Porter's Value Chain Design

The conceptualization of the raw sugar value chain in Cuba, adopted in 2020 (Figure 1), allowed for the identification of the processes and actors involved, as well as the risks that have the greatest impact on the quality and safety of the product. Ruiz & Soto (2022)RUIZ, R.; SOTO, I.: “Cadena de valor del azúcar crudo en Cuba”, En: Memorias del Congreso Internacional Diversificación, La Habana, Cuba, 2022, ISBN: 978-959-7165-68-2. identified the direct actors (those involved in the transformation or marketing of the product) and the indirect actors, those who supply inputs and services, as well as regulatory and certifying entities.

Sabato's Triangle Model

The triangle model (Figure 2) by Sabato & Botana (1970)SÁBATO, J.; BOTANA, N.: “La ciencia y la tecnología en el desarrollo futuro de América Latina”, En: The World Order Models Conference, Ed. Instituto de estudios peruanos, Bellagio, Italia, 1970., was used as a framework to analyze the interaction between production factors, business management, and the institutional environment. This approach allowed for visualizing the interdependencies and establishing a conceptual framework for integrating knowledge management into the sugar value chain.

Comparison of ISO Standards

A comparative analysis was conducted of ISO standards related to value chain management and quality in agro-industrial processes. The lack of effective implementation of management systems based on ISO 9000 standards in the sugar sector over the last twenty years was found to be a factor affecting competitiveness. Except in rum production, where the introduction of risk management in these plants found widespread application and contributed to maintaining these products in the international market and increasing the product range, experts assessed that the use of these models is not visible in cooperatives, sugar factories, and other service entities.

A comparative table (Table 1) was prepared with the ISO standards related to quality management, food safety, and sustainability in agro-industrial processes. This comparison allowed for the identification of the requirements established by international standards and their contrast with current practices in the Cuban sugar agro-industry. The analysis was aimed at detecting compliance gaps, areas for improvement and opportunities for alignment with global standards, which constitutes a methodological input to strengthen the competitiveness and sustainability of the value chain.

Knowledge of the NC-ISO standard families that impact sustainability and competitiveness, and in particular the new NC-ISO 56002:2019 standard, will decisively contribute to the paradigm shift in the Cuban sugar sector. (Caballero & Michelena, 2023CABALLERO, N.A.; MICHELENA, E.: “Competitividad del sector cañero-azucarero cubano: aporte potencial de la normalización a su perfeccionamiento”, Ingeniería Industrial, 44(3): 77-93, 2023, ISSN: 1815-5936.).

Statistical modeling using linear regression

The modeling was carried out using five pairs of key variables selected by experts from the AZCUBA Group, who validated their strategic relevance to the value chain. Simple linear models were fitted for each pair of variables, evaluating statistical significance using the p-value and explanatory power using the coefficient of determination (R²). Different functional forms (linear, reciprocal, double reciprocal) were compared to select the best-fitting model. The procedure included:

Regression Analysis - Linear model: $Y=a+bX$

This process allowed the identification of weak relationships between the variables, constituting initial approximations with potential for improvement through transformations or the incorporation of new predictors (Montemayor et al., 2017MONTEMAYOR, T.J.A.; MUNGUÍA, L.J.; SEGURA, C.M.Á.; YESCAS, C.P.; OROZCO, V.J.A.; WOO, R.J.L.: “La regresión lineal en la evaluación de variables de ingeniería de riego agrícola y del cultivo de maíz forrajero”, Acta universitaria, 27(1): 40-44, 2017, ISSN: 0188-6266.; Fernández et al., 2019FERNÁNDEZ, C.L.; RANGEL, M. de O.L.; GUERRA, B.C.W.; POZO, F.M.: “Modelación estadístico-matemática en procesos agrarios. Una aplicación en la Ingeniería Agrícola”, Revista Ciencias Técnicas Agropecuarias, 28(2), 2019, ISSN: 2071-0054.; García & López, 2023GARCÍA, P.; LÓPEZ, R.: “Aplicaciones de la regresión lineal en la gestión de cadenas de valor agroindustriales”, Revista Iberoamericana de Estadística Aplicada, 15(1): 33-48, 2023.).

The selection and validation of the variables were carried out using expert criteria from the AZCUBA Group, who contributed specialized knowledge on the production and administrative processes of the sugar agro-industry. This process ensured the appropriateness of the variables used in the models and their relevance to the integrated management of the value chain.

