HOME | ÍNDICE POR TÍTULO | NORMAS PUBLICACIÓN

Espacios. Vol. 37 (Nº 23) Año 2016. Pág. 19

Estrutura de Agrupamento das Dimensões do Radar da Inovação de Micro e Pequenas Empresas no Brasil

Grouping Structure Innovation Radar dimensions of Micro and Small Enterprises in Brazil

Gustavo Dambiski Gomes de CARVALHO 1; Marcia Cristina Alves dos Anjos ALMEIDA 2; Carlos Olavo QUANDT 3; Hélio Gomes de CARVALHO 4; June Allison WESTARB CRUZ 5; Claudimar Pereira da VEIGA 6

Recibido: 12/04/16 • Aprobado: 12/05/2016

Conteúdo

1. Introdução

2. Referencial teórico empírico

3. Materiais e métodos

4. Considerações finais

Referências bibliográficas

1. Introdução

De acordo com o Serviço Brasileiro de Apoio às Micro e Pequenas Empresas [SEBRAE] (2014, p. 21), o cenário econômico social é favorável e suas principais tendências são o "aumento expressivo do número de Microempreendedores Individuais (MEI), devendo superar o número de Micro Empresas (ME), já em 2015" e a "quantidade de Micro e pequenas empresas tende a crescer de forma vegetativa, acompanhando o crescimento da população". Para o SEBRAE (2014), o segundo trimestre de 2014 foi pouco favorável, em virtude de vários fatores que contribuem para o aumento do endividamento da população e da inadimplência do consumidor, fazendo com que o consumo diminua e consequentemente favoreça cada vez menos com o crescimento do PIB, da perspectiva da demanda agregada. Mas, as oportunidades para os empreendedores de pequenos negócios continuarão a surgir, tendo em vista, eventos esportivos, programas e projetos da cadeia do petróleo e gás. Dessa forma, espera-se que, tais empresas explorem investimentos em inovação e sustentabilidade, na busca por melhorias em processos de produção e vendas, na diferenciação e diversificação de produtos e serviços, influindo assim, para o aumento da competividade da empresa (SEBRAE, 2014).

O setor Moveleiro no Estado do Paraná é bastante representativo no mercado brasileiro e está entre os quatro estados com maior número de estabelecimentos de fabricação de móveis. São 2,7 mil entre 20 mil em todo o país. De acordo com a Federação das Indústrias do Estado do Paraná [FIEPR] (2014), a indústria moveleira paranaense também ocupa a segunda posição na geração de postos de trabalho, atrás apenas do estado de São Paulo. Já o setor Metal Mecânico, de acordo com o Serviço Nacional de Aprendizagem Industrial [SENAI] (2008, p. 21), compreende a metalurgia, fabricação de produtos de metal, fabricação de máquinas e equipamentos e fabricação de automóveis e de outros produtos de transporte. "Segundo dados do IBGE, de 2006, o setor Metal Mecânico (sem o setor automotivo) representa 17,01% do número de estabelecimentos da indústria paranaense". Segundo projeções do SEBRAE (2014) no período de 2009 a 2011, o valor agregado das MPE na economia nacional cresceu de R$ 445 bilhões para R$ 599 bilhões. Estima-se que nos anos de 2012 e 2013, esses valores tenham sido, respectivamente, de R$ 631 bilhões e R$ 696 bilhões. Nota-se um crescimento contínuo desses valores, representando um crescimento médio anual de 11% a valores nominais.

Neste contexto, a presente pesquisa, contempla uma amostra de 818 MPEs de 12 cidades do estado do Paraná e que pertencem aos setores da Agroindústria, Metal Mecânico e Moveleiro. Os dados analisados são compostos pelos radares de inovação obtidos por meio do programa ALI do SEBRAE no período de 2012-2014. Basicamente, o Radar da Inovação (RI) utilizado pelo SEBRAE apresenta 13 dimensões pelas quais uma empresa pode inovar, como oferta, cliente, processo, marca, entre outras. Assim, o objetivo geral deste trabalho é identificar a estrutura de agrupamento das Dimensões do RI das MPEs dos setores da Agroindústria, Metal Mecânico e Moveleiro. Para isso, a análise fatorial exploratória (AFE) foi utilizada na referente pesquisa.

Além desta introdução; o trabalho apresenta referencial teórico, que aborda inovação, radar da inovação e o projeto ALI no Paraná; materiais e métodos, que aborda a AFE; análise dos dados e considerações finais.

2. Referencial teórico empírico

2.1. Inovação

O Manual de Oslo é uma referência no tema em diversos países, incluindo o Brasil, e define inovação como "a implementação de um produto (bem ou serviço) novo ou significativamente melhorado, ou um processo, ou um novo método de marketing, ou um novo método organizacional nas práticas de negócios, na organização do local de trabalho ou nas relações externas" (Organização para a Cooperação e Desenvolvimento Econômico [OCDE] & Financiadora de Estudos e Projetos [FINEP], 2005, p. 55).

