrategias S3 implican un aná-

lisis detallado de las fortalezas regionales, pero pueden

enfrentar críticas por concentrar recursos en sectores ya

desarrollados, al limitar posiblemente la diversificación

económica y correr el riesgo de crear monopolios u oli-

gopolios en el mercado.

Por otro lado, los enfoques de política orientada por

misiones proponen un modelo en el cual se establecen

“misiones” amplias y desafiantes que buscan movilizar

la innovación en múltiples sectores para abordar proble-

mas sociales importantes. Este enfoque es menos sobre

la especialización y más sobre la consecución de grandes

objetivos que tienen claros beneficios públicos. A dife-

rencia de los enfoques más regionalizados y centrados en

el mercado de las estrategias S3, las políticas orientadas

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

por misiones promueven colaboraciones intersectoriales

y buscan atraer inversiones tanto públicas como privadas.

Estas políticas de misión buscan inspirar y guiar la inno-

vación en la dirección de objetivos sociales y económicos

significativos, tales como la sostenibilidad ambiental, la

salud pública o la transformación digital. Los objetivos

claros y ambiciosos de estas políticas actúan como cata-

lizadores para la innovación, fomentando una gama más

amplia de actividades de investigación y desarrollo y po-

siblemente evitando la concentración de poder económi-

co en pocos sectores.

La clave para los ecosistemas productivos basados en el

ADN productivo es un entendimiento holístico y orgáni-

co de las dinámicas regionales. Este enfoque busca apro-

vechar de manera auténtica las características inherentes

de una región, el cual permite un desarrollo económico

que es verdaderamente representativo de su identidad y

capacidades. Se centra en fomentar un crecimiento que

sea sostenible y enriquecedor para todos los miembros

del ecosistema, enfatizando la importancia del talento hu-

mano y la innovación. Mientras que los enfoques basados

en S3 y las políticas orientadas por misiones pueden ser

más adecuados para objetivos específicos de especializa-

ción y desafíos extraordinarios, los sistemas basados en

el ADN productivo ofrecen una ruta hacia un desarrollo

económico más integrado y representativo. Sin embargo,

independientemente del enfoque, una implementación

cuidadosa y la consideración de las interdependencias y

el valor del talento humano son esenciales para el éxito

a largo plazo.

Definición Operativa

Ahora bien, el problema que se presenta es, ¿cómo se

identifican los ecosistemas productivos? y más aún,

¿cómo detectar cuáles son las condiciones y requerimien-

tos que cada uno necesita para crecer y desarrollarse, sin

que ello implique crear un enclave económico? Un biólo-

go se basa en largos períodos de observación para carac-

terizar el ecosistema de un arrecife de coral, por ejemplo.

De manera análoga observamos los sectores productivos

para conocer sus requerimientos y contrastarlos con las

características de regiones y comunidades, detectando

las que tienen la mayor cantidad de interrelaciones y, por

tanto, condiciones para el desarrollo de uno u otro sector.

Este enfoque permite determinar las características de los

sectores productivos, a través de las relaciones que esta-

blece con el medio, o sea, con la comunidad, el Estado y

los consumidores. Como resultado, no solo hay que iden-

tificar las relaciones de alimentación (fuentes de capital,

materias primas, talento humano), sino, las relaciones de

competencia indirectas que se forman por la presencia

de otros sistemas productivos, competencia por recursos

comunes, políticas públicas de Estado, flujo de mano de

obra entre empresas. Por ejemplo, en el ecosistema donde

exista una compañía transnacional, que trae procesos de

manufactura y gestión más avanzados que los procesos

locales; desde este punto de vista, el intercambio de la

mano de obra desde la transnacional hacia las empresas

locales genera una transferencia de conocimiento y au-

mento de la eficiencia de los procesos locales. De igual

forma, la cultura local enriquece y sensibiliza a la cultura

organizacional de la empresa extranjera con nuevas habi-

lidades que le permiten entrar a nuevos mercados. Esta es

una relación trófica, entre una nueva especie (transnacio-

nal) y las especies autóctonas (empresas locales).

Los sectores productivos están dotados de características

que les permiten sobrevivir. La idea es encontrar aque-

llos elementos básicos que caracterizan el surgimiento y

el éxito de una empresa o un sector productivo en una

región dada. Esto permite encontrar para qué puede ser

utilizada cada región de forma eficiente. Igualmente, la

diferencia que existe entre ADN Productivo de una re-

gión con las características de alguna industria permite

conocer las condiciones óptimas que se requeriría para

desarrollarse exitosamente.

ADN Productivo

El concepto de “ADN productivo”, tal como se describe,

abarca las cualidades únicas y distintivas de una pobla-

ción a nivel regional, influenciadas significativamente

por su cultura inherente. Estas características no solo

definen la identidad socioeconómica de una región, sino

que también moldean las preferencias y especializaciones

laborales de sus habitantes. Por ejemplo, algunas regiones

pueden destacarse por su énfasis en la educación superior,

para fomentar así una población con fuertes inclinaciones

académicas y profesionales, mientras que otras pueden

valorar más el trabajo físico, el artesanal o el artístico, lo

cual se refleja en una economía y cultura locales vibran-

tes y distintivas.

Para ilustrar esta idea, podemos examinar el caso de

las polis griegas antiguas como Esparta y Atenas, cada

una con su propia orientación y valores predominantes.

Esparta era célebre por su riguroso entrenamiento militar

y su cultura enfocada en la disciplina y la fuerza, lo que la

convertía en una potencia bélica formidable. En contras-

te, Atenas se destacaba por su rica vida cultural, su flore-

cimiento en las artes, la filosofía y la democracia, siendo

un faro de pensamiento avanzado y expresión creativa.

