Determinantes de la inversión en I+D en las empresas: Evidencia mediante aprendizaje automático

• Autores: Rodrigo Rivera Pérez, Andrés Valenzuela Keller, Francisco Gálvez Gamboa, Elena Puerto Casasnovas
• Localización: Cuadernos del CIMBAGE, ISSN-e 1669-1830, ISSN 1666-5112, Vol. 1, Nº. 28, 2026 (Ejemplar dedicado a: Cuadernos del CIMBAGE N°28 (Junio 2026)), págs. 27-46
• Idioma: español
• DOI: 10.56503/CIMBAGE/Vol.1/Nro.28(2026)/3620
• Títulos paralelos:
  • Determinants of R&D investment in firms: Evidence from machine learning
• Enlaces
  • Texto completo
• Resumen
  • español

    El objetivo de este estudio es analizar los factores que influyen en la decisión de inversión en investigación y desarrollo (I+D) en las empresas y evaluar su relación con el desempeño empresarial. Se emplea un enfoque cuantitativo y explicativo utilizando datos de la “Encuesta sobre gasto y personal en investigación y desarrollo (I+D) empresas, año 2021”. Para ello, se comparan distintos algoritmos de aprendizaje supervisado, regresión logística, Árbol de Decisión, máquinas de vectores de soporte (SVM) y redes neuronales con el fin de identificar los determinantes de la inversión en I+D y evaluar su capacidad predictiva. Los resultados muestran que el Árbol de Decisión presenta el mejor desempeño, evidenciando la relevancia de factores como el nivel de ventas, el tamaño de la empresa y el capital humano. Asimismo, se observa una asociación positiva entre la inversión en I+D y el desempeño empresarial. Este estudio contribuye a la literatura al integrar técnicas de aprendizaje automático en el análisis económico de la innovación, evidenciando su utilidad para capturar relaciones no lineales en decisiones empresariales. Se concluye que la I+D debe considerarse una inversión estratégica.

  • English

    The objective of this study is to analyze the factors influencing firms’ decisions to invest in research and development (R&D) and to examine their relationship with business performance. A quantitative and explanatory approach is applied using data from the “Survey on Expenditure and Personnel in Research and Development (R&D), 2021”. To achieve this, different supervised learning algorithms—logistic regression, Decision Tree, support vector machines (SVM), and neural networks—are compared in order to identify the determinants of R&D investment and assess their predictive performance. The results show that the Decision Tree model provides the best overall performance, highlighting the importance of factors such as sales, firm size, and human capital. In addition, a positive association between R&D investment and firm performance is observed. This study contributes to the literature by integrating machine learning techniques into the economic analysis of innovation, demonstrating their usefulness in capturing non-linear relationships in business decision-making. It is concluded that R&D should be considered a strategic investment for firms.