Para Baregheh, Rowley e Sambrook (2009, p. 1334), "inovação é um processo de múltiplos estágios pelo qual as organizações transformam ideias em produtos, serviços ou processos novos ou aprimorados com o objetivo de avançar, competir e se diferenciar com sucesso no mercado". Neste sentido, o artigo de Ponce e Duarte (2015), teve como objetivo fundamental, explicar se o aumento nas vendas e o emprego é explicado por fatores de inovação, pesquisa e desenvolvimento, na indústria manufatureira mexicana, com um acompanhamento longitudinal de micro, pequenas e médias empresas no período de 2007 a 2010. Já a pesquisa de Hurtado e Mejía (2014), analisaram a estrutura do investimento da indústria manufatureira colombiana em atividades de inovação e desenvolvimento tecnológico.

Para Drucker (2003, p. 39), partindo de um enfoque empreendedor, inovação é definida como sendo o instrumento específico do espírito empreendedor. "É o ato que contempla os recursos com a nova capacidade de criar riqueza. A inovação, de fato, cria um recurso. Não existe algo chamado de "recurso" até que o homem encontre um uso para alguma coisa na natureza e assim o dote de valor econômico". Segundo Teece (2010), torna-se importante compreender a importância de modelos de negócios e explorar suas conexões com a estratégia de negócios, gestão da inovação (Carvajal, 2013; Rocha et al. 2015; Da Veiga et al., 2015) e ainda com a teoria econômica.

Segundo Tidd, Bessant e Pavitt (2008, p. 23), "a inovação é movida pela habilidade de estabelecer relações, detectar oportunidades e tirar proveito das mesmas" e consiste não apenas "na abertura de novos mercados – pode também significar novas formas de servir a mercados já estabelecidos e maduros". Os autores classificam os tipos de inovação em quatro categorias abrangentes, tais quais: inovação de produto (Rata et al. 2014), entendido como mudanças nas coisas (produtos/serviços) que uma empresa oferece; inovação de processo, mudanças na forma em que os produtos/serviços são criados e entregues; inovação de posição, mudanças no contexto em que produtos/serviços são introduzidos e inovação de paradigma, ou seja, mudanças nos modelos mentais subjacentes que orientam o que a empresa faz.

Já o Manual de Oslo define quatro tipos de inovações, sendo elas: i) inovações em produtos; ii) inovações em processo; iii) inovações organizacionais e v) inovações em marketing. As definições conforme O Manual de Oslo, são apresentadas no Quadro 1.

Quadro 1 - Tipos de Inovação Fonte: (OCDE & FINEP, 2005, pp. 57-61).

 Fonte: (OCDE & FINEP, 2005, pp. 57-61).

Outro prestigiado modelo de inovação foi proposto por Sawhney et al. (2011), o RI, o qual será apresentado na próxima seção.

2.2. Radar da inovação

O RI apresentado por Sawhney et al. (2011, p. 30) demonstra as doze dimensões em que uma empresa pode inovar nos negócios. O radar, contém quatro eixos principais, sendo eles: ofertas (produtos e serviços); clientes; processos; e pontos de presença.

De acordo com Sawhney et al. (2011, pp. 30-33), cada uma das doze dimensões indica diferentes maneiras que as empresa podem inovar. As dimensões do RI e as principais características envolvidas em cada dimensão, ou seja, em relação à forma como a empresa pode inovar, são apresentadas no Quadro 2.

Quadro 2 - Dimensões do Radar da Inovação

Fonte: adaptado de Sawhney et al. (2011, pp. 30-33).

O RI propicia às empresas verificar as suas dimensões em contraste com as dos concorrentes e, logo, permite ainda a identificação de novas oportunidades para inovar, sobretudo nas dimensões desconsideradas pela indústria de forma geral (Sawhney et al. 2011; Carvalho et al. 2015a; 2015b).

O modelo original do RI foi adaptado pelo SEBRAE para a realidade das micro e pequenas empresas brasileiras que o utiliza como uma ferramenta essencial em um programa chamado ALI, cujo propósito é levar a inovação para tais empresas. O programa está presente em todos os estados brasileiros (SEBRAE, 2014). As empresas que adotam ao programa recebem no início do ALI uma análise da inovação por meio do RI e ainda um plano de ação com soluções inovadoras. Após a implementação das ações, podem receber novas análises e planos. O programa é gratuito para as MPEs e os ALI são capacitados no tema inovação pelo SEBRAE. Os agentes são conduzidos por um consultor sênior do SEBRAE e recebem bolsas do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) por até dois anos (SEBRAE, 2014).

O RI empregado pelo SEBRAE foi elaborado em 2008 por Bachmann & Associados (Bachmann, 2009) e possui como referência o radar desenvolvido por Sawhney, et al. em 2006 (2011, p. 30). A inserção da dimensão Ambiência Inovadora é a diferença principal do radar desenvolvido por Bachmann. A dimensão estima se o ambiente da empresa é oportuno à inovação através de evidências como o a realização de acordos de transferência de tecnologia, utilização de recursos de órgãos de fomento. (Bachmann & Destefani, 2008, p. 13).