Cause-and-effect diagram

The analysis of the situation in the Cuban sugar sector, carried out by a Temporary Working Group made up of academics, specialists, and sector managers, proposed an action plan for its recovery. One of the actions is to design a new management model for this value chain. (AZCUBA, 2021AZCUBA: Plan de acción para la implementación de las medidas aprobadas para salvar al sector azucarero, Inst. Grupo AZCUBA, Publicaciones Azucareras, informe institucional, La Habana, Cuba, 2021.).

According to Caballero & Michelena (2023)CABALLERO, N.A.; MICHELENA, E.: “Competitividad del sector cañero-azucarero cubano: aporte potencial de la normalización a su perfeccionamiento”, Ingeniería Industrial, 44(3): 77-93, 2023, ISSN: 1815-5936., strategic foresight exercises were conducted in all sugar companies in the country, identifying internal strengths and weaknesses, as well as the threats and opportunities presented by the environment. These were weighed, and possible scenarios for the recovery and development of each entity were conceived, along with their corresponding specific action plans.

The analysis revealed low competitiveness as the central problem, associated with deficiencies in management, the workforce, supply, machinery, the market, and the environment. This instrument complemented the statistical modeling by offering a qualitative perspective on the structural factors that condition the performance of the value chain.

Selection of experts and key variables

The research used as methodological input the 10 key variables [1. Sugarcane Production (SC), 2. Working Capital (WC), 3. Management Model (MM), 4. Workforce (WM), 5. Profitability (P), 6. Innovation (I), 7. Utilization of Industrial Capacity (UIC), 8. Maintenance of Agricultural Machinery (MMA), 9. Resource Management (RM), and 10. Staff Training (ST)] previously defined by experts from the AZCUBA Group, who have extensive experience in the management of production and administrative processes in the sugar agro-industry. These variables, already validated in internal studies by the institution, were classified as dependent and independent and used directly in the statistical modeling.

The decision to work with these variables ensured the relevance of the analysis and its coherence with the sector's strategic objectives. These variables were integrated into five pairs of relationships, on which simple linear regression models were fitted. The analysis focused on evaluating the statistical significance of the parameters and the explanatory power of each model, in order to determine the existence of relationships and dependencies within the sugar agro-industry value chain.

Relational analysis of key variables

The results show the fit of a linear model to describe the relationship between R and PC. The equation of the fitted model is $R=10.5333-0.13333*PC$ . The p-value ≥ 0.10 indicates that there is no statistically significant relationship between R and PC at a 90% (or higher) confidence level.

Since the p-value is greater than 0.05, there is no evidence of serial autocorrelation in the residuals.

Of the fitted models, the linear model has the highest R-squared value, at 0.784314%. This is the currently selected model.

The relationship between R and PC was practically nil, with minimal explanatory power. This finding suggests that the raw material price is not a suitable predictor of performance under current industry conditions.

The results show the fit of a linear model to describe the relationship between investment (I) and the maximum average cost (MMA). The fitted model equation is $I=\mathrm{7,37097}+\mathrm{0,177419}*MMA$

The p-value ≥ 0.10 indicates that there is no statistically significant relationship between I and MMA at a 90% (or higher) confidence level.

Of the fitted models, the two-reciprocal model has the highest R-squared value, at 5.24431%. This is 2.28732% higher than that of the selected linear model.

The relationship between I and MMA showed a slight dependence. The low level of statistical significance indicates that the model requires transformations of the variables to better capture the dynamics between investment and technological modernization.

The results show the fit of a linear model to describe the relationship between CT and ACI. The equation of the fitted model is $CT=\mathrm{15,5357}-\mathrm{0,678571}*ACI$

A p-value ≥ 0.10 indicates no statistically significant relationship between CT and ACI at the 90% confidence level (or higher).

Of the fitted models, the two-reciprocal model has the highest R-squared value, at 23.7509%. This is 2.95595% higher than that of the selected linear model.

The model relating CT to ACI showed a weak relationship, with a low coefficient of determination (R²). Although insufficient in its current state, it constitutes an initial approximation that suggests the need to incorporate new predictors to improve its explanatory power.

