Como apuntamos antes, el metaanálisis comprende resultados de múltiples investigaciones empíricas (Lipsey y Wilson, 2001), con transparencia y objetividad (Borenstein et al., 2021). En términos generales, este método estadístico, ampliamente aceptado, funciona como “promediación” de los efectos identificados en esos trabajos, dando más peso a los que cuentan con mayor probabilidad de reflejar resultados cercanos a la verdad, es decir, aquellos que poseen más credibilidad.

El metaanálisis en este trabajo sigue la metodología de Borenstein et al., (2021), que modifica el coeficiente de correlación de cada estudio mediante la transformación Z de Fisher (1915), y con este índice se realiza el análisis. Mediante este procedimiento evitamos el cálculo de varianzas incorrectas al que podría conducir la distribución anormal de los coeficientes de Pearson, sobre todo en correlaciones de muestras pequeñas (Shadish y Haddock, 2009).

De acuerdo con lo anterior, los estudios considerados en el metaanálisis están categorizados en función del país en el que estos estudios fueron realizados y de las empresas analizadas en cada uno de ellos. Esto implica tener diferentes magnitudes del efecto entre innovación y tamaño empresarial. Por ende, empleamos el modelo de efectos aleatorios para resolver las variaciones que pudieran existir entre los estudios.

Búsqueda sistemática. La base de datos utilizada consiste en 51 estudios de la literatura internacional. La muestra total está conformada por 65 001 empresas de 19 países (véase apartado Metaanálisis). Los estudios abarcan el período 2000-2023, provienen de las bases de datos de JSTOR, ScienceDirect, Scopus y Web of Science y están publicados en español e inglés (véanse Tabla 1 y Referencias).

Criterios de inclusión. En la búsqueda de investigaciones empíricas acerca de la relación entre tamaño y capacidad innovadora de las empresas, se consideraron tres criterios de elegibilidad: 1) que midieran la innovación en un contexto empresarial -entendida como prácticas innovadoras que abarcan innovación administrativa, técnica y tecnológica; gasto e inversión en I+D; lanzamiento de nuevos productos o servicios; registro de patentes y propiedad intelectual; innovaciones graduales o radicales; especialización; y colaboraciones o alianzas estratégicas-, 2) que trataran el tema del tamaño de la empresa (operacionalizado como número promedio de empleados) y 3) que reportaran el coeficiente de correlación entre ambos conceptos. De este modo, garantizamos que los artículos incluidos en el metaanálisis fueran relevantes para el estudio y contribuyeran, de manera significativa, a la comprensión de esta compleja y dinámica relación.

Codificación de datos. En la Tabla 2 se proporciona una descripción detallada de la codificación de las variables utilizadas en cada uno de los artículos seleccionados para el metaanálisis y de las variables de la MIV. Esta codificación es esencial para asegurar la consistencia y comparabilidad de los datos recopilados en cada estudio. Además, con esta Tabla 2 se establece un marco que permite a los investigadores y lectores entender cómo se midieron y categorizaron las variables clave, lo que facilita la interpretación de los resultados y la evaluación de la robustez del análisis.

Tabla 2

Autor	Refiere los autores del estudio a metaanalizar.
Año	Año de publicación.
ni	Tamaño de muestra.
ri	Coeficiente de correlación de Pearson.
Antigüedad	Promedio de los años que las empresas de la muestra han estado en el mercado.
OCDE	Variable cualitativa que toma el valor de 1 si el estudio se realizó para un país o socio (ciudad, estado o región) de la OCDE, o de 0 de lo contrario.
Nacional	Variable ficticia que toma el valor de 1 si el estudio se realizó a nivel nacional, o de 0 de lo contrario.
Estudio	Variable ficticia que toma el valor de 1 si la información del modelo corresponde a datos de corte transversal, o de 0 de lo contrario.
I+D	Variable ficticia que toma el valor de 1 si el modelo reportado incluye como variable explicativa el gasto/inversión de I+D, o de 0 de lo contrario.
Innovación	Variable ficticia que toma el valor de 1 si el modelo reportado incluye como variable explicativa alguna innovación (administrativa, tecnológica, técnica, etc.), o de 0 de lo contrario.
Sector	Variable ficticia que toma el valor de 1 cuando la muestra del estudio está compuesta mayoritariamente por empresas del sector industrial (manufactura, textil, automotriz, etc.), o de 0 en caso contrario.
Región_AmNorte	Variable ficticia que toma el valor de 1 si la muestra del estudio corresponde a países de América del Norte (EE. UU., Canadá, México), o de 0 en caso contrario.
Región_Europa	Variable ficticia que toma el valor de 1 si la muestra del estudio corresponde a países de Europa, o de 0 en caso contrario.
Región_Asia_Pacífico	Variable ficticia que toma el valor de 1 si la muestra del estudio corresponde a países de Asia-Pacífico (Japón, Corea, Australia, etc.), o de 0 en caso contrario.
Región_Emergentes	Variable ficticia que toma el valor de 1 si la muestra del estudio corresponde a economías emergentes fuera de las anteriores macrozonas, o de 0 en caso contrario.
Capacidad	Capacidad de innovación calificada en escala de 1 a 5, donde las puntuaciones más altas indican mayor capacidad (gasto en I+D, número de patentes, lanzamiento de nuevos productos o servicios, inversión en tecnología, tasa de éxito en proyectos de innovación ambiental, capacidad de absorción, innovación y adquisición tecnológica, colaboración externa, diversidad en especialistas, etcétera).