Como exemplo de pesquisas que utilizaram o RI, Cavalcanti Filho, Oliveira e Cavalcanti (2012), avaliaram o grau e o perfil da inovação, por meio de aplicação de um survey, com uma amostra de 50 micro e pequenas empresas do estado de Pernambuco que atuam no setor de tecnologia de informação e comunicação. Como metodologia do estudo, foi utilizado a proposta pelo Manual de Oslo e implantada pelo ALI. Mediante avaliação de 13 dimensões da inovação obtidos através da aplicação de um diagnóstico foram abordados diferentes aspectos da organização. Dessa forma, a pesquisa foi desenvolvida em três etapas, T0, T1 e T2. Como alguns dos resultados, o estudo apontou que, as métricas estabelecidas no RI podem estimular o desenvolvimento de estratégias de inovação.

De maneira semelhante, o estudo de Marques et al. (2012), por meio de um estudo de caso exploratório realizado em março de 2012 na Vinícola Almadén, objetivou diagnosticar a gestão da inovação relativa ao modo como a indústria a utiliza e pratica atualmente. Dentre outros resultados encontrados, a pesquisa identificou que o RI oferece uma visão geral do nível das práticas de inovação empregadas pela Vinícola. Já o artigo de Oliveira et al. (2011) objetivou apresentar o grau de inovação setorial (GIS), como uma ferramenta para avaliar o grau de inovação das empresas referenciadas com o seu setor de atuação. Para demonstrar a validade do método proposto, é apresentado no artigo uma aplicação utilizando dados do RI dos setores de móveis e panificação da Região Metropolitana de Recife, com uma amostra de 25 micro e pequenas empresas de cada setor.

Com uma amostra de 82 micro e pequenas empresas participantes dos Arranjos Produtivos Locais (APLs) localizados em Sergipe, o artigo de Néto e Teixeira (2011), objetivou mensurar o grau de inovação das (MPEs) da cadeia têxtil-confecção, que estavam inseridas no ALI. Para medir o grau de inovação, utilizou-se a ferramenta baseada no instrumento RI. Dentre os principais resultados, a pesquisa apontou que as dimensões plataforma e marca, obtiveram os melhores resultados neste setor. Processos, agregação de valor, cadeia de fornecimento e organização, apresentaram as menores pontuações.

Esta pesquisa está inserida nesse contexto e objetiva identificar a estrutura de agrupamento das Dimensões do RI dos setores da Agroindústria, Metal Mecânico e Moveleiro. As próximas seções apresentam a metodologia utilizada para a análise dos dados e os resultados obtidos.

3. Materiais e métodos

3.1. Caracterização da pesquisa

Esta pesquisa foi do tipo aplicada e utilizou uma abordagem quantitativa. Foi uma pesquisa descritiva e exploratória quanto aos objetivos. Em relação à investigação dos dados, foi uma pesquisa de levantamento.

O nível de análise foi organizacional e a unidade de análise foi composta pelo conjunto de micro e pequenas empresas dos setores da Agroindústria, Metal Mecânico e Moveleiro, que participaram do programa ALI no estado do Paraná no período 2012-2014. O corte temporal foi do tipo transversal, pois a pesquisa utiliza apenas os dados do primeiro RI do programa ALI.

3.2. Coleta de dados

A população do estudo foi delimitada às micro e pequenas empresas localizadas no Paraná e que pertencem aos setores da Agroindústria, Metal Mecânico e Moveleiro. Já a amostra foi constituída pelas micro e pequenas empresas desses setores que participaram do programa ALI no período 2012-2014. A amostragem foi não probabilística por adesão, já que os dados coletados são de empresas que participaram voluntariamente do programa ALI. A coleta de dados ocorreu em 2013 e foi realizada pelos agentes por meio do preenchimento de questionários após visitarem as empresas. No total, esse estudo incluiu 818 empresas: 249 da Agroindústria, 352 do Metal Mecânico e 217 do Moveleiro. Est quantidade refere-se ao total de empresas desses setores que participaram do programa ALI voluntariamente.

Em relação ao RI, o questionário é estruturado em 42 questões que compõem as 13 dimensões. Cada questão é avaliada em 1 (baixo), 3 (médio) ou 5 (alto). Após a coleta, os agentes inseriram os dados do questionário na plataforma do SEBRAE-PR, que calculou os valores para cada dimensão. Os valores resultantes de cada dimensão do RI das empresas foram disponibilizados por meio de software Excel® a um dos pesquisadores, que participou do programa como orientador dos agentes no período entre 2012 e 2014.

3.3. Método de análise dos dados

Os dados fornecidos em uma planilha Excel® foram importados para o SPSS (IBM SPSS Statistics 21), o qual foi utilizado para realizar as análises. O principal método de análise utilizado foi a Análise Fatorial Exploratória – AFE, que objetiva principalmente "[...] descrever um conjunto de variáveis originais através da criação de um número menor de dimensões ou fatores" (Corrar; Paulo; Dias Filho, 2014, p. 74). Ou seja, basicamente os fatores são agrupamentos de variáveis inter-relacionadas, conforme ilustra a figura 1. Neste estudo, as variáveis analisadas são as 13 dimensões do Radar da Inovação.

Figura 1 - Variáveis e a formação de fatores

Fonte: Adaptado de Corrar, Paulo e Dias Filho (2014, p. 75).