The results show the fit of a linear model to describe the relationship between FL and CP. The equation of the fitted model is $FL=\mathrm{7,0}+\mathrm{0,264706}*CP$

A p-value ≥ 0.10 indicates no statistically significant relationship between FL and CP at the 90% confidence level (or higher).

Of the fitted models, the linear model has the highest R-squared value, at 9.1629%. This is the currently selected model.

The model linking FL to CP showed a weak relationship, although with some potential for improvement. The low competitiveness identified in the cause-and-effect diagram is reflected in this result, showing that the workforce, in its current state, does not significantly impact product competitiveness.

The results show the fit of a linear model to describe the relationship between MG and AR. The equation of the fitted model is $G=\mathrm{9,56522}-\mathrm{0,0217391}*AR$

With a p-value ≥ 0.10, there is no statistically significant relationship between MG and AR at a 90% (or higher) confidence level.

Of the fitted models, the reciprocal Y model has the highest R-squared value, at 0.336606%. This is 0.293128% higher than the selected linear model.

The model relating MG and AR also showed a very low level of significance, making it inadequate to describe the relationship between these variables. This result coincides with the administrative deficiencies identified in the cause-and-effect diagram.

Of the five models evaluated, only three show a weak relationship between the variables, indicating potential for improvement, although they do not reach statistical significance. In particular, the double reciprocal model for CT-ACI shows the highest level of fit (R² = 23.75%), constituting the most promising approach. Similarly, the double reciprocal model for I-MMA (R² = 5.24%) and the linear model for FL-CP (R² = 9.16%) show incipient relationships that could be strengthened through transformations of the variables or the incorporation of additional predictors. On the other hand, the R-PC and MG-AR models present extremely low R² values (0.78% and 0.33%, respectively), reflecting a lack of explanatory power and making them inadequate in their current form.

More suitable (though not optimal) models:

The coefficients obtained in these models indicate how the dependent variable changes in response to changes in the independent variables, allowing us to identify which factors have the greatest influence on product quality and customer satisfaction, as well as to evaluate the environmental impact associated with the implemented practices.

The results show that the relationships between the key variables are weak and do not reach optimal levels of statistical significance. However, three of the models (CT-ACI, I-MMA, and FL-CP) are initial approximations with potential for improvement through variable transformations or the incorporation of new predictors.

Comparison with ISO standards revealed gaps in the application of international standards, limiting the sector's efficiency and sustainability. These gaps partially explain the models' weakness, as the lack of alignment with globally recognized quality and management practices affects data consistency and the models' ability to capture significant relationships.

The cause-and-effect diagram complemented the statistical analysis by highlighting low competitiveness as a central problem, associated with deficiencies in administration, the workforce, supply, machinery, the market, and the environment. These structural factors condition the models' effectiveness and underscore the need for integrated management that combines innovation, operational efficiency, and compliance with international standards.

Diseño de la cadena de valor por Porter

La conceptualización de la cadena de valor del azúcar crudo en Cuba, adoptada en 2020 (Figura 1), permitió identificar los procesos y actores involucrados, así como los riesgos que tienen mayor incidencia en la calidad e inocuidad del producto. Ruiz y Soto (2022)RUIZ, R.; SOTO, I.: “Cadena de valor del azúcar crudo en Cuba”, En: Memorias del Congreso Internacional Diversificación, La Habana, Cuba, 2022, ISBN: 978-959-7165-68-2. identificaron los actores directos (aquellos que intervienen en la transformación o comercialización del producto) y los actores indirectos, aquellos que suministran insumos y servicios, así como entidades reguladoras y certificadoras (Porter, 2008PORTER, M.E.: Competitive advantage: Creating and sustaining superior performance, Ed. Simon and Schuster, 2008, ISBN: 1-4165-9584-8.).

Modelo triángulo de Sábato

El modelo triángulo (Figura 2) de Sabato y Botana (1970)SÁBATO, J.; BOTANA, N.: “La ciencia y la tecnología en el desarrollo futuro de América Latina”, En: The World Order Models Conference, Ed. Instituto de estudios peruanos, Bellagio, Italia, 1970., se utilizó como marco de referencia para analizar la interacción entre los factores de producción, la gestión empresarial y el entorno institucional. Este enfoque permitió visualizar las interdependencias y establecer un marco conceptual para la integración de la gestión del conocimiento en la cadena de valor azucarera.