Fuente: elaboración propia.

Medición del efecto. En el contexto de este metaanálisis, el efecto se refiere a la medida cuantitativa de la relación entre el tamaño de la empresa y su capacidad de innovación. Específicamente, utilizamos el coeficiente de correlación de Pearson r como indicador del efecto, el cual cuantifica la fuerza y dirección de la relación lineal entre dos variables. Un valor de r puede variar de -1 a 1, donde:

r = 1 indica correlación positiva perfecta.

Para evitar cálculos incorrectos debido a la distribución no normal de los coeficientes de Pearson, en especial en estudios con tamaños de muestra pequeños, modificamos estos coeficientes utilizando la transformación Z de Fisher antes de realizar el metaanálisis, la cual convierte los coeficientes de correlación en una distribución cercana a la normal. Este procedimiento posibilita realizar análisis estadísticos más precisos.

Por lo tanto, el estimador promedio ponderado se calcula mediante la transformación Z de Fisher para estabilizar la varianza de los coeficientes de correlación. Los estudios se ponderan según el tamaño de la muestra y la varianza, asignando mayor peso a los resultados más precisos. La fórmula utilizada es Z - = ∑ w i * z i ∑ w i , donde w i es el peso de cada estudio. Al final, se aplica una transformación inversa para interpretar el resultado en la escala original de correlación.

Para evaluar la asociación entre el tamaño y la capacidad de innovación en las empresas, recurrimos a una MIV, una herramienta utilizada en la toma de decisiones para comparar y evaluar alternativas en función de criterios relevantes (Ábalo et al., 2006). La MIV consiste en enumerar y asignar puntuaciones a diferentes aspectos de la capacidad de innovación, sistemáticamente cuantificados y visualizados en un cuadrante de dos ejes:

Eje vertical (importancia): refleja la importancia de cada criterio, medida por el coeficiente de correlación de cada criterio con la satisfacción global. Cuanto más fuerte sea la correlación, mayor será la importancia del criterio.

Eje horizontal (valoración): refleja la valoración de cada criterio, medida por la satisfacción media del criterio en relación con el conjunto.

Los criterios utilizados en el análisis fueron seleccionados a partir de la literatura relevante sobre innovación y tamaño empresarial, así como de su aparición frecuente en los estudios metaanalizados. Cada criterio fue cuantificado mediante variables proxy que representan aspectos específicos de la capacidad de innovación, como el gasto en I+D, el número de patentes, el lanzamiento de nuevos productos o servicios, la inversión en tecnología, la tasa de éxito en proyectos de innovación ambiental, la capacidad de absorción, la innovación y adquisición tecnológica, la colaboración externa y la diversidad en especialistas.

Para medir estos criterios, se asignaron puntuaciones basadas en datos empíricos extraídos de los estudios seleccionados, asegurando así la consistencia y comparabilidad de los datos recopilados. Las puntuaciones de la importancia y las de la valoración se calcularon utilizando coeficientes de correlación y medias de satisfacción, respectivamente.