Para a realização da AFE, que objetivou identificar como as Dimensões do Radar da Inovação ficam agrupadas, foram utilizados como referência os procedimentos indicados por Field (2009), Hair et al. (2005), Corrar, Paulo e Dias Filho (2014), Figueiredo Filho e Silva Júnior (2010) e Damásio (2012). O método utilizado foi a Análise de Componentes Principais (ACP), que segundo Costello e Osborne (2005, p. 1-2) é um método é muito popular, principalmente nos programas estatísticos, e que possui certa discordância sobre sua utilização entre pesquisadores. Por um lado, considera-se que não é um método verdadeiro de AFE. Por outro lado, argumenta-se que quase não há diferença nos resultados entre os métodos e que há até casos onde a Análise de Componentes Principais é preferível.

A Figura 2 ilustra os passos realizados na Análise Fatorial Exploratória por meio de um diagrama. As etapas 1, 2 e 3 estão relacionadas na determinação do número de fatores que devem ser retidos pela AFE, ou seja, o número de agrupamentos de variáveis que devem ser formados. A etapa 4 consiste na execução da AFE com o número correto de fatores e as etapas de 5 a 9 incluem testes de adequabilidade da AFE para as variáveis de forma individual e como um todo.

Figura 2 – Passos da Análise Fatorial Exploratória.

Fonte: dados da pesquisa.

Nas etapas 1, 2 e 3, a determinação do número de fatores é baseada no valor dos eigenvalues (autovalores) de cada fator. Nesta pesquisa foi utilizada a Análise Paralela (Parallel Analysis – PA) ao invés da Regra de Kaiser ou do Scree Test, pois é uma técnica mais precisa. Na regra de Kaiser, fatores com eigenvalues maiores que 1 devem ser mantidos. Na análise paralela, compara-se os eigenvalues da amostra com os eigenvalues do percentil 95 de amostras aleatórias. Assim, eigenvalues do percentil 95 são calculados a partir de diversas amostras aleatórias com o mesmo número de casos e variáveis. O percentil 95 equivale a estabelecer o nível de significância (alfa) a 5%. Se o valor dos eigenvalues da amostra real do estudo for maior do que o valor do eigenvalue do percentil 95 da amostra aleatória, o fator deve ser retido (Hayton, Allen, Scarpello, 2004, p. 197-199).

O Quadro 3 ilustra a determinação do número de fatores por meio da Análise Paralela em um conjunto de 5 variáveis. O número máximo de fatores para retenção é igual ao número de variáveis, pois cada fator poderia ser composto por uma variável. Assim, no exemplo do quadro 1, o máximo de fatores para retenção é 5. É possível observar que a linha 3 é a última com eigenvalue real maior do que o eigenvalue do percentil 95 e, por isso, 3 fatores devem ser formados. É importante observar a diferença entre a Análise Paralela e o critério de Kayser, o qual sugere que 4 fatores devem ser retidos, pois o valor 1,080 na linha 4 é superior a 1. No entanto, a Análise Paralela mostrou que uma amostra aleatória de mesma dimensão possui um eigenvalue no percentil 95 maior do que o observado na amostra real e, por isso, o quarto fator não deve ser formado. A rotina da análise Paralela não está incluída por padrão no SPSS. Ainda assim, duas alternativas para implementá-la foram encontradas: Ledesma e Valero-Mora (2007) desenvolveram um programa livre chamado Vista-PARAN e O'Connor (2000) desenvolveu rotinas para os programas SPSS e SAS, bastando copiá-las para um arquivo do tipo sintaxe.

Quadro 3 - Exemplo Análise Paralela

Fonte: adaptado de Hayton, Allen e Scarpello (2004, p. 200).

Na etapa 1, a análise fatorial foi executada para o cálculo dos eigenvalues dos dados reais da pesquisa. Na etapa 2, a rotina da Análise Paralela de O'Connor (2000) foi executada para a determinação dos eigenvalues do percentil 95 de amostras aleatórias. Na etapa 3, os valores dos eigenvalues reais foram comparados aos valores do percentil 95 de amostras aleatórias para determinar o número de fatores a serem retidos, conforme já explicado e ilustrado no quadro 1. A etapa 4 consistiu na execução completa da Análise Fatorial Exploratória com o número correto de fatores para formação.

A etapa 5 consistiu na verificação dos índices de adequação da amostra das variáveis, também denominados KMOs (medida de Kaiser-Meyer-Olkim) ou MSAs (measure of sampling adequacy –medida de adequação da amostra), que são apresentadas no SPSS na diagonal da matriz correlação anti-imagem. Para este trabalho, os pesquisadores optaram por um valor mínimo de 0,5 para cada variável individualmente, conforme sugerido por Field (2009, p. 580). Nos casos em que os MSAs foram menores do que 0,5, a variável com menor valor foi excluída (etapa 99) e a análise fatorial foi refeita (etapa 1).

Sendo atendida a condição, prosseguiu-se para a etapa 6, que consistiu na avaliação geral do KMO. Assim como para as variáveis individualmente, a estatística KMO inferior a 0,5 indica que a análise fatorial é inadequada (etapa 999), ou seja, a AFE não deve ser realizada, sendo necessário coletar mais dados ou rever as variáveis incluídas no modelo para recomeçar a pesquisa (FIELD, 2009, p. 571).

