Artículo de Investigación                  DOI: https://doi.org/10.61154/holopraxis.v10i2.4804

 

Mapas cognitivos difusos para modelar la transferencia de tecnología en universidades privadas mexicanas

 

Fuzzy cognitive maps to model technology transfer in Mexican private universities

 

Mónica Pérez-Castañedaa, Argelia Fabiola Miranda-Pérezb, David Salvador González-Gonzálezc, José Saúl Arias-Cerónd

 

a Universidad Popular Autónoma del Estado de Puebla. Universidad Anáhuac Puebla. Puebla, México. Email: monica.perez01@upaep.edu.mx, monica.perezca@anahuac.mx Orcid: https://orcid.org/0000-0002-4521-8076

b Universidad Popular Autónoma del Estado de Puebla. Puebla, México. Email: argeliafabiola.miranda@upaep.mx, ORCID: https://orcid.org/0000-0002-6168-0279

c Universidad Autónoma de Coahuila, Coahuila, México. Email: david.gonzalez@uadec.edu.mx, Orcid: https://orcid.org/0000-0002-8135-4403  

d Universidad Popular Autónoma del Estado de Puebla. Puebla, México. Email: josesaul.arias@upaep.mx, Orcid: https://orcid.org/0000-0001-7740-1281

 

RESUMEN

La transferencia de tecnología universidad-industria ha sido considerada como un motor de innovación; sin embargo, en México se identificó un rezago reflejado en dependencia tecnológica, limitada comercialización del conocimiento y baja generación de patentes. Aunque las universidades privadas son actores relevantes, no se encontró evidencia de datos oficiales actualizados que la cuantifiquen, y estudios sobre las variables que la impulsan. Ante esto el objetivo fue diseñar un mapa cognitivo difuso (MCD) que modele las relaciones entre las variables que intervienen en la transferencia con el fin de identificar las más influyentes. Se empleó un enfoque mixto, con predominio cualitativo que integró revisión documental, entrevistas a expertos de las Oficinas de Transferencia de Tecnología (OTT) y análisis mediante MCD. Con la información se construyó una matriz de adyacencia aumentada, se calcularon medidas de centralidad y se realizaron simulaciones de escenarios. Los resultados mostraron que las patentes, la OTT, los licenciamientos y el autofinanciamiento son los pilares del sistema, destacando las patentes con la centralidad más alta. Las simulaciones demostraron que la activación conjunta de variables permitió una rápida convergencia del sistema, la OTT generó resultados de convergencia en dos iteraciones del recurso privado, mientras que el autofinanciamiento tuvo un efecto inmediato sobre los resultados de transferencia. Se concluyó que la transferencia de tecnología en universidades privadas depende de la articulación de capacidades internas, donde el financiamiento propio, la gestión del conocimiento por medio de las OTT y generación del conocimiento protegido resultan determinantes para fortalecer el ecosistema de innovación.

Descriptores: Transferencia de tecnología; Universidad privada; Metodología. (Tesauro UNESCO)

 

ABSTRACT

University–industry technology transfer has been considered a driver of innovation; however, in Mexico, a lag has been identified, reflected in technological dependence, limited knowledge commercialization, and low patent generation. Although private universities are relevant actors, no updated official data quantifying their contribution was found, nor sufficient studies on the variables that drive this process. In response, the objective was to design a Fuzzy Cognitive Map (FCM) to model the relationships among the variables involved in technology transfer in order to identify the most influential ones. A mixed-methods approach was employed, with a predominance of qualitative methods, integrating literature review, interviews with experts from Technology Transfer Offices (TTOs), and analysis using FCM. Based on this information, an augmented adjacency matrix was constructed, centrality measures were calculated, and scenario simulations were conducted. The results showed that patents, TTOs, licensing, and self-financing are the pillars of the system, with patents exhibiting the highest centrality. Simulations demonstrated that the joint activation of variables allowed rapid system convergence; TTOs achieved convergence results in two iterations of private funding, while self-financing had an immediate effect on technology transfer outcomes. It was concluded that technology transfer in private universities depends on the articulation of internal capabilities, where self-financing, knowledge management through TTOs, and the generation of protected knowledge are key determinants for strengthening the innovation ecosystem.

Descriptors: Technology transfer; Private university; Methodology. (UNESCO Thesaurus).

 

Recibido: 13 de abril de 2026

Aprobado: 27 de junio de 2026

 

INTRODUCCIÓN

La transferencia de tecnología entre universidad e industria se concibe como un proceso estratégico motor clave para la innovación, ya que posibilita que el conocimiento académico se transforme en valor económico y social. En México, la transferencia tecnológica inicia de manera incipiente en los años ochenta con los primeros convenios de licenciamiento y solicitudes de patentes, empleando un enfoque de empuje de tecnología al mercado, realizando los primeros convenios de licenciamiento, reglamentos para las solicitudes de patentes y creación de Oficinas de Transferencia de Tecnología (OTT) en universidades académicas a lo largo del país.

Posteriormente en años recientes el proceso se formaliza a partir del impulso del gobierno mexicano en el 2011, tomando como base el modelo de las OTT, con la creación del Fondo Sectorial de Innovación Secretaría de Economía-CONACYT (FINNOVA), para el fomento de la creación y fortalecimiento de las OTT, cuyo objetivo estaba centrado en la vinculación entre instituciones generadoras de conocimiento y sector privado, para facilitar la transferencia de conocimiento por medio de consultorías, licenciamientos y startups, sin embargo la discontinuidad en el programa redujo el  número de OTT de 117 en 2014 a 75 en 2018 (Lima-Solís et al., 2020).

En este sentido, a nivel mundial este proceso parece haber alcanzado la madurez, particularmente en países como Estados Unidos, el establecimiento de las OTT ha consolidado el proceso. En México, a pesar del impulso del gobierno mexicano para el fomento de la transferencia, las OTT mexicanas aún muestran limitaciones significativas, representado en bajos niveles de patentamiento y una diferencia del 199.54% de solicitudes de patentes respecto al país líder, esto se refleja en que en las empresas mexicanas pagan altos montos por regalías de tecnología extranjera, a la vez que muchas invenciones nacionales no se protegen y se observa alta dependencia tecnológica de países extranjeros (AUTM, 2022; Díaz Rodríguez y Morales Sánchez, 2023; Lima-Solís et al., 2020; WIPO, 2022).

En este contexto, las universidades mexicanas públicas y privadas son actores esenciales. De acuerdo con Díaz-Pérez y Soria-López (2020), aunque las instituciones públicas dominan la producción científica, las universidades privadas destacan por su estrecha vinculación con el sector productivo, su capacidad para generar alianzas estratégicas, su flexibilidad institucional y su capital intelectual consolidado (Fernandes y Carvalho Machado, 2019; Herrera-Tapia y Suárez-Rincón, 2021).

Estas fortalezas las posicionan como espacios privilegiados para dinamizar la transferencia tecnológica. Sin embargo, muchas aún carecen de esquemas formales, estructuras internas o métricas para gestionar y evaluar sus procesos de transferencia, lo que dificulta identificar áreas de mejora y consolidar su aportación al ecosistema nacional de innovación. Esta brecha evidencia la necesidad de desarrollar enfoques analíticos que permitan comprender y fortalecer su desempeño en este ámbito.

Con relación a la evaluación del rendimiento de la transferencia de tecnología, esta ha sido ampliamente estudiada mediante diferentes modelos, destacan en la literatura tres tipos principales, los econométricos, análisis envolvente de datos y modelos híbridos o difusos.

Por otra parte los modelos econométricos estos buscan identificar los factores críticos que influyen en los resultados obtenidos por las universidades, mediante técnicas de regresión estadística, entre ellos destacan estudios como el de (Caldera y Debande, 2010), que muestran que elementos institucionales como políticas formales, tamaño y experiencia de las OTT, así como la existencia de parques científicos explican diferencias significativas en ingresos por contratos, licencias y creación de empresas derivadas.