Este fenómeno se puede conceptualizar como un “primer

nivel trófico” en el ámbito socioeconómico, donde las in-

clinaciones y competencias de una población se transfor-

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

man en una dinámica de oferta y demanda laboral. Lo que

una comunidad valora y en lo que se especializa no solo

determina su forma de subsistencia, sino que también

enriquece su calidad de vida, contribuyendo a un tejido

socioeconómico diverso y resiliente.

Es crucial reconocer que este “ADN productivo” no es

un elemento estático, sino que está en constante evolu-

ción, similar a las especies biológicas en la naturaleza.

A lo largo de las generaciones, las culturas se adaptan

y transforman, para responder a cambios en el entorno,

avances tecnológicos, intercambios culturales y desafíos

económicos, lo que demuestra la dinámica fluida y adap-

table de las sociedades humanas en su búsqueda continua

de progreso y bienestar.

Al profundizar en el concepto de “ADN Productivo”,

podemos considerarlo como un marco integral que en-

capsula las características esenciales de una región, para

determinar su idoneidad y eficiencia en diversas indus-

trias. Este marco se compone de variables críticas como

la educación, la salud y el acceso a Internet, cada una

aporta de manera significativa a la capacidad producti-

va y al desarrollo económico de la región. Por ejemplo,

en una industria tecnológica avanzada, estas variables

necesitarían estar en sus niveles óptimos: una educación

superior robusta que nutra la innovación y la especializa-

ción, un sistema de salud sólido que garantice una fuerza

laboral saludable y productiva, y un acceso a Internet de

alta velocidad que facilite la conectividad global y el flujo

de información. En contraste, industrias más orientadas

hacia el trabajo manual o artesanal podrían requerir un ni-

vel de educación más práctico y centrado en habilidades

específicas, mantener aún una alta prioridad en la salud

y, potencialmente, un menor énfasis en la conectividad

digital.

Esta noción se asemeja al concepto biológico de adap-

tación, donde, al igual que los organismos en un ecosis-

tema, como los peces en un arrecife de coral que están

adaptados a sus condiciones específicas (respiración

branquial, habilidades de natación), las regiones desarro-

llan un “fenotipo económico” específico, una vocación

productiva que refleja sus capacidades y características

intrínsecas. Esta adaptación socioeconómica no solo es

un reflejo de la infraestructura física y educativa de la

región, sino también de sus valores culturales, historia y

orientación social, todos los cuales se entrelazan para for-

mar un ecosistema económico único y dinámico.

Si se reconoce y evalúa este “ADN Productivo”, se pue-

den diseñar estrategias económicas y políticas públicas

más efectivas, que no solo se alineen con las capacidades

existentes de una región, sino que también potencien su

crecimiento y desarrollo a largo plazo. Esta aproxima-

ción permite una intervención más precisa y sostenible,

lo cual fomenta un desarrollo que es tanto inclusivo como

representativo de la identidad y fortalezas únicas de cada

comunidad.

Capturar la esencia del “ADN Productivo” de una región,

a pesar de su intangible naturaleza, es posible mediante

un enfoque analítico y estadístico, que va más allá de los

métodos tradicionales utilizados en indicadores como el

Índice de Desarrollo Humano (IDH). Este enfoque im-

plica una meticulosa recopilación y análisis de datos so-

cioeconómicos regionales, abarca un espectro amplio de

variables como la educación, la salud, y la infraestructura

tecnológica, entre otros. La idea es formular un conjunto

de indicadores que, al ser analizados en conjunto, ofrez-

can una vista panorámica del potencial productivo y eco-

nómico de una región, reflejando tanto sus capacidades

actuales como sus posibles trayectorias de desarrollo.

A diferencia del IDH, que se centra primordialmente en el

bienestar humano y el progreso social, este enfoque para

medir el “ADN Productivo” pondría un énfasis mayor en

la capacidad económica, la innovación tecnológica, y la

diversificación industrial. Se trataría de una herramien-

ta analítica más orientada a la planificación económica

estratégica y al diseño de políticas adaptadas a las carac-

terísticas específicas de cada región. Al integrar indica-

dores que abarcan desde el acceso a Internet y la calidad

de la infraestructura hasta la educación y la salud, este

enfoque ofrece un marco más holístico y dinámico para

entender y potenciar el desarrollo económico regional.

Sin embargo, es crucial reconocer las limitaciones inhe-

rentes a este método. Un ranking basado en datos esta-

dísticos puede no captar completamente la riqueza y la

complejidad de las culturas locales, las tradiciones, y las

preferencias individuales. Además, la selección y ponde-

ración de los indicadores pueden introducir un grado de

subjetividad, lo que podría sesgar la interpretación de las

necesidades y capacidades reales de la región. Por lo tan-

to, mientras que este enfoque ofrece una aproximación

valiosa para entender y potenciar el “ADN Productivo”,

también debe ser complementado con un profundo en-

tendimiento cualitativo de las singularidades culturales y

sociales de cada región.

Tradicionalmente, la caracterización del “ADN Producti-

vo” de una región se hubiera abordado mediante la cons-

trucción de índices que amalgaman diversas medidas es-

tadísticas en un solo valor agregado. Este enfoque, si bien

útil para proporcionar una visión general y comparativa, a

menudo resulta en una simplificación excesiva de realida-

des complejas y dinámicas, perdiendo matices y especi-

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

ficidades críticas que definen a cada región. Al reconocer

estas limitaciones, surge la propuesta de adoptar la Opti-

mización Multiobjetivo (MOO) como una metodología

alternativa y complementaria. El MOO, con su capacidad

de manejar múltiples objetivos de manera simultánea y

su enfoque en la conservación de la integridad individual

de cada variable, ofrece una lente analítica más matizada

y detallada. Esta transición del uso de índices hacia la

aplicación de MOO representa un avance significativo en

la forma en que conceptualizamos y evaluamos el “ADN

Productivo”, lo que permite abrazar la complejidad inhe-

rente de las regiones y ofrece insights más profundos y

operativos para su desarrollo y planificación estratégica.