Cotejo de las normas ISO

Se realizó un análisis comparativo de las normas ISO relacionadas con la gestión de la cadena de valor y la calidad en procesos agroindustriales. Se evidenció la falta de implementación efectiva de sistemas de gestión basados en las normas ISO 9000 en el sector azucarero en los últimos veinte años es un elemento que afecta la competitividad. Excepto en la producción de ron, donde la introducción de la gestión de riesgos en esas plantas encontró amplia aplicación y contribuyó a mantener estos productos en el mercado internacional e incrementar el surtido, se evaluó por los expertos que no es visible la utilización de estos modelos en cooperativas, fábricas de azúcar y otras entidades de servicios.

Se elaboró una tabla comparativa (Tabla 1) con las normas ISO relacionadas con la gestión de la calidad, la seguridad alimentaria y la sostenibilidad en procesos agroindustriales. Este cotejo permitió identificar los requisitos establecidos por los estándares internacionales y contrastarlos con las prácticas vigentes en la agroindustria azucarera cubana. El análisis se orientó a detectar brechas de cumplimiento, áreas de mejora y oportunidades de alineación con estándares globales, lo cual constituye un insumo metodológico para fortalecer la competitividad y sostenibilidad de la cadena de valor.

El conocimiento de las familias de normas NC-ISO que impactan en la sostenibilidad y competitividad y de forma particular, la nueva norma NC-ISO 56002: 2019 contribuirá de forma decisiva al cambio de paradigmas en el sector azucarero cubano. (Caballero y Michelena, 2023CABALLERO, N.A.; MICHELENA, E.: “Competitividad del sector cañero-azucarero cubano: aporte potencial de la normalización a su perfeccionamiento”, Ingeniería Industrial, 44(3): 77-93, 2023, ISSN: 1815-5936.).

Modelación estadística mediante regresión lineal

La modelación se llevó a cabo utilizando cinco pares de variables clave seleccionadas por expertos del Grupo AZCUBA, quienes validaron su relevancia estratégica para la cadena de valor. Para cada par de variables se ajustaron modelos lineales simples, evaluando la significancia estadística mediante el p - valor y la capacidad explicativa a través del coeficiente de determinación (R²). Se compararon diferentes formas funcionales (lineal, recíproca, doble recíproca) con el fin de seleccionar el modelo con mejor ajuste. El procedimiento incluyó:

Regression Analysis - Linear model: $Y=a+bX$

Este proceso permitió identificar relaciones débiles entre las variables, constituyendo aproximaciones iniciales con potencial de mejora mediante transformaciones o incorporación de nuevos predictores (Montemayor et al., 2017MONTEMAYOR, T.J.A.; MUNGUÍA, L.J.; SEGURA, C.M.Á.; YESCAS, C.P.; OROZCO, V.J.A.; WOO, R.J.L.: “La regresión lineal en la evaluación de variables de ingeniería de riego agrícola y del cultivo de maíz forrajero”, Acta universitaria, 27(1): 40-44, 2017, ISSN: 0188-6266.; Fernández et al., 2019FERNÁNDEZ, C.L.; RANGEL, M. de O.L.; GUERRA, B.C.W.; POZO, F.M.: “Modelación estadístico-matemática en procesos agrarios. Una aplicación en la Ingeniería Agrícola”, Revista Ciencias Técnicas Agropecuarias, 28(2), 2019, ISSN: 2071-0054.; García y López, 2023GARCÍA, P.; LÓPEZ, R.: “Aplicaciones de la regresión lineal en la gestión de cadenas de valor agroindustriales”, Revista Iberoamericana de Estadística Aplicada, 15(1): 33-48, 2023.).

La selección y validación de las variables se realizó mediante el criterio de expertos del Grupo AZCUBA, quienes aportaron conocimiento especializado sobre los procesos productivos y administrativos de la agroindustria azucarera. Este proceso garantizó la pertinencia de las variables utilizadas en los modelos y su relevancia para la gestión integrada de la cadena de valor.

Diagrama causa - efecto

El análisis de la situación del sector azucarero cubano, realizado por un Grupo Temporal de Trabajo, formado por académicos, especialistas y directivos del sector, propuso un plan de acciones para su rescate. Una de las acciones es diseñar un nuevo modelo de gestión para esta cadena de valor (AZCUBA, 2021AZCUBA: Plan de acción para la implementación de las medidas aprobadas para salvar al sector azucarero, Inst. Grupo AZCUBA, Publicaciones Azucareras, informe institucional, La Habana, Cuba, 2021.).