En su estudio Zhang y Zeng (2025), encuentran que la gobernanza de las OTT es fundamental para la obtención de resultados de transferencia. Ahora bien, en el contexto de los recursos financieros, Belitski et al. (2019) encuentran que, el financiamiento industrial es un determinante clave del rendimiento,

Del mismo modo Rizzo y Ramaciotti (2014), evalúan los factores determinantes para la obtención de patentes, encontrando que el recurso público es un factor clave en la probabilidad de realizar solicitud de patentes, en esta misma línea Wang y Liu (2022), profundizan sobre el papel del financiamiento industrial en la transferencia de tecnología, señalan que este no solo reduce la presión de las universidades para obtener recursos sino que incentiva la colaboración, sus resultados señalan que efectivamente este tiene un efecto positivo en la transferencia de tecnología. Mientras que por otro lado Huian et al. (2023) destacan que los recursos humanos altamente calificados y las capacidades comerciales influyen positivamente en la obtención de patentes en universidades públicas,

En otro contexto Kleiner-Schaefer y Schaefer (2022), analizan las limitaciones para las colaboraciones entre universidad industria, mediante un análisis econométrico señalan que la limitada información sobre las oportunidades de colaboración y la falta de recursos financieros son la principal barrera del proceso.

Por otro lado Fernández-Alles et al. (2025), evalúan como la ambidexteridad, la capacidad de equilibrar estrategias de explotación y exploración de las organizaciones y de los individuos influye en la generación de resultados de transferencia, encontrando que la ambidexteridad organizacional es determinante para la creación de empresas derivadas. Si bien estos modelos permiten aislar efectos específicos, su principal limitación radica en que cada regresión analiza una única variable dependiente, lo que dificulta capturar la interacción entre diferentes variables y su comportamiento en un sistema complejo como el de las universidades privadas.

Los modelos con análisis envolvente de datos (AED), se han empleado para medir la eficiencia relativa entre unidades comparables, permitiendo construir una frontera eficiente a partir de múltiples variables de entrada y salida, lo que facilita la evaluación del desempeño de instituciones que operan bajo condiciones similares.

En este sentido diversos estudios han aplicado esta técnica para analizar la transferencia de tecnología en universidades, tal es el caso de Ho et al. (2014), que desarrolla un modelo de dos etapas que considera como variables de entrada fuentes de financiamiento, variables intermedias, solicitud y obtención de patentes, y variables de salida licenciamientos, ingresos derivados y creación de emprendimientos. Sus resultados indican que las universidades tienden a ser eficientes en solo una de las etapas, pero no en ambas, lo que sugiere que la generación y comercialización de conocimiento requiere de habilidades diferenciadas. De manera similar Anderson et al. (2007), encuentran que variables como la naturaleza de las instituciones públicas o privadas no presentan efectos significativos de desempeño, en este misma línea Liu et al. (2026), emplean derivados del AED, para evaluar las diferencias entre la efectividad de la transferencia de tecnología en diferentes regiones de China, encontrando que las zonas más desarrolladas presentan una mejor articulación entre oferta y demanda tecnológica, mientras que otras enfrentan problemas de asignación de recursos y rezago en la innovación.

En relación con esta técnica, a pesar de que es capaz de evaluar la eficiencia de la transferencia de tecnología, empleando numerosas variables de entrada y salida, puede ser que no tenga el alcance para incluir variables difíciles de cuantificar como elementos cualitativos como factores organizacionales o cultura presentes dentro del proceso de transferencia  (D. W. L. Hsu et al., 2015).

Por esta razón, otros autores han optado por metodologías alternativas, como el uso de técnicas difusas, análisis cualitativo comparado o modelos híbridos que permiten capturar relaciones complejas. Hsu et al. (2015), combinan el método Delphi difuso, modelo estructural interpretativo y el proceso analítico de redes, para evaluar el rendimiento en universidades, encontrando que los factores humanos e institucionales son los más influyentes. En el contexto mexicano, Calderón-Altamirano y Rodríguez (2023) demuestran, mediante análisis comparativo cualitativo, que capacidades institucionales, académicas y emprendedoras explican el alto desempeño en universidades públicas estatales. De manera complementaria Zarea et al. (2025), analizan la transferencia de tecnología desde la perspectiva de los centros de investigación, a partir de AED y análisis comparativo cualitativo de conjuntos difusos, encuentran que el liderazgo, la participación de estudiantes de posgrado y la participación de actores externos, influye de manera positiva como negativa en el desempeño dependiendo su configuración en el sistema, lo que refuerza la noción de la causalidad compleja en la transferencia de tecnología.

En este mismo sentido Quiñones et al. (2019), analiza el proceso mediante el uso de método Delphi y mapas cognitivos difusos, encontrando que, de 24 barreras para la transferencia, la desalineación entre los objetivos de investigación y comercialización es la barrera más relevante, mientras que los altos costos de proyectos colaborativos y la burocracia tienen mayor impacto sobre todas las variables, lo que hace énfasis en la característica dinámica del sistema de transferencia y como existen relaciones fuertes entre variables que las potencian o limitan de acuerdo al contexto.

Enfoques adicionales basados en mapas cognitivos difusos se emplean para evaluar el rendimiento de la transferencia de tecnología en las OTT, Bigliardi et al. (2015) analizan el desempeño de una OTT en el contexto de la industria alimentaria para observar los factores que afectan el rendimiento, empleando mapas cognitivos difusos, método Delphi y finalmente simulaciones del modelo. Los resultados indican que el financiamiento público, la demanda espontánea de las empresas, así como los intermediarios tecnológicos son significativos para el número de proyectos de transferencia.

De la misma manera Ustundag et al. (2011), emplean mapas cognitivos difusos y simulación de escenarios, considerando factores internos y externos que influyen en el rendimiento de la transferencia de tecnología en universidades en Turquía. Los resultados indican que la incertidumbre económica, demanda de investigación de la industria, presupuesto de I+D de la universidad y capacidad de recursos humanos de las OTT, son aquellos que presentan influencia en el rendimiento.

Dado que los métodos tradicionales empleados en la literatura como AED o modelos econométricos requieren información sistematizada que con frecuencia no está disponible en universidades privadas, surge la necesidad de adoptar enfoques alternativos. En este sentido, los métodos difusos permiten integrar la percepción de actores involucrados y modelar sistemas complejos con información incompleta (Orang et al., 2022; Stylios y Groumpos, 2004). Por ello, el presente estudio propone diseñar un mapa cognitivo difuso (MCD), complementado con el cálculo de centralidad y simulación de escenarios, que identifique y relacione las variables significativas que intervienen en el rendimiento de la transferencia de tecnología en universidades privadas mexicanas. Con este enfoque se pretende atender de manera integral variables cualitativas y modelar elaciones complejas, contribuyendo así con la generación de herramientas analíticas que permitan establecer prioridades estratégicas en este tipo de organizaciones. A pesar de la literatura existente, se sabe poco sobre cómo interactúan los múltiples factores organizativos, financieros e institucionales dentro de las universidades privadas de México para influir en el desempeño de la transferencia de la tecnología, particularmente en condiciones de información incompleta y no estandarizada.

 

MÉTODOS

La presente investigación se realizó con un enfoque mixto con predominio cualitativo con modelación cuantitativa derivada mediante mapas cognitivos difusos, ya que se buscó modelar un sistema complejo a partir del conocimiento experto, incorporando después modelos cuantitativos para el análisis y simulación del sistema. Este enfoque permitió integrar la visión de los expertos con técnicas formales de modelación.