Los aspectos cuantificados podrían ubicarse en alguna de las siguientes zonas del gráfico de la MIV, representado en la Figura 1 (Martilla y James, 1977). Donde:

Figura 1 Fuente: elaboración propia

Excelencia: incluye los criterios importantes que están siendo evaluados positivamente. Estos criterios son considerados destacados y de alta calidad, y conviene mantenerlos y fortalecerlos. Por ejemplo, alianzas tecnológicas y capacidad de innovación se encuentran en este cuadrante debido a su alta valoración y relevancia en los estudios analizados.

Progreso: contiene los criterios importantes pero que no están siendo evaluados satisfactoriamente. Representan oportunidades de mejora y pueden ser prioritarios para enfocar esfuerzos y recursos. Este cuadrante se identifica a partir de la brecha entre la importancia asignada por los autores de los estudios y las valoraciones obtenidas, lo cual sugiere áreas en las que se puede mejorar.

Neutra: muestra los criterios que no tienen una buena evaluación y tampoco son considerados de alta importancia. Estos criterios no son prioritarios, ya que su impacto en la satisfacción general es limitado. En este cuadrante se encuentran aspectos con baja correlación y baja valoración.

Sobrecalidad: corresponde a los criterios que tienen buena evaluación, aunque no son considerados de suma importancia. Estos criterios son agradables, pero su ausencia no afectaría significativamente la satisfacción general. Se identifican por tener alta valoración, pero baja correlación con la satisfacción general.

La base final está conformada por 51 muestras independientes ( K = 51 ) que presentan correlaciones entre el tamaño de la empresa y la capacidad de innovación, de 51 artículos con una muestra total combinada de 65 001 empresas. La mayoría de los estudios incluidos en el metaanálisis está centrada en pequeñas y medianas empresas ( K = 46 ); de estos, en 32 predomina alguna innovación en los procesos empresariales (administrativa, tecnológica, técnica, etc.) y el resto se enfoca en I+D (12 estudios) y patentes (7 estudios). Gran parte de los estudios proviene de Europa (19), seguida por América del Norte (14), Asia (12), América del Sur (2), África (2) y Oceanía (2).

En la Figura 2, el eje horizontal representa el tamaño del efecto (correlación transformada a Z de Fisher) y el eje vertical representa el tamaño de la muestra, definido como el número de empresas muestreadas en cada estudio. La línea vertical punteada marca el efecto promedio real ( r = 0.230 ). Se observa que los estudios con muestras más numerosas (mayor n) tienden a estimar valores cercanos a r , lo que refleja su mayor precisión, pero varias investigaciones con muestras pequeñas también obtienen correlaciones próximas al efecto global, a pesar de que otras divergen más debido a la mayor varianza inherente a tamaños reducidos.

Figura 2 Fuente: elaboración propia

Los resultados de este metaanálisis indican una relación significativa y positiva entre los factores tamaño de empresa e innovación z ± s e = 0.233 ± 0.033 , I C 95 % 0.168 , 0.298 ; Z = 7.058 , p < 0.0001 y una alta heterogeneidad respecto al tamaño del efecto entre los estudios τ 2 ± s e = 0.050 ± 0.011 ; τ = 0.225 ; Q 50 = 1728.22 , p < 0.0001 ; I 2 = 98.32 % ¹. La heterogeneidad observada en el análisis del gráfico responde a que los estudios metaanalizados varían en cuanto al sector económico al que pertenece la empresa, tamaño de muestra y región. Esta variabilidad, entonces, se debe a que los estudios fueron realizados en contextos muy diferentes y con objetivos diversos, lo que influye en los resultados obtenidos. Por ejemplo, estudios centrados en sectores de alta tecnología en economías desarrolladas pueden mostrar una relación diferente entre tamaño e innovación en comparación con estudios realizados en sectores más tradicionales en economías emergentes.

La presencia significativa de heterogeneidad sugiere que los estudios metaanalizados no suelen reportar resultados similares, lo que implica que los hallazgos deben ser tomados con precaución. Esta diversidad en los contextos y objetivos de los estudios subraya la complejidad de la relación entre tamaño de empresa e innovación. Aunque se observa una tendencia general positiva, la magnitud del efecto puede variar ampliamente debido a factores específicos de cada estudio, como el sector económico, la región geográfica y las condiciones del mercado.

