En este estudio se consideran las bibliotecas públicas de España y Finlandia a nivel de municipios y regiones. Los datos para las bibliotecas de Finlandia se han tomado de la base de datos estadística de las bibliotecas públicas finlandesas, responsabilidad de la División para la Cultura del Ministerio de Educación y Cultura de Finlandia (SYKT, 2018). En cuanto a las bibliotecas de España, los datos han sido extraídos de la página web Bibliotecas públicas españolas en cifras, responsabilidad de la Subdirección General de Coordinación Bibliotecaria del Ministerio de Educación, Cultura y Deporte de España (MECD, 2018a).

Es importante subrayar que la toma de datos en la fuente para España resultó de una dificultad considerable en comparación a la de Finlandia. Mientras que en el segundo caso los datos para todas las municipalidades pueden recuperarse desde una única búsqueda, en el caso de España se ha de acceder primero a los resultados por comunidades autónomas y desde ahí a los de cada provincia para poder extraer los de cada municipio, requiriéndose tantas acciones de exportación y unificación en un documento como provincias existen. En ese sentido, sería recomendable que la fuente de datos sobre bibliotecas públicas españolas modificase su disposición en aras a una mayor facilidad y accesibilidad a los mismos, facilitando su procesamiento en futuras investigaciones sobre el tema.

Cabe señalar que para la toma y unificación de los datos se ha utilizado el software Libreoffice Calc 5.4.1.2. Por otro lado, para todo lo relacionado a los análisis estadísticos, se ha utilizado el software IBM SPSS 24.0 Desktop Linux Client Multilingual.

Las variables consideradas se enumeran a continuación. Se ha añadido entre paréntesis la abreviación con la que se hará referencia a cada variable en lo que sigue del trabajo. Dado que se pretenden comparar los resultados de las variables entre España y Finlandia, se especifica si las variables se refieren a lo mismo en sendos países y se añaden las especificaciones concretas de las posibles diferencias y matices a tener en cuenta en la comparación. Las posibles diferencias son algo a tener en cuenta respecto de la primera pregunta de investigación en torno a la comparación de los resultados de las variables en los dos países, pero no son un factor determinante en lo relacionado a la segunda pregunta de investigación sobre los factores que llevan a un mayor uso de las bibliotecas públicas en cada país. Las variables son las siguientes:

En referencia al procesamiento de los datos, se ha entendido que pueden concebirse bibliotecas sin lo referido a Adquisiciones, Actividades y Profesionales, pero no sin lo referido a Gastos, Colección, Superficie, Personal, Habitantes, y sin suma mayor de 0 considerando los Préstamos y Visitas. Así, se han eliminado los municipios con resultado 0 en las variables de Gastos, Colección, Superficie, Personal, Habitantes, y cuando la suma de Préstamos y Visitas resultaba igualmente 0; pero se han mantenido los municipios en que algunas de las variables referidas a Adquisiciones, Actividades y Profesionales resultaba de 0, respetando a su vez la cláusula anterior (por ejemplo, si un municipio presentaba solo un resultado de 0 en Adquisiciones, se ha mantenido; pero si presentaba 0 en Adquisiciones y 0 en Gastos, se ha eliminado).

Con todo, la ausencia de datos ha supuesto no considerar a 368 municipios españoles del total de los 3312 con bibliotecas, resultando un tamaño para la muestra de 2944 (n = 2944). Para el caso de Finlandia, tan solo no se consideró a un municipio por falta de datos para la Superficie, resultando una muestra de 282 (n = 282). Por otro lado, para el estudio por regiones, el tamaño de la muestra en España es de 17 (n = 17) y en Finlandia de 18 (n = 18).

Los resultados o descripción estadística de las variables en cada país a nivel de municipios (Tabla I) se comentan en las siguientes líneas.

Como se puede comprobar, la media para cada variable es siempre mayor en Finlandia que en España con excepción tan solo de las variables Actividades y Habitantes (en este último caso la interpretación es también favorable a Finlandia pues en su caso habría menos habitantes por punto de servicio). En síntesis, los Gastos son 3,9 veces mayores en Finlandia que en España, la Colección 2,2 veces, las Adquisiciones 3,2, la Superficie 1,1, el Personal 1,71, los Préstamos 11,3, y las Visitas 2,96. A su vez, los Habitantes son 0,88 veces menos en Finlandia que en España. Por otro lado, las Actividades son 1,65 mayores en España que en Finlandia. Para el caso de las variables Gastos y Profesionales hay que tener en cuenta las consideraciones matizadas en la descripción estadística de las variables, y es que para una comparación completa y correcta habría que considerar respectivamente la paridad del poder adquisitivo y las diferencias en torno a los titulados superiores en Finlandia y el personal con estudios en biblioteconomía y documentación en España.