El estudio se realizó con diseño de investigación de campo con apoyo documental, ya que como primer paso se realizó la identificación inicial de variables y por otro lado se recabó información directamente de los expertos vinculados a los procesos de transferencia de tecnología en las universidades. En cuanto al tipo de investigación se realizó un enfoque exploratorio y de modelación sistémica, ya que por un lado aborda un fenómeno con información limitada en el contexto de las universidades privadas y por otro lado buscó identificar y analizar las relaciones entre las variables que influyen en la transferencia de tecnología.   

 

 

Determinación de variables con base en el análisis de la literatura

En la primera etapa se realizó un análisis de literatura con el objetivo de identificar las variables relevantes en la transferencia de tecnología. Se optó por el uso de conceptos predefinidos para facilitar el procedimiento de construcción de MCD, ya que reduce la necesidad de armonizar discrepancias entre mapas individuales y permite orientar a los participantes hacia un conjunto común de ideas (Knox et al., 2024).

Selección de sujetos de estudio

La selección de participantes se realizó por conveniencia considerando a los directores o responsables de las OTT de universidades privadas en México, registradas en la red OTT, organismo privado que agrupa a OTT públicas y privadas, que al momento de la investigación contaba con 9 miembros registrados de universidades privadas, se excluyó a aquellas que no cuentan con este puesto o estructura en sus organizaciones. De acuerdo con P. J. Giabbanelli et al. (2024), se consideró experto a aquellos que con sus vivencias aportan perspectivas únicas y valiosas sobre los sistemas que se buscan representar, la experiencia también puede ser definida en aquellos sujetos que cuentan con una forma específica de pensar, interpretar, establecer objetivos, o con sistemas de valores propias de una comunidad o contexto. Esta selección permitió obtener perspectivas diversas y contextualizadas sobre el fenómeno analizado.

Técnicas e instrumentos de recolección de información

La técnica utilizada consistió en primer lugar en una entrevista semiestructurada, se realizaron entrevistas exploratorias para contextualizar el problema y permitir la reflexión de los participantes sobre las variables y su contexto. En la segunda fase se solicitó al experto agregar, eliminar o redefinir conceptos según su contexto particular. Con la lista ajustada, se solicitó a cada experto identificar las relaciones causales positivas o negativas entre variables, dando lugar al mapa cognitivo difuso individual.

Posteriormente, se asignó el grado de relación entre conceptos utilizando la escala de –6 a 6, propuesta por Bigliardi et al. (2015) y Ustundag et al. (2011), empleando los criterios mostrados en la tabla 1.

 

 

 

 

 

Tabla 1

Interpretación de intensidad de influencia

Puntuación

Normalizado

Interpretación

6

1.00

Impacto positivo extremo. 

5

0.83

Impacto positivo muy fuerte. 

4

0.66

Impacto positivo claro, pero con factores moderadores.

3

0.50

Impacto positivo moderado.

2

0.33

Impacto positivo débil. Efecto positivo leve o contextual.

1

0.16

Impacto positivo mínimo o incidental.

0

0

No existe una relación causal.

-1

-0.16

Impacto negativo mínimo o incidental.

-2

-0.33

Impacto negativo débil. Efecto negativo leve.

-3

-0.50

Impacto negativo moderado. Relación inversa perceptible.

-4

-0.66

Impacto negativo claro, pero no constante.

-5

-0.83

Impacto negativo muy fuerte. 

-6

-1.00

Impacto negativo extremo. 

Nota: Los valores fueron normalizados mediante división entre el valor máximo absoluto de la escala de 6.

 

Construcción del modelo

A partir de la información recabada se construyeron los mapas individuales de cada experto, posteriormente se normalizaron a escala de -1 a 1 con el fin de estandarizarlos.

Debido a que todos los participantes cumplían con los criterios de experiencia y ocupaban cargos relacionados en la gestión de transferencia, se asignó el mismo peso a cada experto.  Para integrar los diferentes modelos se empleó la metodología de Mapas Cognitivos Difusos Aumentados.

Con base en la matriz aumentada, se diseñó el mapa cognitivo difuso final, representando gráficamente las variables y sus interrelaciones, así como la dirección e intensidad de los vínculos causales.

Métodos de análisis

El análisis del modelo se realizó mediante técnicas cuantitativas propias de los MCD. En primer lugar, se calculó la centralidad, está medida permitió identificar la relevancia de una variable dentro del sistema mediante la suma del grado de entrada (indegree) y grado de salida (outdegree).

Para la simulación del sistema se aplicó una función de activación de tangente hiperbólica hasta alcanzar la convergencia del sistema, lo que permitió analizar el comportamiento ante diferentes escenarios y observar la evolución de las variables a lo largo de iteraciones.

Validación del modelo

Finalmente, se evaluó el grado de representatividad del modelo verificando si el conocimiento relevante del sistema quedó adecuadamente capturado mediante la selección de expertos. Para ello se analizó el número de relaciones entre variables reconocidas por cada participante y se construyó una curva de acumulación, de acuerdo con lo propuesto por Magazzino y Falcone (2022), este análisis permitió determinar si la incorporación de nuevos participantes generaba información adicional relevante, si el modelo había alcanzado un nivel adecuado de representación del sistema o si se requería incrementar la participación de expertos.

 

RESULTADOS

El presente apartado expone los hallazgos obtenidos a partir de la aplicación de los MPD, incluyendo la identificación de variables, construcción del modelo, análisis de centralidad, simulaciones de escenarios y validación del modelo.

Determinación de variables con base en el análisis de la literatura

Se establecieron las variables con base al análisis de la literatura, como se muestra en la tabla 2, se definieron doce variables principales relacionadas con el financiamiento, institucionales y resultados de transferencia.

 

Tabla 2

Definición conceptual de las variables de estudio.

Variables

Definición

Autores

C1

Recurso público

Fondos gubernamentales destinados a la investigación y el desarrollo tecnológico, clave en economías emergentes para la innovación y la transferencia de tecnología.

(Y. L. Hsu et al., 2010; Huian et al., 2023; Powers, 2003)

C2

Recurso privado

Financiamiento proveniente de la industria, orientado a proyectos de investigación aplicada, con potencial de generar empresas derivadas.

(O’Shea et al., 2005; Powers, 2003; W. Wang & Liu, 2022)

C3

Autofinanciamiento

Fondos internos de las universidades destinados a la investigación, lo que les permite mayor control sobre sus proyectos y reducir dependencia de fuentes externas.

(Powers, 2003; Quiñones et al., 2019)

C4

Número de investigadores de tiempo completo

Indicador del capital humano especializado disponible en la universidad para desarrollar innovaciones y generar transferencia de tecnología.

(Calderón-Altamirano & Rodríguez, 2023; Huian et al., 2023; Sarabia-Altamirano, 2015)

C5

OTT

Organismos universitarios dedicados a gestionar y fomentar la transferencia de tecnología mediante estrategias de vinculación con la industria.

(Fasi, 2022; Pereira et al., 2023; Siegel et al., 2003)

C6

Centros de vinculación

Unidades dentro de las universidades que sirven como primer enlace con la industria en ausencia de una OTT, promoviendo colaboraciones tecnológicas.

(Díaz-Flores et al., 2022; Hailu, 2024)

C7

Prestigio

Percepción de la capacidad de una universidad para generar tecnologías transferibles, basada en su infraestructura, calidad investigadora, eficiencia operativa y resultados demostrables (patentes licenciadas, empresas derivadas). Refleja la confianza del sector productivo en sus soluciones innovadoras y diferencia el prestigio académico general del impacto concreto en transferencia tecnológica.

(Amry et al., 2021; Houweling & Wolff, 2020; Shen et al., 2022, 2023)

C8

Universidad emprendedora

Institución que implementa políticas para incentivar la innovación, la creación de empresas derivadas y la comercialización de conocimiento.

(Bigliardi et al., 2015; Etzkowitz, 2003)

C9

Patentes

Documentos oficiales que protegen invenciones desarrolladas en universidades, facilitando su explotación comercial y su difusión académica.