La incorporación de un enfoque de Optimización Mul-

tiobjetivo (MOO) en la evaluación del “ADN Producti-

vo” representa un salto cualitativo en cómo entendemos

y capitalizamos las fortalezas socioeconómicas de las re-

giones. A diferencia de los métodos convencionales que

condensan datos variados en un índice unidimensional, el

MOO mantiene la integridad y especificidad de cada va-

riable, para crear un rico tapiz multidimensional. Este en-

foque permite una visualización y análisis más sofistica-

dos de las interacciones entre variables como educación,

salud e infraestructura tecnológica, al revelar patrones y

correlaciones ocultas en un análisis más simplificado.

Adoptar MOO significa adentrarse en un análisis más

complejo, pero significativamente más informativo, don-

de los perfiles regionales no se reducen a un solo número,

sino que se presentan como constelaciones de factores

interconectados. Esta metodología abre la puerta a una

comprensión más profunda de cómo las características

únicas de cada región pueden influir en su desarrollo

económico y productivo. Con ella, podemos identificar

no solo las áreas de fortaleza y debilidad, sino también

cómo interactúan estas áreas, ofreciendo una base más

sólida para políticas y estrategias de desarrollo adaptadas

y efectivas.

Sin embargo, este enfoque trae consigo desafíos inheren-

tes, inclusive la complejidad en el manejo y análisis de

datos multidimensionales y la necesidad de mantener la

relevancia y actualización de los datos. Además, la inter-

pretación de estos espacios multidimensionales requiere

un nivel de expertise y análisis cuidadoso. A pesar de

estos desafíos, la aplicación de MOO en la evaluación

del “ADN Productivo” representa un avance prometedor

hacia un entendimiento más holístico y dinámico del po-

tencial de desarrollo regional.

El primer desafío en la implementación de la Optimiza-

ción Multiobjetivo (MOO) sobre datos discretos, como

es el caso de las escalas socioeconómicas aplicadas a re-

giones finitas, conlleva desafíos únicos, principalmente

debido a las limitaciones en la flexibilidad y precisión

que estos datos ofrecen. Sin embargo, una solución pro-

metedora para superar estos desafíos es la aplicación de

redes neuronales autoorganizativas, una forma de inteli-

gencia artificial que puede facilitar el modelado y la inter-

polación de estos datos. Esta técnica permite transformar

el conjunto de datos discretos en un modelo más fluido

y continuo, proporcionando una representación más rica

y matizada de las características socioeconómicas re-

gionales. Al utilizar una red neuronal autoorganizativa,

podemos no solo capturar la complejidad inherente y las

sutilezas de los datos, sino también descubrir patrones

y correlaciones ocultas, lo que resulta esencial para una

aplicación efectiva y precisa de MOO en la evaluación y

planificación del desarrollo regional.

El segundo gran desafío es la adecuada visualización de

las soluciones de Pareto obtenidas a través de la Optimi-

zación Multiobjetivo (MOO), este es un elemento crucial

y no debe subestimarse en su importancia. En el contexto

de un modelo multidimensional, como el que se utiliza

para analizar el “ADN Productivo” de regiones, una vi-

sualización efectiva es la clave para desbloquear el pleno

potencial del análisis MOO. Para lograr esto, se deben

emplear técnicas avanzadas de reducción de dimensio-

nalidad, como el Análisis de Componentes Principales

(PCA) o mapeos autoorganizados, que transformen el es-

pacio complejo en representaciones más comprensibles.

Las herramientas de visualización interactivas y dinámi-

cas, que permitan a los usuarios explorar las compensa-

ciones entre diferentes objetivos y entender las relacio-

nes intrincadas entre las variables, son fundamentales.

La claridad en la representación de trade-offs, el uso

estratégico de colores y simbología, y la incorporación

de funcionalidades de anotación y comparación, enri-

quecerán significativamente la experiencia del usuario.

Además, la retroalimentación continua de los usuarios y

stakeholders es esencial para asegurar que la visualiza-

ción no solo sea técnicamente precisa, sino también in-

tuitivamente comprensible y directamente aplicable a la

toma de decisiones. Este enfoque holístico y centrado en

el usuario para la visualización no solo hace justicia a la

complejidad del modelo MOO, sino que también facilita

la interpretación y aplicación práctica de sus resultados,

transformando datos complejos en insights accionables y

estratégicos.

El Optimizador de Ecosistemas Productivos (Opt-EP)

representa una herramienta avanzada en el campo de

la inteligencia artificial, diseñada específicamente para

analizar y caracterizar el “ADN Productivo” de regiones

geográficas. A través del uso de algoritmos heurísticos,

Opt-EP se profundiza en la comprensión de las dinámicas

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

socioeconómicas, culturales, ambientales y económicas

de una zona, abordando la complejidad inherente a estos

sistemas. A diferencia de los métodos convencionales,

que a menudo se basan en promedios ponderados y pue-

den perder detalles finos y matices importantes, Opt-EP

descompone las mediciones en sus componentes indivi-

duales. Este enfoque detallado permite una exploración

más granular de los factores que influencian el potencial

productivo de una región, para proporcionar así una base

de datos rica y diversa para la toma de decisiones en polí-

ticas públicas. Al analizar cada ‘hilo’ de información por

separado, Opt-EP busca revelar patrones y correlaciones

que podrían permanecer ocultos en análisis menos deta-

llados, para facilitar así una visión más completa y mati-

zada de las características únicas de cada región.