Según Caballero y Michelena (2023)CABALLERO, N.A.; MICHELENA, E.: “Competitividad del sector cañero-azucarero cubano: aporte potencial de la normalización a su perfeccionamiento”, Ingeniería Industrial, 44(3): 77-93, 2023, ISSN: 1815-5936., fueron realizados ejercicios de prospectiva estratégica en todas las empresas azucareras del país y se identificaron las fortalezas y debilidades internas y las amenazas y oportunidades que brinda el entorno. Se ponderaron las mismas y se llegó a concebir los posibles escenarios para el rescate y desarrollo de cada entidad, con sus correspondientes planes específicos de acciones.

El análisis reveló como problema central la baja competitividad, asociada a deficiencias en la administración, la fuerza de trabajo, el suministro, la maquinaria, el mercado y el entorno. Este instrumento complementó la modelación estadística al ofrecer una perspectiva cualitativa sobre los factores estructurales que condicionan el desempeño de la cadena de valor.

Selección de expertos y variables clave

La investigación utilizó como insumo metodológico las 10 variables clave [1. Producción de caña (PC), 2. Capital de trabajo (CT), 3. Modelo de gestión (MG), 4. Fuerza laboral (FL), 5. Rentabilidad (R), 6. Innovación (I), 7. Aprovechamiento de la capacidad industrial (ACI), 8. Mantenimiento de la maquinaria agrícola (MMA), 9. Administración de los recursos (AR) y 10. Capacitación del personal (CP)] previamente definidas por expertos del Grupo AZCUBA, quienes cuentan con amplia experiencia en la gestión de procesos productivos y administrativos de la agroindustria azucarera. Estas variables, ya validadas en estudios internos de la institución, fueron clasificadas en dependientes e independientes y se emplearon directamente en la modelación estadística.

La decisión de trabajar con estas variables permitió garantizar la pertinencia del análisis y la coherencia con los objetivos estratégicos del sector. Estas se integraron en cinco pares de relaciones, sobre los cuales se ajustaron modelos de regresión lineal simple. El análisis se centró en evaluar la significancia estadística de los parámetros y la capacidad explicativa de cada modelo, con el fin de determinar la existencia de relaciones y dependencias dentro de la cadena de valor de la agroindustria azucarera.

Análisis relacional de variables claves

El resultado muestra los resultados del ajuste de un modelo lineal para describir la relación entre R y PC. La ecuación del modelo ajustado es $R=\mathrm{10,5333}-\mathrm{0,13333}*PC$

P-valor ≥ 0,10, lo que indica que no existe una relación estadísticamente significativa entre R y PC a un nivel de confianza del 90% (o superior)

Dado que el valor p es superior a 0,05, no hay indicios de autocorrelación serial en los residuos.

De los modelos ajustados, el modelo lineal presenta el valor R-cuadrado más alto, con un 0,784314 %. Este es el modelo seleccionado actualmente.

La relación entre el R con la PC resultó prácticamente nula, con un poder explicativo mínimo. Este hallazgo sugiere que el precio de la materia prima no es un predictor adecuado del rendimiento en las condiciones actuales del sector.

El resultado muestra los resultados de ajustar un modelo lineal para describir la relación entre la I y el MMA. La ecuación del modelo ajustado $I=\mathrm{7,37097}+\mathrm{0,177419}*MMA$

P - valor ≥0,10; no existe una relación estadísticamente significativa entre I y MMA con un nivel de confianza del 90% (o superior).

De los modelos ajustados, el modelo doble recíproco presenta el valor R - cuadrado más alto, con un 5,24431%. Esto es un 2,28732% mayor que el del modelo lineal seleccionado.

La relación entre la I con MMA evidenció una dependencia leve. El bajo nivel de significancia estadística indica que el modelo requiere transformaciones de las variables para captar mejor la dinámica entre inversión y modernización tecnológica.

El resultado muestra los resultados del ajuste de un modelo lineal para describir la relación entre CT y ACI. La ecuación del modelo ajustado es $CT=\mathrm{15,5357}-\mathrm{0,678571}*ACI$

P - valor en ≥0,10, no existe una relación estadísticamente significativa entre CT y ACI en el nivel de confianza del 90% (o superior).