(Díaz-Pérez & Soria-López, 2020; WIPO, 2022)

C10

Licenciamientos

Acuerdos legales que permiten a empresas utilizar tecnologías universitarias a cambio de beneficios económicos para la institución.

(Bradley et al., 2013; Ustundag et al., 2011)

C11

Empresas derivadas

Empresas creadas con base en innovaciones generadas en universidades, contribuyendo a la comercialización de tecnología y a la generación de ingresos.

(Huian et al., 2023)

C12

Consultoría

Servicios especializados proporcionados por universidades a la industria, facilitando la transferencia de tecnología mediante asesoría y capacitación.

(Gomes & Bertoco, 2016)

Nota: Definición de variables de estudio de acuerdo con el análisis de literatura

 

Selección de los sujetos de estudio

Para llevar a cabo esta investigación se seleccionaron a los responsables de las OTT de seis de nueve de las universidades privadas de México registradas en la red OTT, que cuentan con OTT, patentes, licenciamientos o consultorías tecnológicas (Tabla 3). Esta diversidad permitió capturar las diferentes configuraciones del sistema en el país.

 

Tabla 3

Identificación de los sujetos de estudio

Institución

Ubicación

Institución

Ubicación

A

Puebla

D

CDMX

B

Monterrey  

E

León Guanajuato

C

Mérida

F

CDMX

Nota: Distribución de participantes

 

Técnicas e instrumentos de recolección de información

Se realizaron las siguientes preguntas para conocer el contexto de la universidad y llevar al participante a una reflexión sobre la transferencia de tecnología en la institución.

¿Cuáles son los mecanismos de la transferencia de tecnología en la institución?

¿Aproximadamente que porcentaje de la investigación generada en la universidad se transfiere a la empresa?

¿Cuáles son los casos de éxito de transferencia de tecnología de la universidad a la empresa y cuáles fueron los factores determinantes?

Con base en las entrevistas, se procedió a revisar y ajustar la lista de variables inicial. Cada participante evaluó la pertinencia de las variables en función del contexto particular de su universidad. La lista de variables final se muestra en la Tabla 3.

Construcción del modelo

Se calculó la matriz aumentada para mantener todas las variables mencionadas por los sujetos de estudio y no perder la diversidad de contextos. Se empleó la ecuación 1:

n: Número de mapas cognitivos difusos.

k: Identificador del experto.

i, j: Identificador de las relaciones.

 Peso asignado por el experto K a la relación entre los nodos i y j, que representa la intensidad y el tipo de influencia (positiva o negativa) que el nodo i ejerce sobre j en la matriz del experto.

 Peso promedio de la relación entre los nodos i y j en la matriz cognitiva difusa aumentada, obtenido tras la agregación de los mapas individuales.

A partir de la matriz aumentada (Anexo1) se muestra en la figura 1, que el autofinanciamiento (C3) es una variable clave del sistema, con una influencia muy fuerte y positiva (0.78) sobre la OTT (C5). Además, presenta una influencia considerable sobre el número de investigadores de tiempo completo (C4) con un valor de 0.53. Asimismo, ejerce una influencia muy fuerte (0.69) sobre las patentes (C9), notable sobre los licenciamientos C10, (0.47) y C11 las empresas derivadas (0.31).

Con relación a el recurso público, se observa una influencia baja en los resultados como patentes (0.28), licenciamientos (0.03), empresas derivadas (0.03) y consultoría (0.28). Las patentes (C9) a su vez tienen un fuerte impacto sobre los licenciamientos (C10) (0.53).

Otro hallazgo importante es que la OTT (C5) (Figura 2), constituye un nodo central dentro de la red: recibe una influencia significativa desde C3 con 0.78 y a su vez, ejerce influencias fuertes sobre los resultados clave, particularmente sobre patentes (0.64) y licenciamientos (0.72).

El número de investigadores (C4) también impulsa directamente los resultados, destacando una influencia muy fuerte (0.58) sobre las patentes (C9).

Por otra parte, los resultados sugieren que el prestigio (C7) atrae recursos, tiene influencias positivas considerables sobre el Recurso privado (C2, 0.36) y la Consultoría (C12, 0.42).

Se puede observar que C28 (Falta de estrategia) y C11 (Empresas derivadas) es una de las relaciones negativas con un valor de -0.17.

 

Figura 1                                                                         Figura 2

 Autofinanciamiento                                                       OTT                                                          

 

 

 

 

 

 

 

 

 

Nota: Elaboración propia                                                   Nota: Elaboración propia

 

Métodos de análisis

Cálculo de centralidad

El cálculo de la centralidad mostrado en la tabla 4, permite identificar la posición de cada variable dentro del sistema. Para el cálculo se empleó la siguiente ecuación:

De esto se observa que las patentes (C9) emergen como el nodo más importante, con una centralidad de 6.92.

 

Tabla 4

Centralidad

 

Variables

Centralidad

 

Variables

Centralidad

C9

Patentes

6.92

C6

Centros de vinculación

0.83

C5

OTT

5.56

C24

Relaciones 1 a 1

0.78

C10

Licenciamientos

4.97

C23

Compromiso de la alta dirección

0.50

C3

Autofinanciamiento

4.50

C19

Búsqueda de potencial de mercado

0.47

C12

Consultoría

3.67

C14

Capacitación en emprendimiento y transferencia de tecnología

0.42

C7

Prestigio

3.36

C20

Centros de gestión de la propiedad intelectual

0.42

C11

Empresas derivadas

3.17

C15

Alianzas con universidades de prestigio

0.36

C2

Recurso privado

3.14

C17

Infraestructura

0.31

C4

Número de investigadores de tiempo completo

2.50

C28

Falta de estrategia

0.31

C8

Universidad emprendedora

2.42

C22

Estrategias de comunicación

0.28

C1

Recurso público

1.97

C16

Capital externo internacional

0.22

C26

Dirección de investigación

1.39

C18

Capacitación técnica

0.22

C25

Recurso humano especializado

1.25

C27

Comunidad de estudiantes

0.22

C13

Políticas de propiedad intelectual

1.22

C21

Consejo institucional de emprendimiento

0.17

Nota: Elaboración propia

 

La OTT (C5) con 5.56 y los licenciamientos (C10) con 4.97 forman el núcleo central del sistema. El autofinanciamiento (C3), con un valor de 4.50, completa este conjunto.

Un segundo grupo de variables presenta una centralidad entre 2.0 y 4.0. En este nivel se encuentran la consultoría (C12), las empresas derivadas (C11), el prestigio (C7), los recursos privados (C2), número de investigadores de tiempo completo (C4) y universidad emprendedora (C8).

Un tercer grupo con centralidad baja, por debajo de 2.0, incluye elementos como la dirección de investigación (C26), las políticas de propiedad intelectual (C13) y el recurso humano especializado (C25). Finalmente, el nivel más periférico reúne variables como las relaciones 1 a 1 (C24), la capacitación en emprendimiento (C14) y el capital externo internacional (C16). La falta de estrategia (C28), con un valor de 0.31.

Simulaciones

Se realizaron simulaciones de tres escenarios estableciendo en el nivel máximo (1) la ponderación de las variables con mayor centralidad. Se empleó la función de activación de tangente hiperbólica, la cual es una función continua de activación que produce estados infinitos, puede emplearse para modelar escenarios cuantitativos y cualitativos (ecuación 3), de acuerdo con Nápoles y Giabbanelli (2024), si los valores van en un rango de -1 a 1, la tangente hiperbólica sería la mejor opción, como en el caso de la presente investigación.

Posteriormente, las variaciones producidas respecto al estado estacionario se interpretaron como los efectos del cambio inducido en el sistema.