En la práctica, el papel del ser humano en el proceso de

toma de decisiones con el Opt-EP es crucial, especial-

mente en la etapa final de interpretación de las soluciones

propuestas. Aunque el Sistema Experto (SE) del Opt-EP

maneja el voluminoso trabajo analítico, al identificar so-

luciones óptimas dentro de las condiciones dadas, es la

intervención humana la que otorga contexto y relevancia

a estos hallazgos. Esta colaboración entre la capacidad

de procesamiento de un SE y el juicio humano asegura

que las soluciones propuestas no solo sean técnicamente

sólidas, sino también aplicables y pertinentes en contex-

tos sociales y culturales reales. Esta interacción resalta la

importancia de una sinergia entre la tecnología avanzada

y la comprensión humana, especialmente en el ámbito del

desarrollo regional y la planificación de políticas públi-

cas, donde las decisiones tienen implicaciones profundas

y de largo alcance en las comunidades.

El sistema consta de tres partes bien diferenciadas:

1. Interpolador (Red Neuronal de Entrada): Está ba-

sada en los mapas de Kohonen, también conocidos como

mapas autoorganizados, son un tipo de red neuronal ar-

tificial que se puede utilizar para la visualización de da-

tos y el reconocimiento de patrones. Son particularmente

útiles para reducir conjuntos de datos de alta dimensión

en mapas bidimensionales, lo que permite una fácil inter-

pretación y análisis. Los mapas de Kohonen funcionan

ajustando iterativamente los pesos de las neuronas en la

red para que coincidan con los datos de entrada mediante

el mecanismo de Gibbs, el cual funciona calculando la

probabilidad de que cada neurona en el mapa sea la gana-

dora para un patrón de entrada dado. La probabilidad se

calcula en función de la distancia entre el patrón de en-

trada y el vector de peso de cada neurona, utilizando una

función de vecindad gaussiana que disminuye a medida

que aumenta la distancia al ganador. La neurona con la

mayor probabilidad de ganar se selecciona como ganado-

ra y su vector de peso se actualiza junto con los vectores

de peso de sus vecinos, que están determinados por el

tamaño del vecindario y la tasa de aprendizaje, lo que da

como resultado la formación de grupos que reflejan la es-

tructura subyacente de los datos.

Esta etapa descubre el patrón subyacente que describe los

datos de entrada. Además, aporta información importante

de los puntos intermedios y los huecos en los datos, en

este sentido, renderiza la información suministrada. Para

realizar esta tarea se utiliza una red neuronal artificial ba-

sada en los trabajos de T. Kohonen, los mapas autoorgani-

zativos (SOM por sus siglas en inglés) e inspirados en la

corteza óptica de los animales (Heskes, 1999; Kohonen,

1990; Vesanto & Alhoniemi, 2000). Los mapas autoorga-

nizativos tienen la propiedad fundamental de que es una

red no supervisada, lo que garantiza el descubrimiento

de los patrones de entrada sin la intervención de un ser

humano disminuyendo el sesgo.

2. Núcleo Optimizador de Búsqueda: Este es el corazón

del optimizador, y se encarga de la búsqueda multiobje-

tivo no lineal en las escalas, mediciones y en general en

la información suministrada (Herrera et al., 1994; Ishida,

2004; Tanaka et al., 1995). Al ser una búsqueda multiob-

jetivo, se busca una aproximación de los valores óptimos

de las variables decisoras. Cabe destacar que un sistema

de optimización multiobjetivo (MOO) tiene como pro-

pósito encontrar el conjunto de soluciones que optimiza

múltiples variables simultáneamente, la cuales están su-

jetas a un conjunto de restricciones.

Supongamos que tenemos un vector de decisión

, donde cada representa una

variable de decisión que puede tomar un valor en algún

dominio . También tenemos funciones obje-

tivas , cada una de las cuales

asigna el vector de decisión a un valor escalar, y un

conjunto de restricciones

, que debe ser satisfecha por cualquier solución factible.

El problema es encontrar el conjunto de soluciones no

dominadas, que son aquellas que no se pueden mejorar

en ningún objetivo sin empeorar al menos otro objetivo.

Formalmente, se dice que una solución domina a otra

solución si es mejor o igual que en todos los objeti-

vos y estrictamente mejor que en al menos un objetivo.

Una solución es no dominada si no existe otra solución

factible que la domine. Al conjunto de todas las solucio-

nes no dominadas dentro del espacio de solución se le

llama Frente de Pareto (Figura 1).

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Donde las funciones objetivas y las restricciones están

sujetas a ciertos supuestos, como continuidad, diferencia-

bilidad y convexidad.

Existen muchos algoritmos y técnicas para resolver pro-

blemas MOO, incluidos algoritmos evolutivos, inteli-

gencia de enjambre, programación genética. Estos mé-

todos suelen generar un conjunto de soluciones óptimas

de Pareto, las cuales intuitivamente son aquellas que no

se pueden mejorar en un objetivo sin sacrificar el rendi-

miento en al menos uno de los otros objetivos. Como se

mencionó con anterioridad a este conjunto se le denota

como frente de Pareto (

), en general representa las

compensaciones entre los objetivos en conflicto.

La definición formal del Frente de Pareto como solu-

ciones no dominadas es fundamental en la Optimiza-

ción Multiobjetivo (MOO), especialmente al abordar la

complejidad inherente a la estructura de conjuntos de

soluciones en espacios multidimensionales. Esta com-

plejidad se debe principalmente a la dificultad que tienen

los seres humanos para visualizar y comprender espacios

de alta dimensionalidad, un desafío que se intensifica en

contextos como la evaluación del “ADN Productivo” de

regiones, donde múltiples factores socioeconómicos y

culturales interactúan de maneras no lineales y a menudo

impredecibles.

El Frente de Pareto, al ofrecer un conjunto de solucio-

nes no dominadas, proporciona una representación con-

creta y matemáticamente rigurosa de los compromisos

y compensaciones entre distintos objetivos en un mo-

delo MOO. Sin estas definiciones formales y el marco

que proporcionan, sería extraordinariamente difícil, si

no imposible, identificar los puntos óptimos en un es-

pacio de soluciones tan complejo y multidimensional.