No obstante, es posible afirmar que el tamaño de la empresa tendría un efecto positivo en la innovación, de modo que, siguiendo el criterio propuesto por Cohen (1988), dicha relación se considera de intensidad alta. La alta heterogeneidad también destaca la necesidad de realizar análisis adicionales que consideren estos factores moderadores para obtener una comprensión más detallada y matizada de la relación entre tamaño empresarial e innovación.

En la Figura 3 se muestra el forest plot con el tamaño del efecto y el intervalo de confianza para cada estudio. En la Figura 3 se aprecia entre corchetes el efecto y su intervalo de confianza (valores Z de Fisher), los cuadrados corresponden al efecto de cada estudio, las barras de error corresponden a los intervalos de confianza y el tamaño de muestra está reflejado en el volumen del cuadrado. El diamante representa el resultado del metaanálisis con el efecto y sus intervalos de confianza.

Figura 3 Fuente: elaboración propia con RStudio

La heterogeneidad observada en el análisis del forest plot era esperable dado que los estudios metaanalizados variaron en cuanto al sector económico al que pertenece la empresa, el tamaño de la muestra y la región. Respecto al tamaño medio del efecto entre los estudios, aquella fue alta, pero significativa τ 2 ± s e = 0.050 ± 0.011 , I C 95 % 0.034 , 0.083 ; τ = 0.225 , I C 95 % 0.185 , 0.288 ; Q 50 = 1728.22 , p < . 0001 ; I 2 = 98.32 % , I C 95 97.54 % , 98.96 % . También se advierte mucha variabilidad en el tamaño del efecto, las correlaciones entre los estudios van de -0.30 a 0.77 y aunque en la mayoría son positivas, en algunos son casi de cero o negativas. Estos resultados indican una relación positiva y significativa entre el tamaño de la empresa y su innovación z ± s e = 0.233 ± 0.033 , I C 95 % 0.168,0.298 ; Z = 7.058 , p < . 0001 .

Adicionalmente, en un metaanálisis es conveniente identificar si existe influencia particular de algún estudio, o varios de ellos; aspecto para el cual es útil realizar un diagnóstico de influencia, ya que este permite estimar cambios en los resultados al excluir a cada estudio del modelo (Figura 4).

Figura 4 Fuente: elaboración propia con RStudio

En la Figura 4, los números 1 a 51 del eje de las abscisas representan cada estudio, como establecimos en la Tabla 1, columna ID. Aquellos estudios de notoria influencia son marcados con puntos rojos, pero aquí notamos que ninguno influye demasiado, por lo tanto, todos pueden ser incluidos en el metaanálisis.

Para posibles sesgos causados por estudios con muestras pequeñas, recurrimos al funnel plot y a la regresión de Egger (Figura 5), ya que ambos permiten considerar el sesgo de estudios con bajo poder estadístico (Schwarzer et al., 2015; Sterne et al., 2000; 2011) en la estimación del efecto real.

Figura 5 Fuente: elaboración propia con RStudio

Cada estudio metaanalizado es representado en el gráfico. El color azul corresponde al área en la que, con base en su error -y tamaño de muestra-, los estudios tienen un efecto significativo al 5% ( i . e . , p < 0.05 ) mientras que aquellos con efecto al 1% ( i . e . , p < 0.01 ) se localizan fuera. El efecto metaanalizado ( z = 0.233 ) se representa con la línea vertical interior, y a partir de su inicio, el triángulo² corresponde al área de los estudios que no tienen diferencia significativa con el resultado del metaanálisis. Por último, la línea punteada refleja la regresión de Egger, la cual no muestra un resultado significativo (Test for Funnel Plot Asymmetry: z = - 0.478 , p = 0.632 ), por lo tanto, no existe sesgo de estudios con tamaños de muestra pequeños (Egger et al., 1997).

En lo concerniente a la evaluación del sesgo de publicación (publication bias), empleamos el método trim and fill, técnica no paramétrica que estima estudios potencialmente faltantes por dicho sesgo en el gráfico de embudo, y que aumenta datos (Duval y Tweedie, 2000a; 2000b; Duval, 2005) para ajustar la estimación del efecto real (Figura 6).