 

 

Escenario 1: Activación conjunta

El primer escenario activó en conjunto las variables C5 (OTT), C3 (autofinanciamiento), C7 (prestigio) y C4 (número de investigadores). En general, los resultados clave (patentes, licenciamientos, empresas derivadas y consultoría) alcanzan niveles superiores al 95% en solo dos iteraciones, debido a la convergencia rápida de nodos con múltiples entradas fuertes (Figura 3).

Escenario 2: Activación de la OTT

La activación de C5 (Figura 4) provoca que el sistema alcance la saturación del recurso privado (C2) en la cuarta iteración; patentes y licenciamientos (C9, C10) en la sexta; empresas derivadas y consultoría (C11, C12) en la quinta y sexta, respectivamente. La convergencia completa del sistema se presenta entre la sexta y la novena iteración dependiendo del nodo.

Escenario 3: Activación del autofinanciamiento

La activación de C3 (Figura 5) produce un impacto inmediato en los resultados, alcanzando la saturación de patentes y licencias en la segunda iteración. A partir de la cuarta iteración se estabilizan C1, C2, C4, C5, C7, C11 y C12.

 

Figura 3

Escenario 1

Nota: Elaboración propia

Figura 4

Escenario 2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Nota: Elaboración propia

Figura 5

Escenario 3

Nota: Elaboración propia

Figura 6

Curva de acumulación

Nota: Elaboración propia

 

Validación del modelo

Para validar el modelo se realizó el análisis del grado de representatividad. Como se observa en la figura 5, el número de nuevas conexiones entre variables disminuye a medida que aumenta el número de entrevistas. Esto indica que el conocimiento aportado por los expertos se acumula de manera progresiva y que el sistema tiende a saturarse; la última entrevista añade muy poca información. Por tanto, se considera que la red se encuentra suficientemente representada y es válida para su uso en el análisis.

 

DISCUSIÓN

Uno de los resultados significativos derivados de la matriz de adyacencia es el papel del autofinanciamiento como variable estructural del sistema y su influencia sobre la OTT, número de investigadores, patentes, licenciamientos y empresas derivadas, lo que sugiere que la generación interna de recursos es clave para el desarrollo de las capacidades institucionales, así como de los resultados. Este hallazgo se encuentra en concordancia con lo encontrado por Powers (2003), quien destacó que los recursos internos permiten a las universidades mantener el control sobre sus proyectos y responder con flexibilidad a las demandas del entorno, dentro del sistema modelado se podría predecir de manera positiva el desarrollo de patentes y la concesión de licencias. Del mismo modo, X. Wang (2025), subrayó que es importante el apoyo financiero e inversión suficiente para el desarrollo fluido de transferencia de tecnología, lo cual, bajo el contexto de las universidades en México, sugiere que estas han desarrollado mecanismos adaptativos para compensar la limitada disponibilidad sobre otras fuentes de financiamiento, lo que si bien fortalece la autonomía interna puede restringir la escalabilidad de la transferencia.

En contraste el recurso público presenta una influencia reducida sobre los resultados de transferencia, consistente con lo encontrado por Huian et al. (2023), quienes señalaron en su estudio que en países como Rumania los fondos gubernamentales destinados a la innovación son limitados, o el caso de Zarea et al. (2025), que encontraron que la colaboración con entidades gubernamentales tiene poco éxito en los resultados de transferencia.

En lo relativo a la OTT el análisis confirmó el papel importante como nodos articuladores del sistema, tienen una fuerte influencia sobre las patentes y licenciamientos, esto coincide con los señalado por Siegel et al. (2003), quienes destacaron que estas son relevantes para la comercialización del conocimiento y Huian et al. (2023) quienes en su estudio encontraron que las instituciones que cuentan con una OTT tienen mayor inclinación a desarrollar patentes. Por su parte Fasi (2022), señaló que las OTT no solo gestionan procesos administrativos, sino que además son responsables de apoyar a los investigadores en la transformación de ideas en productos comerciales, así como con la vinculación con la industria y gestión de fondos provenientes del gobierno. Más allá de su función administrativa las OTT, funcionan como puente entre universidad industria, sin embargo, los hallazgos sugieren que no basta solo con tenerla para asegurar su efectividad, esta presenta una fuerte dependencia a la disponibilidad de recursos internos, lo cual podría representar una limitante en el sistema que restringen su impacto potencial. Referente a el capital humano, el número de investigadores de tiempo completo muestra influencia significativa sobre la generación de patentes, lo cual refuerza que el capital humano con conocimiento especializado es un factor determinante para el desarrollo tecnológico. Este resultado es consistente con lo reportado por Huian et al. (2023) en su investigación reportaron que el capital humano especializado influencia de manera positiva la generación de patentes, por lo que para el contexto de las universidades privadas deberían reforzarse estrategias para su desarrollo, capacitación en generación y comercialización del conocimiento.

Tomando en cuenta el prestigio, los resultados implican que las universidades prestigiosas son más atractivas para la industria y generan mayores oportunidades de financiamiento externo, coincidente con el estudio propuesto por Shen et al. (2023) que determinaron que el prestigio de la universidad tiene un efecto positivo en las negociaciones para fijar los precios de las transacciones tecnológicas. Del mismo modo el estudio realizado por Houweling y Wolff, 2020), indicaron que el prestigio de la comunidad científica y la universidad, tiene impacto en la creación de empresas derivadas, en este sentido Arias Collaguazo (2018), indicaron que las organizaciones deben permanecer competitivas y establecer redes de intercambio y transferencia tecnológica con universidades con el fin de promover el cambio en cultura organizacional y desarrollo de innovación. Por ello, resulta fundamental impulsar acciones dirigidas a visibilizar los resultados de transferencia para consolidar a la universidad como socio potencial, además de fortalecer vinculaciones con socios estratégicos mediante redes de colaboración y proyectos en conjunto.

En cuanto a la estrategia el resultado sugiere que la ausencia de una dirección estratégica clara, representa un obstáculo directo para la creación de empresas derivadas, este escenario pone de manifiesto que las regulaciones internas generadas por las universidades pueden fomentar la creación y transferencia de patentes y la calidad de ellas (Jiang et al., 2026). Este resultado pone de manifiesto que no basta con contar con recursos y capacidades, sino que es necesaria la articulación estratégica que oriente las acciones institucionales. En este sentido la falta de coherencia estratégica podría explicar los bajos niveles de emprendimiento tecnológico.

En síntesis, emergen varios caminos críticos en la red, entre los cuales destaca el autofinanciamiento como el principal motor del sistema. De forma paralela, el prestigio institucional contribuye a captar recursos externos, generando un ciclo que impulsa las capacidades internas, especialmente en la OTT y en la generación de productos de transferencia.

Entre otros hallazgos los resultados de la centralidad permiten jerarquizar la importancia de las variables donde las patentes, OTT, licenciamientos y autofinanciamiento configuran un bloque estratégico, en este sentido las patentes constituyen el eje central del sistema, este resultado es relevante porque no solo son resultados finales sino punto de convergencia e interconexión de diferentes variables, por un lado reciben influencias de variables clave como el autofinanciamiento, la OTT y el número de investigadores, lo que refleja que su generación depende de capacidades internas acumuladas. Por otro lado, se observa su influencia hacia variables como los licenciamientos lo que las convierte en un puente para la comercialización del conocimiento, se observa entonces un comportamiento de doble función tanto como variable independiente y dependiente lo cual incrementa las conexiones en la red y por tanto su centralidad.