Estos puntos óptimos son esenciales para entender el

“ADN Productivo”, ya que encapsulan las combinaciones

más eficientes y equilibradas de las variables en estudio.

Además, la naturaleza formal y matemática del Frente de

Pareto facilita el uso de herramientas analíticas y com-

putacionales avanzadas para su identificación y análisis.

Esto es crucial, ya que la intuición humana y los métodos

de análisis tradicionales son a menudo insuficientes para

navegar y dar sentido a estos espacios multidimensiona-

les. La definición formal del Frente de Pareto actúa como

un puente entre la compleja realidad multidimensional

y las capacidades cognitivas y analíticas humanas, per-

mitiendo no solo visualizar, sino también cuantificar y

Figura 1

Soluciones No dominadas en el frente de Pareto.

Nota. Elaboración propia.

Matemáticamente, podemos formular el problema MOO de la siguiente manera:

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

optimizar el “ADN Productivo” en función de múltiples

criterios y restricciones. Por lo tanto, estas definiciones

formales no sólo son útiles, sino indispensables en la bús-

queda de soluciones óptimas en entornos multidimensio-

nales.

3. Visualizador de Soluciones: En la etapa previa se han

calculado los valores óptimos de las variables de deci-

sión. La etapa de visualización juega un papel crucial en

la interpretación y comprensión de los resultados obte-

nidos. Aquí, los mapas de Kohonen, o Self-Organizing

Maps (SOM) (Deboeck & Kohonen, 2013; Vesanto &

Alhoniemi, 2000), emergen como una herramienta avan-

zada y efectiva. Estos mapas son redes neuronales que

realizan una proyección topológica, transformando datos

complejos y multidimensionales en una representación

bidimensional más accesible y visualmente intuitiva.

Este proceso implica que cada punto en el mapa bidimen-

sional representa un vector de características en el espacio

multidimensional original, con la proximidad en el mapa

reflejando similitudes en el espacio de características. Al

emplear esta técnica en el análisis del “ADN Productivo”,

se facilita la identificación de patrones y agrupaciones en

los conjuntos de soluciones del frente de Pareto, lo cual

es crítico para entender las diversas configuraciones de

variables que conforman este “ADN”.

Los mapas de Kohonen tienen una ventaja distintiva so-

bre otros métodos como el Análisis de Componentes Prin-

cipales (PCA) o el Escalado Multidimensional (MDS).

Mientras que PCA y MDS se enfocan en la preservación

de la varianza y las distancias respectivamente, los SOM

mantienen la topología de los datos originales. Esto es

particularmente valioso cuando se trata de visualizar el

frente de Pareto en MOO, dado que las relaciones no li-

neales y la estructura intrínseca de los datos se conservan

mejor. Esta preservación de la topología asegura que las

relaciones complejas entre diferentes variables decisivas

y objetivos se mantengan intactas en la visualización,

proporcionando una comprensión más profunda y mati-

zada de las soluciones óptimas y sus interrelaciones.

La incorporación de mapas de Kohonen en la etapa de

visualización del “ADN Productivo” estimado mediante

MOO aporta significativamente a la capacidad de los de-

cisores para discernir y comprender las complejidades de

los datos. Al transformar el espacio de soluciones multi-

dimensionales en una representación bidimensional com-

prensible, los SOM no solo facilitan la identificación de

patrones y agrupaciones clave dentro del conjunto de so-

luciones del frente de Pareto, sino que también permiten

una interpretación más intuitiva de estas complejas inte-

racciones. Esta metodología avanzada de visualización,

por lo tanto, juega un papel esencial en la traducción de

análisis de datos complejos en insights prácticos y aplica-

bles para la toma de decisiones en el ámbito de la política

pública y el desarrollo regional.

El concepto del “ADN Productivo” como una amalgama

de características socioeconómicas, culturales y ambien-

tales de una región, ha evolucionado significativamente

con la introducción de la Optimización Multiobjetivo

(MOO) y su aplicación práctica en el Optimizador de

Ecosistemas Productivos (Opt-EP). Esta evolución mar-

ca un avance notable en cómo abordamos la comprensión

y el fomento del desarrollo regional. A través del MOO,

hemos ganado la capacidad de analizar y optimizar si-

multáneamente múltiples objetivos, al identificar solucio-

nes que equilibran de manera efectiva diversas metas y

restricciones. El Opt-EP, como una herramienta concreta

derivada de esta metodología, representaría un salto cua-

litativo en la planificación y la política pública, lo cual

permitiría a los decisores acceder a un análisis más pro-

fundo y detallado del potencial productivo de las regiones.

Con su capacidad para manejar y visualizar complejas in-

teracciones de datos en espacios multidimensionales, el

Opt-EP no solo mejora nuestra comprensión del “ADN

Productivo”, sino que también nos guía hacia intervencio-

nes más informadas y estratégicamente sólidas, abriendo

nuevas avenidas para el desarrollo regional sostenible y

adaptado a las particularidades de cada comunidad.

Resultados

El Optimizador como herramienta de política pública

Un mapa autoorganizativo (SOM) es una herramienta de

visualización y análisis de datos que traduce información

compleja y multidimensional en un formato bidimensio-

nal comprensible. Al emplear un SOM, los investigadores

y analistas pueden discernir patrones y tendencias ocul-

tas dentro de grandes conjuntos de datos, para facilitar

el descubrimiento de relaciones intrincadas que de otra

manera serían difíciles de identificar.