De los modelos ajustados, el modelo doble recíproco presenta el valor R - cuadrado más alto, con un 23,7509%. Esto es un 2,95595% mayor que el del modelo lineal seleccionado.

El modelo que relaciona el CT con el ACI mostró una relación débil, con bajo coeficiente de determinación (R²). Aunque insuficiente en su estado actual, constituye una aproximación inicial que sugiere la necesidad de incorporar nuevos predictores para mejorar la capacidad explicativa.

El resultado muestra los resultados de ajustar un modelo lineal para describir la relación entre FL y CP. La ecuación del modelo ajustado es $FL=\mathrm{7,0}+\mathrm{0,264706}*CP$

P - valor en ≥0,10, no existe una relación estadísticamente significativa entre FL y CP en el nivel de confianza del 90% (o superior).

De los modelos ajustados, el modelo lineal presenta el valor R - cuadrado más alto, con un 9,1629%. Este es el modelo seleccionado actualmente.

El modelo que vincula la FL con la CP presentó una relación débil, aunque con cierto potencial de mejora. La baja competitividad identificada en el diagrama causa-efecto se refleja en este resultado, mostrando que la fuerza de trabajo, en su estado actual, no logra impactar significativamente en la competitividad del producto.

El resultado muestra los resultados de ajustar un modelo lineal para describir la relación entre MG y AR. La ecuación del modelo ajustado es $MG=\mathrm{9,56522}-\mathrm{0,0217391}*AR$

P-valor ≥ 0,10, no existe una relación estadísticamente significativa entre MG y AR con un nivel de confianza del 90% (o superior).

De los modelos ajustados, el modelo Y recíproco presenta el valor R-cuadrado más alto, con un 0,336606%. Esto es un 0,293128% mayor que el modelo lineal seleccionado.

El modelo que relaciona el MG y la AR mostró igualmente un nivel de significancia muy bajo, lo que lo hace inadecuado para describir la relación entre estas variables. Este resultado coincide con las deficiencias administrativas señaladas en el diagrama causa - efecto.

Del conjunto de cinco modelos evaluados, únicamente tres presentan una relación débil entre las variables, lo que indica un potencial de mejora, aunque no alcanzan criterios de significancia estadística. En particular, el modelo doble recíproco para CT - ACI muestra el mayor nivel de ajuste (R² = 23,75%), constituyendo la aproximación más prometedora. De manera similar, el modelo doble recíproco para I-MMA (R² = 5,24%) y el modelo lineal para FL - CP (R² = 9,16%) evidencian relaciones incipientes que podrían fortalecerse mediante transformaciones de las variables o la incorporación de predictores adicionales. Por otro lado, los modelos R - PC y MG - AR presentan valores de R² extremadamente bajos (0,78% y 0,33%, respectivamente), lo que refleja una ausencia de capacidad explicativa y los hace inadecuados en su forma actual.

Modelos más adecuados (aunque no óptimos):

Los coeficientes obtenidos en estos modelos indican cómo cambia la variable dependiente ante cambios en las variables independientes que permite identificar qué factores tienen mayor influencia sobre la calidad del producto y la satisfacción del cliente, así como evaluar el impacto ambiental asociado a las prácticas implementadas.

Los resultados evidencian que las relaciones entre las variables clave son débiles y no alcanzan niveles óptimos de significancia estadística. Sin embargo, tres de los modelos (CT - ACI, I - MMA y FL - CP) constituyen aproximaciones iniciales con potencial de mejora mediante transformaciones de las variables o la incorporación de nuevos predictores.

El cotejo de las normas ISO permitió identificar brechas en la aplicación de estándares internacionales, lo que limita la eficiencia y sostenibilidad del sector. Estas brechas explican en parte la debilidad de los modelos, ya que la falta de alineación con prácticas de calidad y gestión reconocidas globalmente afecta la consistencia de los datos y la capacidad de los modelos para captar relaciones significativas.

El diagrama causa - efecto complementó el análisis estadístico al señalar como problema central la baja competitividad, asociada a deficiencias en la administración, la fuerza de trabajo, el suministro, la maquinaria, el mercado y el entorno. Estos factores estructurales condicionan la efectividad de los modelos y ponen de manifiesto la necesidad de una gestión integrada que articule la innovación, la eficiencia operativa y el cumplimiento de normas internacionales.