Este comportamiento es consistente con lo señalado por Ustundag et al. (2011), quienes destacaron que las patentes tienen un impacto directo en los ingresos por licenciamiento, por lo tanto, las patentes no constituyen solo un indicador de innovación tecnológica, sino como un nodo estructural que articula el sistema de transferencia. Del mismo modo los licenciamientos constituyen una fuente de financiamiento para las universidades, como lo menciona Fernández-Alles et al. (2025), ya que al comercializar pueden mejorar su sostenibilidad financiera, completando un círculo virtuoso

En este mismo sentido se observa que destinar recursos internos impulsa la capacidad de obtener resultados de transferencia. Esto sugiere que no solo es un mecanismo de financiamiento, sino que retroalimenta positivamente la generación de productos de transferencia. Este comportamiento demuestra que el sistema no es un conjunto de variables aisladas, sino que se refuerzan mutuamente. En este sentido el estudio realizado por Bigliardi et al. (2015) destacaron que el presupuesto destinado a las actividades de transferencia tienen un impacto significativo en los resultados, de la misma forma Quiñones et al. (2019) resaltaron que los costos asociados a la gestión de proyectos es una barrera significativa para la transferencia que influencia a otras variables internas lo que refuerza la necesidad de contar con recursos internos que promuevan el proceso, de la misma forma Chaudhary et al. (2025), en su estudio demostraron que el financiamiento es el factor más importante para la comercialización, confirmando que el autofinanciamiento es una variable clave.

En el segundo grupo de variables destacan los resultados de transferencia como consultoría, empresas derivadas y capacidades internas, el que los resultados tengan ese nivel de centralidad intermedio sugiere que dentro del sistema aún no se encuentran totalmente desarrollados en el contexto de universidades privadas, estos resultados son consistentes con lo reportado por Juárez y Sánchez (2019), quienes indicaron que en contraste con otros países en los centros de investigación en México, existen limitados ingresos por licenciamientos.

Por otro lado, la variable prestigio en investigaciones relacionadas mencionaron que es posible generar valor a las universidades a partir de la construcción de reputación, prestigio y beneficio social, lo cual puede influenciar la probabilidad de comercialización de diferentes formas de conocimiento  (Amry et al., 2021).

Referente a el recurso privado las universidades privadas tienen mayor acceso a este tipo de financiamiento por su estrecha relación con el sector, si bien no es la fuente mayor de obtención de recursos se encuentra con mayor centralidad en el sistema, de acuerdo con Kruger, (2023) encontró en su estudio que es fundamental integrar dentro de todas las etapas de desarrollo de transferencia de tecnología fuentes de financiamiento particularmente privado.

En lo que respecta a el enfoque de universidad emprendedora el que presente una centralidad intermedia sugiere que existe desarrollo incipiente hacia esfuerzos relacionados con la actividad empresarial, esto es consistente por lo reportado por Padilla-Meléndez y del Aguila-Obra (2022), encontraron en su estudio que algunas de las universidades estudiadas en su análisis, cuentan con elementos de emprendimiento, aunque no un compromiso estratégico completamente desarrollado. Dentro del tercer grupo de variables, con la centralidad más baja, representa que estas variables tienen una menor influencia dentro de la red analizada. En este sentido estudios previos han demostrado que factores como políticas de propiedad intelectual, son condiciones estructurales, pero no suficientes para detonar resultados de transferencia como lo muestra el estudio realizado por Wang y Liu (2022), del mismo modo Silva Castillo et al. (2024), indicaron que es esencial que la universidad debe tener políticas claras de propiedad intelectual y transferencia de tecnología para detonar los resultados de transferencia.

En el nivel más periférico variables como falta de estrategia, alianzas con universidades de prestigio, estrategias de comunicación, capital externo internacional, capacitación técnica, comunidades estudiantiles y consejos de emprendimiento presentan una influencia limitada en el sistema, la baja centralidad sugiere que estos elementos son contextuales.

Ahora bien, respecto a las simulaciones permite evidenciar como las relaciones se activan y evolucionan en distintos escenarios, tres escenarios se analizaron para identificar los puntos de intervención más efectivos para resolver la problemática.

En el primer escenario donde se activan las variables OTT, autofinanciamiento, prestigio y número de investigadores, la rápida convergencia sugiere que la transferencia de tecnología puede fortalecerse cuando se intervienen de manera conjunta variables estructurales, este escenario indica que las universidades deben adoptar enfoques integrales en donde todos los fatores se desarrollen de forma simultánea para potenciar los resultados. Este resultado es consistente con lo encontrado en la literatura que destaca el papel central de las OTT como medio para gestionar el conocimiento (Zhang & Zeng, 2025). De la misma manera, con estudios que reflejan la importancia del financiamiento interno y el capital humano (Huian et al., 2023; Ustundag et al., 2011). El segundo escenario centrado en la activación de la OTT muestra que la variable por si sola es capaz de generar una mejora progresiva en el sistema con una velocidad de propagación menor, se observa una activación gradual de los resultados de transferencia, esto sugiere que la OTT regula que los resultados se originen de forma progresiva, primero con patentes y licenciamientos y finalmente con empresas derivadas y teniendo menor influencia en las consultorías, cabe destacar que el impulso de esta variable acelera la variable recurso privado, lo que demuestra que el fortalecimiento de esta variable tendría un efecto positivo en la obtención de recursos. Este comportamiento demuestra que el fortalecimiento de la OTT es una estrategia efectiva inicial para universidades que buscan iniciar o mejorar actividades de transferencia. El tercer escenario con la activación del autofinanciamiento, genera un impacto inmediato en el sistema, este constituye un mecanismo que acelera la conversión de conocimiento en productos transferibles, sin embargo, en este contexto también sugiere una dependencia que podría generar una limitación a largo plazo si no se complementa con fuentes externas, por lo cual se refuerza la necesidad de diseñar estrategias de diversificación de financiamiento. 

En síntesis, los resultados confirman que el ecosistema de transferencia en universidades privadas es un proceso complejo que depende de la interacción entre capacidades internas, financiamiento y estrategia. Estos hallazgos no solo permiten comprender las limitaciones actuales, sino que ofrecen una base para el diseño de estrategias institucionales orientadas a fortalecer su desempeño.

 

CONCLUSIONES

La presente investigación permitió identificar los factores que influyen en la transferencia de tecnología en universidades privadas en México, evidenciado en el rezago en propiedad industrial, comercialización y articulación de las OTT a nivel nacional. Esta brecha, reflejada en la dependencia tecnológica externa y la falta de protección y comercialización de desarrollos científicos, justificó la necesidad de determinar las variables que fortalecen el rendimiento de la transferencia en estos contextos.

Se concluye que la transferencia de tecnología en universidades privadas es un sistema interdependiente cuyo núcleo estratégico son las patentes, la OTT, el autofinanciamiento y los licenciamientos, como se observa en la matriz de adyacencia y el análisis de centralidad, las simulaciones realizadas identificaron que, con el impulso de cualquiera de estas variables dentro del sistema modelado, se observó una propagación positiva casi inmediata con los productos de transferencia.

Los hallazgos coinciden con investigaciones que destacan el papel central de las OTT y del capital humano para la generación de patentes y licenciamientos. De manera adicional el recurso interno como factor detonador.

Otro aporte relevante del estudio radica en la identificación del prestigio institucional como variable significativa dentro del sistema, este resultado sugiere que el prestigio no solo actúa como activo intangible, sino como un factor que incrementa la confianza y capacidad para detonar la obtención de recursos privados. En este sentido, el estudio amplía la comprensión del fenómeno al integrar variables consideradas como intangibles dentro del análisis lo que permite observar su valor dentro del contexto de las universidades privadas.

Desde una perspectiva teórica y metodológica, el uso de MCD, demuestra su utilidad como técnica para modelar sistemas complejos al capturar la naturaleza sistémica y no lineal de la transferencia de tecnología incorporando la visión de los expertos para modelar las relaciones de variables en ambientes de información limitada.

No obstante, los resultados mantienen ciertas limitaciones, dado que la muestra se acota a universidades que cuenten con OTT, lo cual limita la generalización a instituciones que no cuenten con ese tipo de estructura.