Cada neurona o nodo en el SOM representa un vector de

pesos, que es una combinación única de las característi-

cas de los datos de entrada. Estos nodos están dispuestos

en una cuadrícula, generalmente hexagonal o rectangular,

y se colorean según la magnitud de las variables que re-

presentan. Los colores y gradientes en el mapa ilustran la

proximidad de los datos en el espacio multidimensional,

con colores similares que indican similitudes entre los

datos y colores contrastantes que señalan diferencias sig-

nificativas. La proximidad de los nodos es una indicación

de la similitud entre los datos que representan. Nodos ad-

yacentes sugieren datos con características parecidas, lo

que puede implicar la existencia de un clúster o grupo

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

dentro del conjunto de datos. Esta propiedad de preserva-

ción topológica es una de las fortalezas clave del SOM,

ya que facilita la visualización de la agrupación natural

de los datos sin perder la relación inherente entre ellos.

Los mapas de componentes y los mapas de distancia son

dos características adicionales que proporcionan más de-

talles sobre la estructura de los datos. Mientras que los

mapas de componentes desglosan la contribución de cada

variable individual a lo largo de la cuadrícula, los mapas

de distancia muestran la disimilitud entre nodos adyacen-

tes y pueden ayudar a identificar los límites entre diferen-

tes clústeres. A medida que se incorporan nuevos datos y

se obtienen conocimientos adicionales, la interpretación

del SOM puede requerir ajustes. Esta práctica asegura

que los patrones y las tendencias identificadas permanez-

can relevantes y aplicables al contexto actual del análisis.

La Figura 2 presenta un mapa autoorganizativo que re-

fleja diversos indicadores socioeconómicos de cantones

seleccionados en Costa Rica. El mapa agrupa los canto-

nes de San José, Heredia y Escazú, donde se sugieren si-

militudes en variables clave como la mortalidad infantil,

el acceso a agua potable, el hacinamiento, incidencias de

robos, niveles de educación superior, escolaridad de mu-

jeres y capacitación técnica. Por otro lado, Turrubares se

distingue como el más diferenciado dentro del conjunto,

lo que indica variaciones significativas en los mismos

indicadores. Este patrón sugiere que políticas efectivas

aplicadas en el grupo principal podrían tener resultados

similares debido a sus características compartidas. A su

vez, la distinción de Turrubares podría indicar la necesi-

dad de estrategias adaptadas específicamente a sus con-

diciones únicas. Además, la interpretación de estos datos

podría revelar áreas de competencia o de potencial co-

laboración entre los cantones, donde se subraya la im-

portancia de una aproximación estratégica en la planifi-

cación de políticas públicas y el fortalecimiento de los

ecosistemas productivos regionales.

En la Figura 3 se presenta el resultado de la proyección de

componente que permite ver la contribución de cada una

de las variables a la construcción del Pareto que aproxi-

ma el ADN Productivo. Note que, en la componente de

hacinamiento, Montes de Oca tiene un mínimo mientras

que en la componente de escolaridad de mujeres tiene un

máximo, de igual forma se pueden interpretar el resto de

las componentes, lo importante está en que pone en rela-

ción respecto de los valores de las comunidades que se

están probando.

Otro ejemplo de uso es un caso hipotético en el que se de-

sea encontrar una comunidad que maximice el beneficio

social de acuerdo con las características de su ADN Pro-

ductivo, en este caso se contraponen dos empresas, una

de venta de servicios de telecomunicaciones las llamadas

Telcos y una empresa de desarrollo de software. En este

caso vamos a suponer que el beneficio social es aquel

que minimice algunos problemas como por ejemplo el

desplazamiento de la mano de obra que tiene algunas

externalidades negativas a las comunidades vecinas. En

este caso la empresa Telco se supone que requiere de una

Nota. Elaboración propia.

Figura 2

Mapa autoorganizativo construido del frente de Pareto resultante de las variables de las tasas de: Mortalidad infantil, Población con

agua mejorada, Hacinamiento, Robos, población educación superior, porcentaje de escolaridad de mujeres y porcentaje de personas

con instrucción técnica; en los cantones de la provincia de San José y el cantón de Alajuela y Heredia.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

mayoría de personas con instrucción técnica para realizar

las instalaciones de los servicios, atención de averías por

teléfono o en sitio, observando las componentes de los

mapas Figura 4, formado por las variables Población con

Educación superior, Población con título universitario,

NINIs, población con internet y Migrantes con conoci-

miento, nos dice que Montes de Oca es probable que ten-

ga una población con mayoría de personas profesionales,

pero en contraste el otro clúster que se ve en la imagen el

que se encuentra en la parte superior formado por Carta-

go, Desamparados y La Unión tiene una mayor cantidad

de personas con instrucción técnica, además tiene un me-

nor desempeño en los demás indicadores, por lo que el

sistema de alguna forma sugiere que es mejor colocar la

empresa en el cantón de la Unión, y que el 20% de los

profesionales que se requieran viajen desde las zonas del

clúster inferior, esto supone una mejoría en la calidad de

vida.

Por otro lado, para ver el contraste, se supone una empre-

sa de producción de software, que requiere de un buen

acceso a la infraestructura de telecomunicaciones y su

planilla esta forma en su mayoría de personas profesio-

nales en diferentes ramos. Como observa en la Figura 5,

que son los mismos mapas de componentes de la Figura

4, pero ahora tomados sobre la luz de los nuevos reque-

rimientos, nos sugeriría que lo mejor para la industria de

software sería establecerse en alguno de los cantones del

clúster inferior, o sea, Curridabat o Montes de Oca lo que

facilita la utilización del ADN productivo para genera ri-

queza y a su vez llevaría el desarrollo a todos los rincones

del país.

Componentes de mapa organizativo construido sobre los

cantones Curridabat, San José, Montes de Oca, La Unión,

Goicoechea, Cartago y Desamparados en las variables de

tasas de Población con educación superior, Población con

título universitario, porcentaje de Ninis, población con

internet y migrantes con conocimiento, para el caso de

una empresa de desarrollo de Software.