Sendo atendida a condição, prosseguiu-se para a etapa 7, que também avaliou se a análise fatorial é adequada por meio do teste de esfericidade de Barlett (Bartlett's sphericity test - BTS), no qual a significância deve ser inferior a 0,05. O não atendimento dessa condição também indica que a AFE é inadequada (etapa 999) e não deve ser realizada.

Sendo atendida a condição, prosseguiu-se para a etapa 8, que consistiu na avaliação das comunalidades de cada variável. A comunalidade representa a proporção de variância que uma variável compartilha com as outras variáveis. Por exemplo, uma variável que não compartilha sua variância com nenhuma outra variável tem uma comunalidade igual a zero. As comunalidades também correspondem à proporção de variância explicada pelos fatores retidos. (FIELD, 2009, p. 562). Neste trabalho os pesquisadores optaram pelo critério padrão, que estabelece o valor mínimo de 0,5 como aceitável (Figueiredo Filho; Silva Júnior, 2010, p. 176). Assim, nos casos em que houve algum valor abaixo de 0,5, a variável com menor comunalidade foi excluída (etapa 99) e a análise fatorial refeita (etapa 1).

Sendo atendida a condição, prosseguiu-se para a etapa 9, que consistiu na avaliação do carregamento das variáveis em um único fator após a rotação. Há dois tipos principais de rotação: os métodos ortogonais, nos quais os fatores não se correlacionam, ou seja, a correlação entre eles é zero; e os métodos oblíquos, que permitem correlação entre os fatores retidos. As rotações ortogonais são muito utilizadas, principalmente o método Varimax (Damásio, 2012, p. 220). Contudo, os pesquisadores optaram pelo método de rotação oblíqua, pois não há razão teórica para esperar que os fatores formados a partir das dimensões do Radar da Inovação sejam completamente independentes, ou seja, é aceitável que os fatores formados possuam correlações entre si. Assim, a opção foi o método Oblimin direto com delta igual a zero, o qual é o valor padrão para esse método no SPSS (Field, 2009, p. 568). Na rotação oblíqua, a matriz de padrão é gerada no SPSS e foi utilizada para análise das cargas fatoriais. No caso de retenção de apenas um fator, a rotação não é possível e a matriz de componente é gerada no SPSS e foi utilizada para análise das cargas fatoriais.

Nesta pesquisa, foi utilizado na etapa 9 o critério padrão que estabelece o valor mínimo de 0,4 para considerar uma carga fatorial elevada (Figueiredo Filho; Silva Júnior, 2010, p. 177). Desse modo, foram excluídas (etapa 99) variáveis que carregaram em mais de um fator, ou seja, variáveis com mais de uma carga superior a 0,4. Variáveis que não carregaram em nenhum fator, ou seja, variáveis com todas as cargas fatoriais abaixo de 0,4 também foram excluídas (etapa 99). É importante ressaltar que segundo critério foi executado apenas após o atendimento do critério anterior. O Quadro 4 exemplifica os critérios da etapa 9. A variável 1 do quadro 2 possui cargas altas em 2 fatores e por isso seria excluída (etapa 99). Após sua exclusão, a análise seria refeita (etapa 1). Caso a variável 3 permanecesse com cargas baixas em ambos os fatores, como os valores atuais no quadro 2, também seria excluída (etapa 99) e a análise seria refeita (etapa 1). Após o atendimento da etapa 9 a análise fatorial foi finalizada.

Quadro 4 - Exemplo cargas fatoriais e critério para a etapa 8

Fonte: dados da pesquisa.

Após a AFE, o alfa de Cronbach foi calculado para cada fator identificado. Segundo Field (2009, p. 594), o alfa de Cronbach é uma das medidas mais comuns de confiabilidade interna e normalmente se afirma que valores entre 0,7 e 0.8 são aceitáveis. Contudo, baseando-se em outros estudos, Field (2009, p. 594-595) ressalta cautela na interpretação e no uso do alfa de Cronbach. Cortina (1993, p. 100) afirma que o alfa de Cronbach mede o grau em que variáveis possuem altas comunalidades e também mede o grau de inter-relação entre as variáveis, mas ressalta que o Alfa de Cronbach não implica em unidimensionalidade. Cortina (1993, p. 101-103) demonstrou que o alfa de Cronbach pode ser elevado, satisfazendo a regra genérica de valores acima de 0,7, ainda que haja uma baixa correlação entre variáveis ou multidimensionalidade, desde que haja um número suficiente de variáveis. Por exemplo, em uma escala unidimensional com correlação média entre itens de 0,3, o alfa de Cronbach para 6 itens resultou em 0,72, enquanto que para 18 itens resultou em 0,88.

Para complementar o resultado do alfa de Cronbach e para possibilitar uma visão geral das relações entre as variáveis, foi calculada para o setor da Saúde as correlações de Pearson entre as dimensões do Radar da Inovação, ainda que as dimensões não sigam uma distribuição normal. Segundo Hair et al. (2005, p. 98), de acordo com a estatística, "os desvios da normalidade, da homoscedasticidade e da linearidade aplicam-se apenas no nível em que elas diminuem as correlações observadas. A normalidade é necessária somente se um teste estatístico é aplicado para a significância dos fatores, mas esses testes raramente são usados".