A partir de los resultados encontrados, se desprenden futuras líneas de investigación como ampliar el estudio a universidades públicas para modelar las dinámicas de transferencia y comparar los resultados entre ambos tipos de sistemas. En lo que respecta a el modelo, explorar la implementación de modelos híbridos que integren el uso de mapas cognitivos difusos con métodos econométricos o técnicas de dinámica de sistemas. Por otra parte, sería importante determinar la productividad de las OTT de ambos sistemas como caso de estudio, para identificar los factores que hacen que algunas sean más productivas que otras, empleando técnicas difusas como la propuesta. Adicionalmente, en el sentido del modelo propuesto, evaluar la implementación de estrategias encaminadas a fortalecer las variables detectadas en casos de estudio, validar las dinámicas del sistema a partir de esta implementación y los resultados obtenidos.

En síntesis, este estudio no solo identificó los factores críticos que estructuran la transferencia de tecnología en universidades privadas mexicanas, sino que se propuso una herramienta metodológica para modelar sistemas complejos de innovación. Los resultados evidencian que el fortalecimiento del ecosistema de transferencia no solo depende del incremento de recursos, sino de articular estratégicamente las capacidades internas clave, abriendo así nuevas perspectivas para el diseño de políticas universitarias enfocadas al fortalecimiento de la transferencia de tecnología.   

 

Conflicto de interés

Los autores no tienen conflictos de interés

 

Financiación

Este proyecto no contó con ninguna fuente de financiación

 

Responsabilidades Éticas

El proyecto fue aprobado por el comité de ética de la institución.

 

REFERENCIAS

Amry, D. K., Ahmad, A. J., & Lu, D. (2021). The new inclusive role of university technology transfer: Setting an agenda for further research. International Journal of Innovation Studies, 5(1), 9–22. https://doi.org/10.1016/j.ijis.2021.02.001

Anderson, T. R., Daim, T. U., & Lavoie, F. F. (2007). Measuring the efficiency of university technology transfer. Technovation, 27(5), 306–318. https://doi.org/10.1016/j.technovation.2006.10.003

Arias Collaguazo, W. M. (2018). Un análisis de la situación de la innovación organizacional, aplicado en el sector empresarial de la provincia de Imbabura (Ecuador). HOLOPRAXIS Ciencia, Tecnología e Innovación, (2), 55–68. https://revista.uniandes.edu.ec/ojs/index.php/holopraxis/article/view/3103

AUTM. (2022). Technology Transfer Licensing Survey | AUTM. 2022 Licensing Survey. https://autm.net/surveys-and-tools/surveys/licensing-survey/2022-licensing-survey

Belitski, M., Aginskaja, A., & Marozau, R. (2019). Commercializing university research in transition economies: Technology transfer offices or direct industrial funding? Research Policy, 48(3), 601–615. https://doi.org/10.1016/j.respol.2018.10.011

Bigliardi, B., Galati, F., Marolla, G., & Verbano, C. (2015). Factors affecting technology transfer offices’ performance in the Italian food context. Technology Analysis and Strategic Management, 27(4), 361–384. https://doi.org/10.1080/09537325.2014.1002464

Bradley, S. R., Hayter, C. S., & Link, A. N. (2013). Models and methods of university technology transfer. Foundations and Trends in Entrepreneurship, 9(6), 571–650. https://doi.org/10.1561/0300000048

Caldera, A., & Debande, O. (2010). Performance of Spanish universities in technology transfer: An empirical analysis. Research Policy, 39(9), 1160–1173. https://doi.org/10.1016/j.respol.2010.05.016

Calderón-Altamirano, E., & Rodríguez, J. C. (2023). Transferencia de tecnología universidad-industria en las universidades públicas Estatales de México: Un análisis configuracional. Journal of Technology Management & Innovation, 18(4), 18–30. https://doi.org/10.4067/S0718-27242023000400018

Chaudhary, A. K., Chauhan, S. S., Morré, S. A., & Lal, J. A. (2025). Impact of national science and technology (S&T) policy framework on technology transfer from Indian academic research institutions. Journal of Scientific and Industrial Research, 84(9), 1005–1013. https://doi.org/10.56042/jsir.v84i9.15613

Díaz Rodríguez, H. E., & Morales Sánchez, M. A. (2023). Transferencia tecnológica e innovación sectorial en México. Análisis Económico, 38(98), 69–92. https://doi.org/10.24275/uam/azc/dcsh/ae/2023v38n98/Diaz

Díaz-Flores, M., Contreras Lara-Vega, M. E. A., & Elizalde-Valdez, V. M. (2022). La vinculación universidad empresa desde la perspectiva del programa educativo químico farmacéutico Biólogo, UAEM. Revista RedCA, 4(11). https://doi.org/10.36677/redca.v5i11.15924

Díaz-Pérez, C., & Soria-López, M. (2020). Patentes de universidades mexicanas: Hacia la tercera misión. Reencuentro. Análisis De Problemas Universitarios, 32(8), 185–205.

Etzkowitz, H. (2003). Research groups as ‘quasi-firms’: the invention of the entrepreneurial university. Research Policy, 32(2003), 109–121. https://doi.org/10.1016/S0048-7333(02)00009-4

Fasi, M. A. (2022). An overview on patenting trends and technology commercialization practices in the university technology transfer offices in USA and China. World Patent Information, 68. https://doi.org/10.1016/j.wpi.2022.102097

Fernandes, C. R., & Carvalho Machado, A. G. (2019). Technology transfer capability: Development dynamics in higher education institutions. Brazilian Business Review, 16(1), 1–15. https://doi.org/10.15728/bbr.2019.16.1.1

Fernández-Alles, M., Rodríguez-González, T., Villanueva-Flores, M., & Díaz-Fernández, M. (2025). Impact of the ambidexterity of university technology transfer offices on their performance: The Spanish context. Technological Forecasting and Social Change, 218(2025), 1–14. https://doi.org/10.1016/j.techfore.2025.124224

Giabbanelli, P. J., Knox, C. B., Furman, K., Jetter, A., & Gray, S. (2024). Defining and using fuzzy cognitive mapping. In P. Giabbanelli & G. Nápoles (Eds.), Fuzzy cognitive maps (pp. 1–18). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-48963-1_1

Gomes, M. A. S., & Bertoco, A. B. (2016). Relação empresa-universidade e a transferência de tecnologia: O caso da BASF S/A. Revista ESPACIOS , 37(1), 15–18.

Hailu, A. T. (2024). The role of university–industry linkages in promoting technology transfer: implementation of triple helix model relations. Journal of Innovation and Entrepreneurship, 13(1), 1–17. https://doi.org/10.1186/s13731-024-00370-y

Herrera-Tapia, F., & Suárez-Rincón, J. V. (2021). Rol de las universidades en el sistema nacional de innovación mexicano. Revista Venezolana de Gerencia, 26(93), 139–157. https://doi.org/10.52080/rvg93.11

Ho, M. H. C., Liu, J. S., Lu, W. M., & Huang, C. C. (2014). A new perspective to explore the technology transfer efficiencies in US universities. Journal of Technology Transfer, 39(2), 247–275. https://doi.org/10.1007/s10961-013-9298-7

Houweling, S., & Wolff, S. (2020). The influence of scientific prestige and peer effects on the intention to create university spin-offs. Journal of Technology Transfer, 45(5), 1432–1450. https://doi.org/10.1007/s10961-019-09747-8

Hsu, D. W. L., Shen, Y. C., Yuan, B. J. C., & Chou, C. J. (2015). Toward successful commercialization of university technology: Performance drivers of university technology transfer in Taiwan. Technological Forecasting and Social Change, 92(2015), 25–39. https://doi.org/10.1016/j.techfore.2014.11.002

Hsu, Y. L., Lee, C. H., & Kreng, V. B. (2010). The application of Fuzzy Delphi Method and Fuzzy AHP in lubricant regenerative technology selection. Expert Systems with Applications, 37(1), 419–425. https://doi.org/10.1016/j.eswa.2009.05.068