Discusión

La comprensión de los ecosistemas productivos ha evo-

lucionado significativamente en los últimos años, con un

creciente reconocimiento de su complejidad y de la im-

portancia de los factores locales en su dinámica. Estos

ecosistemas análogos a los biológicos se caracterizan por

la interacción entre diversos actores económicos, como

empresas, instituciones y la fuerza laboral. Sin embar-

go, a diferencia de la administración empresarial priva-

da, la gestión de políticas públicas en estos ecosistemas

debe centrarse en el bienestar colectivo, donde se tome

en cuenta las necesidades y particularidades de cada re-

gión. La abstracción excesiva, común en la investigación

de ecosistemas productivos, puede ser problemática en

Figura 3

Ejemplo de componentes de la construcción del mapa auto-organizativo de la Figura 2, para las variables de Hacinamiento, Escolari-

dad Mujeres y Población con Educación Superior.

Nota. Elaboración propia.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Figura 4

Componentes de mapa organizativo construido sobre los cantones Curridabat, San José, Montes de Oca, La Unión, Goicoechea, Car-

tago y Desamparados en las variables de tasas de Población con educación superior, Población con título universitario, porcentaje de

Ninis, población con internet y migrantes con conocimiento, para el caso de Telco.

Nota. Elaboración propia.

Figura 5

Componentes de mapa organizativo construido sobre los cantones Curridabat, San José, Montes de Oca, La Unión, Goicoechea, Car-

tago y Desamparados en las variables de tasas de Población con educación superior, Población con título universitario, porcentaje de

Ninis, población con internet y migrantes con conocimiento, para el caso de una empresa de desarrollo de Software.

Nota. Elaboración propia.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

el contexto público, ya que ignora las especificidades

culturales y sociales que son cruciales para el diseño de

políticas efectivas.

El concepto del ADN productivo ofrece una perspectiva

integral para abordar esta necesidad de contextualiza-

ción. Este enfoque subraya la importancia de identificar

y nutrir las características y capacidades únicas de cada

región, al reconocer que el desarrollo económico exitoso

depende tanto de las cualidades intrínsecas de la región

como de la implementación de políticas adecuadas. La

especialización en función de estos atributos únicos per-

mite un crecimiento más auténtico y sostenible. La meto-

dología de Optimización Multiobjetivo (MOO) se alinea

bien con este enfoque, ya que proporciona un marco para

equilibrar y optimizar múltiples objetivos en la gestión

de políticas públicas. La MOO permite a los responsables

de políticas identificar soluciones que maximicen los be-

neficios generales mientras minimizan los compromisos

negativos, equilibrando así el crecimiento económico con

la sostenibilidad ambiental y la equidad social.

No obstante, la diversidad cultural y regional debe ser un

elemento central en cualquier enfoque de políticas públi-

cas. La uniformidad de políticas puede resultar contra-

producente, ya que las diferencias culturales y regionales

pueden ser fuentes de resiliencia y adaptabilidad, espe-

cialmente en tiempos de crisis. Las políticas deben ser di-

señadas para fomentar y aprovechar esta diversidad, para

permitir a las empresas y a las economías regionales ser

más resilientes y exitosas.

En este contexto, la gestión de la competitividad y la pre-

vención de monopolios en los ecosistemas productivos son

de suma importancia. Mantener la diversidad y la com-

petencia saludable es esencial para evitar la formación de

oligopolios o monopolios y para garantizar un mercado di-

námico y un crecimiento económico inclusivo.

Finalmente, la riqueza en los ecosistemas productivos,

análoga a la energía en los sistemas biológicos, debe

gestionarse de manera sostenible para garantizar la via-

bilidad a largo plazo del ecosistema. La gestión eficaz

de esta “riqueza” requiere políticas que se centren en la

distribución equitativa de los recursos y que aseguren que

todos los miembros de la comunidad se beneficien del

desarrollo económico.

En resumen, los ecosistemas productivos son entidades

dinámicas en constante evolución. La competencia den-

tro de estos ecosistemas desempeña un papel crucial para

preservar su diversidad, asegura que las preferencias de

los consumidores determinen qué empresas prosperan y

cuáles no. La integración de estas perspectivas proporcio-

na una base sólida para el desarrollo de políticas públicas

más efectivas y adaptadas a las necesidades y caracterís-

ticas únicas de cada región.

Referencias

Altamirano, S. E. C., Zepeda, F. J. R., & Ceja, E. S.

(2016). Cadenas productivas y cadenas de valor.

EDUCATECONCIENCIA, 10(11).

Carayannis, E.G., Barth, T.D. & Campbell, D.F. The Quin-

tuple Helix innovation model: global warming as

a challenge and driver for innovation. J Innov

Entrep 1, 2 (2012). https://doi.org/10.1186/2192-

5372-1-2

Challet, D., Pluchino, A., Biondo, A. E., & Rapisarda, A.

(2020). The origins of extreme wealth inequality

in the talent versus luck model. Advances in Com-

plex Systems, 23(02), 2050004.

Cobben, D., Ooms, W., Roijakkers, N., & Radziwon, A.

(2022). Ecosystem types: A systematic review on

boundaries and goals. Journal of Business Re-

search, 142, 138-164. https://www.sciencedirect.

com/science/article/pii/S0148296321009607

Deboeck, G., y Kohonen, T. (2013) Visual explorations

in finance: with self-organizing maps. Springer

Science & Business Media.

Durán Lima, J. E., & Banacloche, S. (2021). Análisis eco-

nómicos a partir de matrices de insumo-produc-

to: definiciones, indicadores y aplicaciones para

América Latina.

Gallego, J. A. (2017). La pólis griega: orígenes, estructu-

ras, enfoques.

Gañán de Molina, C. (2022). La conformación de territo-

rios inteligentes a partir de enfoques de especiali-

zación basados en la cooperación y las redes.