Em relação à magnitude dos coeficientes de correlação, valores abaixo de 0,1 indicam a ausência de correlação, ou seja, uma variável não está relacionada à outra. Valores entre 0,1 e 0,3 são considerados baixos, valores entre 0,3 e 0,5 são considerados médios e valores acima de 0,5 são considerados altos. (FIELD, 2009, p. 129). Os resultados da AFE serão apresentados na próxima seção.

3.7 Discussão dos resultados

Em geral, os fatores formados indicam constructos teóricos compostos pelas variáveis individuais e são nomeados de acordo. Contudo, os pesquisadores optaram por não nomear os novos fatores formados devido à grande diversidade dos resultados. Outra dificuldade para a nomeação dos fatores foi que as dimensões agrupadas não pertencem a um mesmo tipo de inovação, conforme os tipos produto, processo, marketing e organizacional definidos no Manual de Oslo (OCDE & FINEP, 2005), e também não estão agrupadas entre os quatro eixos principais do RI proposto por Sawhney, et al. (2011, p. 30): Oferta, Cliente, Processo e Presença. Assim, a análise fatorial exploratória indicou a forte inter-relação entre algumas dimensões do RI, mas essas não formaram um novo constructo, pois ainda falta base teórica para sustentar que os agrupamentos de variáveis encontrados formam um constructo teórico.

Os resultados obtidos pela AFE foram diferentes para cada setor, ainda que possuam algumas semelhanças, e estão demonstrados na Tabela 1 para comparação.

Tabela 11 - Resultados da AFE para cada setor

Fonte: dados da pesquisa.

As dimensões Clientes e Ambiência Inovadora foram agrupadas no mesmo fator em todos os setores. Já a dimensão Rede também foi agrupada em todos os setores, ainda que em um fator distinto no setor da Agroindústria. Esse resultado indica uma forte inter-relação dessas dimensões do RI para diferentes setores. Contudo, esse resultado não pode ser generalizado devido ao reduzido número de setores em comparação. Por outro lado, as diferenças de agrupamento das variáveis para cada setor, indicam que, possuem um comportamento único relacionado às diferentes formas de inovar presentes no RI. Assim, sugere-se que empresas de diferentes setores não sejam comparadas diretamente em relação ao RI, mas que sejam comparadas dentro dos seus respectivos setores.

4. Considerações finais

Este artigo teve como objetivo identificar, por meio da AFE,  a estrutura de agrupamento das Dimensões do RI com base em uma amostra de 818 micro e pequenas empresas de 12 cidades do estado do Paraná, referente aos setores da Agroindústria, Metal Mecânico e Moveleiro.

Foi possível observar, que os principais resultados do processo da AF para o setor da Agroindústria, foram identificados por meio de dois fatores principais. O primeiro formado pelas dimensões: Agregação de Valor, Organização, Clientes e Ambiência Inovadora e o segundo, formado pelas dimensões Relacionamento e Rede. Foi possível observar também que no setor Metal Mecânico, apenas um fator foi formado pelas dimensões: Clientes, Processos, Ambiência Inovadora, Organização e Rede. Da mesma forma, um fator foi formado no setor Moveleiro, que obteve quatro dimensões agrupadas, tais sendo: Rede, Clientes, Ambiência Inovadora e Relacionamento. Os resultados da análise fatorial exploratória indicaram alta correlação entre algumas dimensões do RI. Assim, há algum aspecto nos setores que faz as empresas inovarem de forma conjunta nas dimensões encontradas em cada setor.

Os resultados obtidos pela AFE foram diferentes para cada setor, ainda que possuam algumas semelhanças. As dimensões Clientes e Ambiência Inovadora foram agrupadas no mesmo fator em todos os setores. A dimensão Rede, foi agrupada em todos os setores, ainda que em um fator distinto no setor da Agroindústria. Esse resultado indica uma forte inter-relação dessas dimensões do RI para diferentes setores. Assim, esse resultado não pode ser generalizado devido ao reduzido número de setores em comparação. Todavia, as diferenças de agrupamento das variáveis para cada setor indicam que possuem um comportamento único relacionado às diferentes formas de inovar presentes no RI. Assim, dentre as principais contribuições desta pesquisa, sugere-se que empresas de diferentes setores não sejam comparadas diretamente em relação ao RI, mas que sejam comparadas dentro dos seus respectivos setores.

A limitação da metodologia está em nomear os novos fatores, visto a diversidade dos resultados, já que as dimensões agrupadas não pertencem a um mesmo tipo de inovação, conforme os tipos definidos no Manual de Olso e também não estão agrupadas entre os quatro eixos principais do RI. Com isso, falta base teoria para sustentar que os agrupamentos de variáveis encontrados formam um constructo teórico.

Futuros trabalhos poderiam complementar os resultados desta pesquisa visando identificar a estrutura de agrupamento das Dimensões do RI de empresas de outras regiões e até mesmo de outros setores não presentes nesta pesquisa. Assim, comparações entre diferentes regiões e entre diferentes setores poderiam ser realizadas.