Figura 6 Fuente: elaboración propia con RStudio

En la Figura 6, los puntos blancos son los estudios metaanalizados y los puntos negros, a la derecha, los rellenados. Constatamos, entonces, que el análisis aumenta 11 estudios hipotéticos, lo que supone cierto nivel de sesgo de publicación. Este relleno, que busca una distribución simétrica, aumenta a 0.317 la estimación inicial del efecto (0.233); de modo que se obtienen resultados equivalentes y muy similares a los del metaanálisis original (Figura 1), por lo que deben interpretarse de igual forma. No obstante, es conveniente señalar un par de ajustes que derivan, primero, de que el número estimado de estudios ausentes fue 11 (Estimated number of missing studies on the right side: 11 S E = 4.713 ), lo que significa que el análisis indicó 11 estudios faltantes a la derecha del funnel plot, y no hubo recorte de alguno. Luego, sumando esa cantidad, el metaanálisis se efectuó con k equivalente a 62 estudios y no 51 (Random-Effects Model k = 62 ; t a u 2 e s t i m a t o r : R E M L ). Como resultado, el efecto estimado mediante el método trim and fill es mayor (Model results: Estimate 0.317), ya que los estudios hipotéticos fueron agregados a la derecha del funnel plot.

En la Tabla 3 se muestran las estimaciones de la meta-regresión, que combina el enfoque de efectos aleatorios con la regresión lineal para evaluar 11 moderadores -antigüedad, pertenencia a países OCDE, alcance nacional, diseño de corte transversal, control de I+D , inclusión de medidas de innovación, sector industrial y las dummies regionales (América del Norte, Europa, Asia-Pacífico y economías emergentes)- y determinar en qué condiciones la asociación tamaño-innovación se refuerza o atenúa. De todos ellos, únicamente dos presentan evidencia estadística de moderación: la variable innovación ( e s t i m a t e = 0.2748 ; S E = 0.0947 ; z = 2.9008 ; p = 0.0037 ; I C 95 % 0.0891 , 0.4604 ), lo que pone de manifiesto que la inclusión de métricas directas de innovación -como número de patentes, inversión en I+D o colaboraciones tecnológicas- refuerza la estimación del vínculo tamaño e innovación; y el moderador nacional ( e s t i m a t e = 0.1136 ; S E = 0.0652 ; z = 1.7436 ; p = 0.0812 ; I C 95 % - 0.0141 , 0.2414 ), cuya significación marginal indica que las muestras homogéneas a nivel de país comparten entornos institucionales y culturales que facilitan estimaciones más coherentes.

Tabla 3

Variable	Antigüedad	OCDE	Nacional	Estudio	I+D	Innovación	Sector	A	B	C	D
estimate	0.0018	0.0015	0.1136+	0.0201	0.0147	0.2748**	0.064	0.03	0.008	0.066	0.099
se	0.0046	0.081	0.0652	0.0669	0.0785	0.0947	0.07	0.075	0.067	0.074	0.121
zval	0.3823	0.0188	1.7436	0.3004	0.1877	2.9008	0.913	0.403	0.121	0.888	0.822
pvalue	0.7022	0.985	0.0812	0.7639	0.8511	0.0037	0.36	0.686	0.903	0.374	0.411
ci.lb	-0.0073	-0.1572	-0.0141	-0.111	-0.1685	0.0891	-0.07	-0.116	-0.139	-0.213	-0.137
ci.ub	0.0108	0.1602	0.2414	0.1511	0.1391	0.4604	0.201	0.177	0.123	0.08	0.337
Intercept	0.2033*	0.2323**	0.1783***	0.2240***	0.2370***	-0.0080*	0.191***	0.225***	0.237***	0.251***	0.225***
tau 2	0.051	0.051	0.049	0.057	0.051	0.043	0.0507	0.051	0.051	0.052	0.053
tau	0.2271	0.2277	0.2213	0.2274	0.2275	0.2082	0.2251	0.227	0.227	0.225	0.226
I 2	98.20%	98.17%	98.26%	98.19%	98.19%	98.04%	98.24%	98.36%	98.21%	98.35%	98.13%
H 2	56.72	54.67	57.47	55.13	55.21	51.08	56.9	60.8	55.77	60.46	53.37
R 2	0.00%	0.00%	3.36%	0.00%	0.00%	14.43%	0.04%	0.00%	0.00%	0.00%	0.00%
Test for Residual Heterogeneity (pvalue)	0.0001	0.0001	0.0001	0.0001	0.0001	0.0001	0.0001	0.0001	0.0001	0.0001	0.0001
Test of Moderators (pvalue):	0.7022	0.985	0.0812	0.7639	0.8511	0.0037	0.3608	0.686	0.903	0.374	0.411

Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’+’ 0.1 ’ ’ 1. A = Región_AmNorte; B = Región_Europa; C = Región_Asia_Pacífico; D = Región_Emergentes. Fuente: elaboración propia.