Herrera, F., Lozano, M., y Verdegay, J. (1995) “Algorit-

mos genéticos: Fundamentos, extensiones y apli-

caciones”, Arbor, pp. 9.

Heskes, T. (1999) “Energy functions for self-organizing

maps”, Kohonen maps, pp. 303—316.

Horta, R. y Serrano, M. (2008) Construyendo un Índice

de Competitividad para la Economía Uruguaya.

Recuperado de: https://ucu.edu.uy/sites/default/

files/facultad/fce/i_competitividad/construyen-

do-un-indice-de-competitividad.pdf

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Iansiti, M., & Levien, R. (2004). Keystones and domina-

tors: Framing operating and technology strategy in

a business ecosystem. Harvard Business School,

Boston, 3, 1-82. https://www.profligategrace.com/

documents/Grant/Iansiti_Keystones_and_Domi-

nators.pdf

Iglesias, D. H. (2002). Cadenas de valor como estrategia:

las cadenas de valor en el sector agroalimentario.

La Pampa, Argentina: Estación Experimental

Agropecuaria Anguil, Instituto Nacional de Tec-

nología Agropecuaria.

Ishida, Y (2004) Immunity-based systems: a design pers-

pective. Springer Science & Business Media.

Kapoor, K., Bigdeli, A. Z., Dwivedi, Y. K., Schroeder,

A., Beltagui, A., & Baines, T. (2021). A socio-te-

chnical view of platform ecosystems: Systematic

review and research agenda. Journal of Business

Research, 128, 94-108.

Kohonen, T. (1982) “Self-organized formation of topolo-

gically correct feature maps”, Biological cyberne-

tics, pp. 59—69.

Kohonen, T. (1990) “The self-organizing map”, Procee-

dings of the IEEE, pp. 1464—1480.

Kosacoff, B. (2019). Los ecosistemas productivos. Vi-

sión Desarrollista. Consultado en línea en: https://

www.visiondesarrollista.org/los-ecosistemas-pro-

ductivos/

Nutz, N., & Sievers, M. (2016). Guía general para el de-

sarrollo de cadenas de valor: cómo crear empleo y

mejores condiciones de trabajo en sectores objeti-

vos. Ginebra, Suiza: Organización Internacional

del Trabajo.

OECD iLibrary. (2021) Productivity. Recueprado de: ht-

tps://doi-org.ezproxy.sibdi.ucr.ac.cr/10.1787/0b-

b009ec-en

Padilla, R., & Oddone, N. (2016). Manual para el fortale-

cimiento de cadenas de valor.

Páez, D., Fernández, I., Basabe, N., & Grad, H. (2002).

Valores culturales y motivación: creencias de au-

toconcepto de Singelis, actitudes de competición

de Triandis, control emocional e individualis-

mo-colectivismo vertical-horizontal. Revista es-

pañola de motivación y emoción, 3, 169-195.

Parra, S. (2018) El conocimiento es el nuevo dinero:

tienes que seguir aprendiendo cada día. Foro

Económico Mundial. Consultado en línea en:

https://es.weforum.org/agenda/2018/01/el-co-

nocimiento-es-el-nuevo-dinero-tienes-que-se-

guir-aprendiendo-cada-dia?utm_content=buffe-

re6255&utm_medium=social&utm_source=face-

book.com&utm_campaign=buffer

Plutino, A., Biondo, A., & Rapisarda, A. (2018). Talent

vs Luck: the role of randomness in success and

failure.

PNUD (2009) Indicadores de Gobernabilidad Democrá-

tica (IGD) en el Paraguay. Recuperado de: https://

www.undp.org/sites/g/files/zskgke326/files/mi-

gration/py/Indicadores-de-Gobernabilidad-De-

mocratica.pdf

Powell, W. & Snellman, K. (2004). The Knowledge Eco-

nomy. Annual Review of Sociology, 30, 199–220.

http://www.jstor.org/stable/29737691

Prieto Gómez, L., González de la Rosa, M., Bulchand Gi-

dumal, J., & García Rodríguez, F. J. (2015). Resu-

men divulgativo sobre la estrategia de especializa-

ción inteligente de Canarias (RIS3). Red Canarias

Emplea.

Riechmann, J. (2007). ¿Cómo cambiar hacia sociedades

sostenibles? Reflexiones sobre biomímesis y au-

tolimitación. Cultura verde: ecología, cultura y

comunicación. Recuperado de: https://idus.us.es/

bitstream/handle/11441/97552/cultura_verde-1.

pdf?sequence=1

Say, J. B. (1821). Tratado de economía política. F. villalpando.

Schowalter, T. D. (2022). Insect ecology: an ecosystem

approach. Academic press.

Stewart, J. “The Distribution of Talent”, Marilyn Zur-

muehlin Working Papers in Art Education 2

(1983): 21-22

Strenze, T. (2013). Allocation of talent in society and its

effect on economic development. Intelligence,

41(3), 193-202.

Tanaka, M., Watanabe, H., Furukawa, Y., y Tanino, T.

(1995) “GA-based decision support system for

multicriteria optimization”, Systems, Man and

Cybernetics, 1995. Intelligent Systems for the

21st Century., IEEE International Conference on,

pp. 1556—1561.

Yulök Revista de Innovación Académica, ISSN 2215-5147, Vol. 8, N.º 1

Enero-Junio 2024, pp. 10-30

Alvarado, O. y Fonseca, J. Innovación en la función pública: gestión basada en datos, ecosistemas

productivos, sectores impulsores y el optimizador.

Tsujimoto, M., Kajikawa, Y., Tomita, J., & Matsumoto,

Y. (2018). A review of the ecosystem concept—

Towards coherent ecosystem design. Technologi-

cal Forecasting and Social Change, 136, 49-58.

Vesanto, J., y Alhoniemi, E. (2000) “Clustering of the

self-organizing map”, Neural Networks, IEEE

Transactions on, pp. 586—600.