É importante destacar que a principal finalidade do RI é disponibilizar para a empresa um panorama geral das possibilidades de inovação em relação aos concorrentes. Assim, este trabalho está alinhado com a finalidade do RI e identificou as a estrutura de agrupamento das Dimensões do RI dos setores da Agroindústria, Metal Mecânico e Moveleiro.

Referências bibliográficas

Ahn, M. J., Zwikael, O., & Bednarek, R. (2010). Technological invention to product innovation: A project management approach. International Journal of Project Management. 28, 559-568.

Arthur, W. B. (2007). The structure of invention. Research Policy. 36, 274-287.

Bachmann, D. (2009). Perfil do Grau de Inovação das MPEs do Paraná. Curitiba: SEBRAE/PR.

Bachmann, D. L., & Destefani, J. H. (2008). Metodologia para Estimar o Grau de Inovação nas MPE. Curitiba. Recuperado em 20 jul, 2014, de http://www.bachmann.com.br/website/documents/ArtigoGraudeInovacaonasMPE.pdf.

Baregheh, A., Rowley, J., & Sambrook, S. (2009). Towards a multidisciplinary definition of innovation. Management Decision. 8, 1323-1339.

Bessant, J., & Tidd, J. (2009). Inovação e Empreendedorismo (512 pp.). Porto Alegre: Bookman.

Da Veiga, C. P. Da Veiga, C. R. P.,  Del Corso, J.M., & Da Silva, W. V. (2015). Dengue Vaccines: A Perspective from the Point of View of Intellectual Property. International Journal of Environmental Research and Public Health, 12, 9454-9474.

Carvajal, C. A. R. (2013). Aproximación a la gestión de la innovación: un enfoque conceptual. Revista Ciencias Estratégicas, 21 (30). Medellín. 

Carvalho, H. G., Carvalho, G. D. G., Stankowtiz, R. F., Rasoto, V. I., & Cruz, J. A. W. (2015a). Panorama das MPE do paraná com base no RADAR da inovação inicial do ciclo ALI PR 2012-2014. Espacios. 36 (19).

Carvalho, G. D. G., Silva, W. V., Póvoa, A. C. S., Carvalho, H. G. (2015b). Radar da Inovação como ferramenta para o alcance de vantagem competitiva para micro e pequenas empresas. RAI: revista de administração e inovação, v. 12, n. 4, p. 162-186.

Cavalcanti Filho, A. M., Oliveira, M. R.G., & Cavalcanti, A. M. (2012). Análise do desempenho em inovação das micro e pequenas empresas de TIC em Pernambuco. Revista Brasileira de Administração Científica, 3 (2), 41-56.

Corrar, L. J., Paulo, E., & Dias Filho, J. M. (2007). Análise multivariada: para os cursos de administração, ciências contábeis e economia. São Paulo: Atlas.

Cortina, J. M. (1993). What is coeffcient alpha: an examination of theory and applications. Journal of Applied Psychology, (78), 98-104.

Costello, A. B., & Osborne, J. W. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment Research & Evaluation, 10, (7), 1-9.

Damásio, B. F. (2012). Uso da análise fatorial exploratória em psicologia. Avaliação psicológica, 11, (2), 213-228.

Drucker, P. F. (2003). Inovação e Espírito Empreendedor (entrepreneurship). São Paulo: Pioneira Thomson.

Field, A. (2009). Descobrindo a Estatística usando SPSS. Porto Alegre: Artmed.

FIEPR. Federação das Indústrias do Estado do Paraná. (2014). O futuro dos negócios da Indústria Moveleira. Recuperado em 17 jan, 2015, de http://www.fiepr.org.br/congressomoveleiro/News11039content252709.shtml.

Figueiredo Filho, D. B., & Silva Júnior, J. A. (2010). Visão além do alcance: uma introdução à análise fatorial. Opinião Pública, 16, (1), 160-185.

Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (2005). Análise multivariada de dados (5a ed.). Porto Alegre: Bookman.

Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational research methods, 7 (2), 191-205.

Hurtado, R. G., & Mejía, J. H. (2014). Estructura de la inversión de la industria manufacturera colombiana en actividades de innovación y desarrollo tecnológico. Innovar. 24. Bogotá.

Ledesma, R. D., & Valero-Mora, P. (2007). Determining the Number of Factors to Retain in EFA: an easy-to-use computer program for carrying out Parallel Analysis. Practical Assessment, Research & Evaluation, 12, (2), 1-11.

Marques, K. F. S., Siluk, J. C. M., Funke, E., & Friedrich, J. (2012, outubro). Um diagnóstico da Gestão da Inovação na Campanha Gaúcha: um estudo de caso na Vinícola Almadén. 32 Encontro Nacional de Engenharia de Produção, Bento Gonçalves, RS, Brasil.

Néto, A. T. S., & Teixeira, R. M. (2011). Mensuração do Grau de Inovação de Micro e Pequenas Empresas: Estudo em empresas da Cadeia Têxtil-Confecção em Sergipe. Revista de Administração e Inovação, São Paulo, 8, (3), 205-229.