El intercepto, significativo en todos los modelos ( 0.1783 ≤ r - ≤ 0.2370 ; p < 0.05 ), cuantifica el efecto promedio global de tamaño sobre innovación cuando ninguno de los moderadores está activo y confirma un vínculo positivo y consistente ( r - ≈ 0.20 - 0.24 en escala Z), en línea con la teoría schumpeteriana de las economías de escala en I+D (Schumpeter, 1942).

Por su parte, los coeficientes de los demás moderadores -antigüedad ( 0.0018 ; p = 0.7022 ), OCDE ( 0.0015 ; p = 0.9850 ), diseño transversal ( 0.0201 ; p = 0.7639 ) control de I+D ( 0.0640 ; p = 0.3600 ) y los cuatro dummies regionales (América del Norte: 0.0300; Europa: 0.0080; Asia-Pacífico: 0.0660; emergentes: 0.0990; todos p > 0.35 - no alcanzan significación y sus intervalos de confianza incluyen el cero. Este hallazgo no descarta la relevancia teórica de estos moderadores, sino que, más bien, refleja la potencia limitada y la elevada heterogeneidad residual ( I 2 ≈ 98 % ), que dificultan detectar moderaciones moderadas o heterogéneas. En particular, la amplitud de los intervalos de confianza en Asia-Pacífico y economías emergentes refleja un número reducido de trabajos y contextos muy diversos.

En conjunto, la meta-regresión revela un efecto global sólido del tamaño sobre la innovación (intercepto r - ≈ 0.20 - 0.24 , p < 0.05 ) que se mantiene estable ante la mayoría de las características evaluadas. No obstante, su magnitud aumenta de manera significativa cuando los estudios incluyen métricas directas de innovación ( ∆ z = 0.2748 ; p = 0.0037 ), y aumenta de forma marginal, en aquellos de alcance nacional ( Δ z = 0.1136 ; p = 0.0812 ). Por el contrario, los demás moderadores -antigüedad, pertenencia a OCDE, diseño transversal, control de I+D, sector industrial y las dummies regionales- no muestran un impacto estadísticamente significativo ( p > 0.35 ), lo que pone de manifiesto la robustez del vínculo tamaño e innovación a través de distintos contextos y especificaciones metodológicas.

En la Figura 7 se representa biaxialmente el análisis de importancia/valoración: el eje de ordenadas corresponde a importancias y el eje de abscisas, a valoraciones. Las puntuaciones medias obtenidas por cada atributo sobre la capacidad de innovación asociada al tamaño de la empresa definen su posición en alguno de los cuadrantes. Como se puede observar, la mayoría de los atributos valorados obtiene más puntuaciones de importancia que de valoración, por lo que, en principio, las áreas o variables utilizadas por los estudios metaanalizados para cuantificar la innovación son susceptibles de mejora. No obstante, basándonos en la lectura clásica del análisis, gran parte de los elementos cae en los cuadrantes «zona de excelencia» y «zona de progreso», es decir, los aspectos de la primera zona tienen buena evaluación y son importantes para los autores de los estudios, mientras que los de la segunda no tienen una buena evaluación, aunque sean importantes para los autores.

Figura 7 Fuente: elaboración propia

De la variedad de elementos, los que son evaluados como importantes y tienen alta valoración son: alianzas tecnológicas, capacidad de innovación, desarrollo de la ecoinnovación e innovación ambiental, I+D, proyectos conjuntos con otras empresas del mismo giro, adaptación al dinamismo del sector industrial y diversidad de especialistas. Estos tienen valoración positiva y son relevantes en el fenómeno analizado. Por otro lado, los aspectos que, aunque se estiman importantes, no tienen buena evaluación son: adaptación al mercado globalizado, empleados certificados, nuevos productos, oportunidad tecnológica y servicio oportuno. Estos son reconocidos como relevantes, pero no reciben una valoración tan alta como los anteriores, por lo que merece un análisis más profundo, que referimos a continuación.