Huian, M. C., Bisogno, M., & Mironiuc, M. (2023). Technology transfer performance of public research institutes: the case of Romania. Journal of Public Budgeting, Accounting and Financial Management, 35(1), 41–64. https://doi.org/10.1108/JPBAFM-01-2022-0023

Jiang, X., Zhang, Y. F., Liu, H., & Wang, X. (2026). Bottom-level implementation of Bayh-Dole rules on university innovation: evidence from China. Asian Journal of Technology Innovation. https://doi.org/10.1080/19761597.2026.2643789

Juárez, J. A. Y., & Sánchez, M. Á. M. (2019). Efficiency and productivity in transfer units of scientific research results in Mexico. Contaduria y Administracion, 64(3), 1–33. https://doi.org/10.22201/fca.24488410e.2019.1421

Kleiner-Schaefer, T., & Schaefer, K. J. (2022). Barriers to university–industry collaboration in an emerging market: Firm-level evidence from Turkey. Journal of Technology Transfer, 47(3), 872–905. https://doi.org/10.1007/s10961-022-09919-z

Kruger, N. A. (2023). Entrepreneurial ecosystems in technology transfer: a case study on successful innovation commercialization. Polish Journal of Management Studies, 27(1), 148–163. https://doi.org/10.17512/pjms.2023.27.1.09

Lima-Solís, A., Ovando, C., Olivera-Pérez, E., & Rodríguez-Lozada, M. Á. (2020). Desempeño de una oficina de transferencia de tecnología en el contexto de gestión de patentes: Estudio de caso de la OTT de la Benemérita Universidad Autónoma de Puebla. Nova Scientia, 12(24), 1–32. https://doi.org/10.21640/ns.v12i24.2193

Liu, S., He, M., Zhou, Q., Ma, J., & Zhao, Z. (2026). Research on the efficiency of technology transfer in Chinese universities from the perspective of supply and demand. Socio-Economic Planning Sciences, 104, 1–16. https://doi.org/10.1016/j.seps.2025.102382

Magazzino, C., & Falcone, P. M. (2022). Assessing the relationship among waste generation, wealth, and GHG emissions in Switzerland: Some policy proposals for the optimization of the municipal solid waste in a circular economy perspective. Journal of Cleaner Production, 351(2022), 1–14. https://doi.org/10.1016/j.jclepro.2022.131555

Nápoles, G., & Giabbanelli, P. J. (2024). Principles of Simulations with FCMs. In P. Giabbanelli & G. Nápoles (Eds.), Fuzzy Cognitive Maps (1st ed., pp. 45–59). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-48963-1_3

Orang, O., Silva, P. C. de L. e, & Guimarães, F. G. (2022). Time series forecasting using fuzzy cognitive maps: A survey. Artificial Intelligence Review, 56(1), 7733–7794. https://doi.org/10.48550/arXiv.2201.02297

O’Shea, R. P., Allen, T. J., Chevalier, A., & Roche, F. (2005). Entrepreneurial orientation, technology transfer and spinoff performance of U.S. universities. Research Policy, 34(7), 994–1009. https://doi.org/10.1016/j.respol.2005.05.011

Padilla-Meléndez, A., & del Aguila-Obra, A. R. (2022). Governance of entrepreneurial universities in the context of entrepreneurial ecosystems. The perspective of the university technology transfer offices. Studies in Higher Education, 5(47), 973–981. https://doi.org/https://doi.org/10.1080/03075079.2022.2055321

Pereira, J., Neves, J., Braga, A., & Rocha, A. (2023). Fostering collaborative interactions between universities and industry for technology transfer. International Journal of Entrepreneurship and Innovation Management, 27(5), 360–378. https://doi.org/10.1504/ijeim.2023.10061642

Powers, J. B. (2003). Commercializing academic research: Resource effects on performance of university technology transfer. The Journal of Higher Education, 74(1), 26–50. https://doi.org/10.1080/00221546.2003.11777186

Quiñones, R., Caladcad, J. A., Quiñones, H., Caballes, S. A., Abellana, D. P., Jabilles, E. M., Himang, C., & Ocampo, L. (2019). Open innovation with fuzzy cognitive mapping for modeling the barriers of university technology transfer: A philippine scenario. Journal of Open Innovation: Technology, Market, and Complexity, 5(4), 1–22. https://doi.org/10.3390/joitmc5040094

Rizzo, U., & Ramaciotti, L. (2014). The determinants of academic patenting by Italian universities. Technology Analysis and Strategic Management, 26(4), 469–483. https://doi.org/10.1080/09537325.2014.882502

Sarabia-Altamirano, G. (2015). La vinculación universidad-empresa y sus canales de interacción desde la perspectiva de la academia, de la empresa y de las políticas públicas. CienciaUAT, 10(2), 13–22. https://doi.org/10.29059/cienciauat.v10i2.741

Shen, H., Coreynen, W., & Huang, C. (2022). Exclusive licensing of university technology: The effects of university prestige, technology transfer offices, and academy-industry collaboration. Research Policy, 51(1), 1–19. https://doi.org/10.1016/j.respol.2021.104372

Shen, H., Coreynen, W., & Huang, C. (2023). Prestige and technology-transaction prices: Evidence from patent-selling by Chinese universities. Technovation, 123(2023), 1–11. https://doi.org/10.1016/j.technovation.2023.102710

Siegel, D. S., Waldman, D., & Link, A. (2003). Assessing the impact of organizational practices on the relative productivity of university technology transfer offices: an exploratory study. Research Policy, 32(2003), 27–48. https://doi.org/10.1016/S0048-7333(01)00196-2

Silva Castillo, N. A., Burbano Rojas, P. A., & Burbano, P. P. (2024). Gobernanza y transferencia tecnológica para fortalecer la transformación de la leche en la asociación NUTRILAC. HOLOPRAXIS Ciencia, Tecnología e Innovación, 8(2), 208–232. https://doi.org/10.61154/holopraxis.v8i2.3677

Stylios, C. D., & Groumpos, P. P. (2004). Modeling Complex Systems Using Fuzzy Cognitive Maps. IEEE Transactions on Systems, Man, and Cybernetics Part A:Systems and Humans., 34(1), 155–162. https://doi.org/10.1109/TSMCA.2003.818878

Ustundag, A., Uǧurlu, S., & Kilinc, M. S. (2011). Evaluating the performance of technology transfer offices. Journal of Enterprise Information Management, 24(4), 322–337. https://doi.org/10.1108/17410391111148576

Wang, W., & Liu, Y. (2022). Industrial funding and university technology transfer: the moderating role of intellectual property rights enforcement. Journal of Technology Transfer, 47(2022), 1549–1572. https://doi.org/10.1007/s10961-022-09946-w

Wang, X. (2025). How to promote university technology transfer? A configuration analysis based on technology, organization and environment framework. PLOS One, 20(3), 1–22. https://doi.org/doi.org/10.1371/journal.pone.0318563

WIPO. (2022). Perfil estadístico de país en propiedad intelectual 2022. https://www.wipo.int/edocs/statistics-country-profile/es/mx.pdf

Zarea, F., Douglas, E. J., Obschonka, M., Davidsson, P., Audretsch, D. B., & Hutmacher, D. W. (2025). When the marketplace comes to the research laboratory: technology transfer efficiency of innovation-driven publicly funded research centers. Journal of Technology Transfer, 50(6), 2556–2586. https://doi.org/10.1007/s10961-025-10188-9

Zhang, M., & Zeng, J. (2025). Which governance structures are conducive to the performance of TTOs? Evidence from Taiwan. Journal of Technology Transfer, 50(1), 271–303. https://doi.org/10.1007/s10961-024-10097-3

 

 

 

 

 

 

 

©2026 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/)