OCDE. Organização para a Cooperação e Desenvolvimento Econômico & Financiadora de Estudos e Projetos. (2005). Manual de Oslo. (3a ed.). Recuperado em 10 jul, 2014, de http://www.mct.gov.br/upd_blob/0011/11696.pdf.

Oliveira, M. R. G., Cavalcanti, A. M., Filho, J. P. B., Torres, D. B., & Matos, S. M. (2011, outubro). Grau de Inovação Setorial – Uma Abordagem a partir do Radar da Inovação. 31 Encontro Nacional de Engenharia de Produção, Belo Horizonte, MG, Brasil.

O'Connor, B. P. (2000). SPSS and SAS programs for determining the number of components using parallel analysis and Velicer's MAP test. Behavior research methods, instruments, & computers, 32 (3), 396-402.

Ponce, H. G., & Duarte, P. D. P. (2015). Factores de la innovación y su influencia en las ventas y el empleo. El caso de las mipymes manufactureras mexicanas. Cuadernos de Economia. 34 (65). Bogotá.

Rata, B. M., Menéndez, J. F., Olalla, M. F., & Sánches, J. I. L. (2014). Colaboración tecnológica con proveedores en la innovación de productos: análisis de la industria manufacturera Española. Innovar. 24. Bogotá.

Rocha, C., Cunha, M. A. V. C., Duclós, L. C., Veiga, C. P., ; Neves, N. A. F.  (2015). The influence of strategic control systems on organizational performance by the Resource Based View perspective: a metallurgist case study. Journal of Applied Sciences Research. 11, 17-30.

Sawhney, M., Wolcott, R. C., & Arroniz, I. (2011). The 12 different ways for companies to innovate. In: Top 10 Lessons on the New Business of Innovation. MIT Sloan Management Review, 28-34.

SEBRAE. Serviço Brasileiro de Apoio às Micro e Pequenas Empresas. (2014). Agentes Locais de Inovação. Recuperado em 20 jul, 2014, de http://www.sebrae.com.br/sites/PortalSebrae/Programas/Agentes-Locais-de-Inova%C3%A7%C3%A3o:-receba-o-Sebrae-na-sua-empresa.

SEBRAE. Serviço Brasileiro de Apoio às Micro e Pequenas Empresas. (2014). Cenário Econômico Social. Recuperado em 17 jan, 2015, de http://www.sebrae.com.br/Sebrae/Portal%20Sebrae/Estudos%20e%20Pesquisas/Cen%C3%A1rio%20Econ%C3%B4mico%20Social%20out%202014.pdf.

SEBRAE. Serviço Brasileiro de Apoio às Micro e Pequenas Empresas. (2014). Participação das Micro e Pequenas Empresas na Economia Brasileira. Recuperado em 17 jan, 2015, de http://www.sebrae.com.br/Sebrae/Portal%20Sebrae/Estudos%20e%20Pesquisas/Participacao%20das%20micro%20e%20pequenas%20empresas.pdf.

SEBRAE. Serviço Brasileiro de Apoio às Micro e Pequenas Empresas. (2014). Agentes Locais de Inovação. Recuperado em 20 jul, 2014, de http://app.pr.sebrae.com.br/ali/Conteudo.do?codConteudo=2083&codMenuAtivo=709.

Schoenmakers, W., & Duysters, G. (2010). The Technological origins of radical inventions. Research Policy. 39, 1051-1059.

SENAI. Serviço Nacional de Aprendizagem Industrial. (2008). Rotas estratégicas para o futuro da indústria paranaense: Roadmapping de Metal Mecânica – horizonte de 2018. Curitiba : SENAI/PR.

Teece, D. J. (2010). Businees Models, Businees Strategy and Innovation. Long Range Planning. 43, 172-194.

Tidd, J., Bessant, J., & Pavitt, K. (2008). Gestão da Inovação. (3a ed.). Porto Alegre: Bookman.

Veiga, C.R.P., Veiga, C.P., Corso, J.M.D., Winter, E., & Silva, W.V. (2014), More than one decade of Viagra: What lessons can be learned from intellectual property rights in the erectile dysfunction market? International Journal of Innovation Management, 18.doi.org/10.1142/ S1363919614500273.

Veiga, C. P., Veiga, C. R. R., Giacomini, M. M., Kato, H. T., & Del Corso, J. M. (2015). Evolution of capabilities in the discovery cycle of an innovation in the pharmaceutical market. International Review of Management and Marketing. 5, 141-153, 2015.

1. Pontifícia Universidade Católica do Paraná - Brasil - gustavo.dambiski@gmail.com
2. Pontifícia Universidade Católica do Paraná - Brasil - cristina.anjos@pucpr.br
3. Pontifícia Universidade Católica do Paraná - Brasil - carlos.quandt@pucpr.br

4. Universidade Tecnológica Federal do Paraná - Brasil - heliogcarvalho@gmail.com

5. Pontifícia Universidade Católica do Paraná - Brasil -  june.cruz@pucpr.br

6. Pontifícia Universidade Católica do Paraná  e Universidade Federal do Paraná - Brasil - claudimar.veiga@gmail.com