En la ciencia administrativa, la adaptación al mercado globalizado, la certificación de empleados, la introducción de nuevos productos, la oportunidad tecnológica y el servicio oportuno son aspectos generalmente considerados cruciales para el éxito empresarial, en especial en la integración a cadenas de suministro y en la competitividad global. Por ejemplo, la certificación de empleados es un requisito fundamental para integrarse a cadenas de suministro, ya que garantiza un estándar de calidad y competencias, y aunque es importante, su baja evaluación podría deberse a que no es percibida como un diferenciador directo de la capacidad de innovación. En otras palabras, la certificación puede ser vista como una condición necesaria, pero no suficiente para fomentar la innovación.

Asimismo, la creación de nuevos productos y la adopción de tecnologías oportunas son componentes esenciales de la innovación. Sin embargo, la baja valoración en estos aspectos podría reflejar una percepción de que la mera introducción de nuevos productos no es suficiente si no va acompañada de una estrategia de innovación más amplia y coherente. Además, la oportunidad tecnológica puede no ser suficiente si no se implementa de forma adecuada dentro del contexto específico de la empresa. Por su parte, la adaptación al mercado globalizado es crucial para competir en un entorno internacional, pero la baja valoración de este elemento puede indicar que las empresas están encontrando dificultades para adaptarse efectivamente, o que las estrategias globales no siempre se traducen en mejoras inmediatas en la capacidad de innovación.

Por último, la retención de talento generalmente es considerado un aspecto fundamental para la innovación, ya que los empleados con experiencia y conocimiento son vitales para el desarrollo de nuevas ideas y soluciones. La baja valoración de este elemento podría reflejar que, en la práctica, muchas empresas aún no han implementado estrategias efectivas de retención de personal, o que la alta rotación de éste no siempre impacta negativamente la innovación debido a la entrada de nuevas ideas y perspectivas.

Asimismo, el comportamiento y el desempeño innovador son aspectos cruciales para fomentar un ambiente de innovación dentro de las empresas. La baja valoración de estos factores puede ser atribuida a que muchas organizaciones no han logrado institucionalizar comportamientos y prácticas innovadoras de manera efectiva; también puede indicar que, aunque dichos factores son importantes, no se perciben como directamente influyentes en la capacidad de innovación cuando se consideran aislados de una estrategia integral. De igual manera, la experiencia internacional puede proporcionar a las empresas una ventaja competitiva en términos de innovación. La baja valoración de la experiencia internacional podría reflejar que las empresas locales o regionales no han explotado completamente esta ventaja, o que las barreras culturales y operativas limitan los beneficios de la experiencia internacional.

Estos resultados sugieren la necesidad de considerar no sólo la importancia teórica de estos factores, sino también el modo en que se perciben y se implementan en la práctica. Las empresas pueden estar enfrentando desafíos en la integración efectiva de estos elementos en su estrategia de innovación, lo que destaca la necesidad de adoptar un enfoque más holístico y contextualizado.

Los resultados de la meta-regresión, resumidos en la Tabla 3, confirman de manera inequívoca que el tamaño de la empresa ejerce un efecto positivo y consistente sobre su capacidad de innovar (intercepto r ̄ ≈ 0.20 - 0.24 , p < 0.05 ), en línea con la visión schumpeteriana de las economías de escala en I+D (Schumpeter, 1942) y con estudios clásicos sobre el vínculo tamaño-innovación (Audretsch & Acs, 1991; Damanpour, 1992). Aun así, la heterogeneidad residual es muy alta ( I 2 ≈ 98 % ), lo que señala que, aunque la tendencia general es estable, las estimaciones individuales varían notablemente según el contexto de cada investigación.

Entre los 11 moderadores evaluados, destacan dos que refuerzan con solidez estadística la asociación tamaño-innovación. Primero, la inclusión explícita en los modelos de indicadores concretos de innovación (patentes, registro de nuevos productos, colaboraciones tecnológicas, inversiones específicas en I+D) aumenta la correlación z en 0.2748 ( S E = 0.0947 ; z = 2.9008 ; p = 0.0037 ; I C 95 % 0.0891 , 0.4604 ). Este hallazgo respalda la teoría de capacidades dinámicas (Teece et al., 1997) y el concepto de capacidad de absorción (Cohen & Levinthal, 1990) ya que, al aislar las prácticas innovadoras, se reduce el “ruido” metodológico y se capta mejor cómo las empresas hacen uso efectivo de sus recursos y rutinas para generar innovación. Segundo, el alcance “nacional” de los estudios aporta una estimación 0.1136 puntos mayor ( S E = 0.0652 ; z = 1.7436 ; p = 0.0812 ; I C 95 % - 0.0141 , 0.2414 ), lo cual, bajo la lente de la teoría institucional, sugiere que las muestras que comparten marcos regulatorios y culturales homogéneos reducen la variabilidad externa y ofrecen una señal más clara del efecto de la escala.

Por el contrario, otros moderadores relevantes en la bibliografía -antigüedad de la empresa, pertenencia a países de la OCDE, diseño de corte transversal, control de I+D, predominio del sector industrial y las cuatro macrozonas geográficas- no llegan a ser significativos (todos p > 0.35 ) y sus intervalos de confianza incluyen el cero. Esto no implica que carezcan de interés, sino que, dado el tamaño de la muestra metaanalítica ( K = 51 ) y la gran diversidad de metodologías y contextos, la potencia estadística para detectar efectos moderados resulta limitada. Además, la dispersión de estudios en Asia-Pacífico y economías emergentes (K reducido) amplía sus errores estándar, lo que subraya la necesidad de incorporar más trabajos de esas regiones para afinar futuras estimaciones.

En definitiva, los hallazgos apuntan a un patrón de estabilidad global: el tamaño de la empresa es un predictor robusto de capacidad innovadora en países de la OCDE y economías asociadas, pero la intensidad del patrón puede reforzarse cuando los modelos incluyen métricas de innovación precisas o cuando la muestra es nacionalmente homogénea. Estas conclusiones invitan a los investigadores a profundizar en moderadores metodológicos (calidad de los indicadores, diseño longitudinal versus transversal) y en nuevas variables contextuales (redes de colaboración, clústeres regionales, cultura organizativa) que puedan explicar la heterogeneidad residual. Asimismo, para los hacedores de políticas, los resultados sugieren que los programas de apoyo a la innovación deberían estimular no solo el crecimiento en tamaño de las mipymes, sino también la adopción de prácticas innovadoras concretas y la creación de entornos institucionales estables que faciliten la captura de economías de escala en investigación y desarrollo.

Este trabajo presenta ciertas limitaciones que deben considerarse al interpretar los resultados. En primer lugar, aunque el análisis integra un número importante de estudios (K=51), la heterogeneidad observada ( 𝐼 2 ≈ 98%) es elevada, lo cual indica que, a pesar del esfuerzo por controlar moderadores relevantes, persiste una gran variabilidad no explicada. Dicha heterogeneidad puede derivarse de diferencias metodológicas inherentes a los estudios originales, como la definición específica de innovación, el tipo exacto de prácticas innovadoras consideradas o la precisión en la medición del tamaño empresarial. Asimismo, varios de los moderadores analizados -antigüedad, pertenencia a países OCDE, control por inversión en I+D, sector industrial y regiones geográficas- no alcanzaron significación estadística, posiblemente debido al limitado número de observaciones en ciertos subgrupos, en particular en regiones como Asia-Pacífico o economías emergentes. Esta baja potencia estadística implica que algunos efectos moderadores podrían haber quedado subestimados o pasar desapercibidos.

Otra limitación es la probable existencia de sesgo de publicación, dado que los estudios publicados tienden a reportar con mayor frecuencia resultados significativos en comparación con los no publicados, lo que podría haber inflado ligeramente la estimación global del efecto tamaño-innovación. Aunque empleamos técnicas como el funnel plot y el método trim and fill para evaluar este problema, no puede descartarse por completo su impacto en nuestros resultados. Además, la naturaleza retrospectiva y secundaria de los datos -característica propia del metaanálisis- restringe la profundidad con la que podemos explorar determinados factores contextuales, tales como la cultura organizacional interna, las dinámicas particulares de sectores industriales específicos o los cambios temporales en los ecosistemas de innovación.

Finalmente, las conclusiones y recomendaciones derivadas del estudio deben interpretarse en el marco de estas limitaciones metodológicas y contextuales. En futuras investigaciones se podrían superar estos aspectos aumentando el número de estudios en subgrupos menos representados, incorporando otras variables y considerando también investigaciones provenientes de literatura gris o estudios no publicados, para robustecer y refinar los hallazgos aquí presentados.