En cuanto a las desviaciones típicas, atendiendo a la columna para el porcentaje de su variación se ve claramente que los resultados para todas las variables son más homogéneos en Finlandia que en España, país en el que en todas las variables se supera el 100% de variación, llegando incluso al 644% en el caso de la variable Superficie. Estos resultados pueden interpretarse en base a la idea de que en España hay mayores diferencias y desigualdades entre las bibliotecas públicas que en Finlandia, donde los resultados para las variables analizadas son más cercanos siempre al valor medio y, por ello, más homogéneos.

Esa mayor homogeneidad entre los municipios en Finlandia se puede entender como consecuencia de la existencia de leyes nacionales en torno a las bibliotecas públicas. Concretamente, cabe destacar la Library Act de 1961, cuyos objetivos principales fueron los de superar las diferencias entre entornos rurales y urbanos y el de aumentar el uso de las bibliotecas en ambos entornos (Mäkinen, 2001). Tal y como explica el autor, ambos objetivos se consiguieron, pasándose de unos préstamos por habitante de 1,5 en 1960 a los 19,9 en 1990. Además, el crecimiento en las zonas rurales fue mayor que en las urbanas. Con todo, aunque se reconoce también que el éxito en lo relacionado a las bibliotecas se vio soportado y potenciado por el desarrollo del estado de bienestar, en general y otros factores en particular, como el sistema educativo, el aumento de la educación superior, o la liberalización general del ambiente cultural en la misma época, una ley a nivel nacional en España sobre bibliotecas similar a la Library Act de Finlandia y todo lo que supuso para este país, marca uno de los posibles caminos para el futuro en el sentido de la mejora y homogeneización para la superación de las grandes diferencias en lo referido a bibliotecas en nuestro país.

El análisis de regresión múltiple es una técnica usada para analizar la relación entre una serie de variables independientes y una dependiente. El objetivo es utilizar las independientes conocidos sus valores para predecir el de la considerada como dependiente (Vakkari, 2014). Tal y como afirma el autor, cada variable independiente es ponderada en el análisis considerando el conjunto de variables independientes para asegurar la máxima predicción sobre la dependiente. Esa ponderación se refiere a la contribución relativa de cada variable independiente a la predicción de la dependiente, lo que permite conocer la contribución relativa de cada una de las primeras a la segunda y lo que facilita la interpretación de la influencia de cada variable para la predicción. Con todo, el conjunto de variables independientes ponderadas conforman el modelo de regresión, lo que se traduce en conocer la combinación lineal de variables independientes que mejor predicen a la variable dependiente (Hair y otros, 2010).

En este estudio se consideran como variables dependientes las de Préstamos por habitante y Visitas por habitante. Por ello, se calculan en total 4 modelos de regresión lineal múltiple, considerando para cada uno de los dos países cada caso de las dos variables dependientes. Así, el primer modelo es para Finlandia y la variable dependiente de los Préstamos; el segundo, para la misma variable en el caso de España; el tercero, para Finlandia y la variable de Visitas; y el cuarto para España y la variable de Visitas.

Las variables han sido consideradas para la modelización mediante la técnica paso a paso, que permite examinar la contribución de cada variable independiente al modelo de regresión. Se considera cada variable para su inclusión antes de desarrollar la ecuación, agregando primero la variable independiente con mayor contribución (Vakkari, 2014). Desde ahí, las variables independientes restantes se van seleccionando para su inclusión en función de su contribución creciente o incremental sobre las variables que ya están en la ecuación (Hair y otros, 2010).

Para el análisis se ha verificado la relación lineal de las variables y la igualdad de las varianzas mediante gráficos residuales (Vakkari, 2014), convirtiendo a logarítmicas las variables en que no se daba dicha relación lineal. Concretamente, en el análisis para Finlandia tomando como variable dependiente los Préstamos, se han convertido a logarítmicas las variables de Gastos, Adquisiciones, Actividades, Profesionales y la propia variable dependiente de Préstamos; para el mismo país pero considerando como dependiente la variable de Visitas, se han convertido a logarítmicas las variables Profesionales y Visitas. Para España, se ha verificado que tanto en el modelo considerando como variable dependiente los Préstamos como para el modelo de las Visitas, no se da relación lineal entre las variables Profesionales y Préstamos, y Profesionales y Visitas. Desde ahí, se han convertido a logarítmicas las variables de Visitas y Préstamos, y se ha mantenido como no logarítmica la de Profesionales pese a no mostrar una relación lineal con las variables dependientes debido a que en muchos casos de la muestra el resultado para la tasa de profesionalización resultó de 0.

Respecto a la multicolinealidad de los modelos o grado en que cada variable independiente se explica mediante el conjunto de otras variables independientes (Vakkari, 2014), los resultados para el factor de inflación de la varianza (VIF) en cada uno de los 4 modelos fueron cercanos a 1 y nunca mayores que 4 (como máximo 2,174 en España y 2,980 en Finlandia). Por ello, se puede asegurar que no existe multicolinealidad y que las premisas sobre la igualdad de la varianza, linealidad y no colinealidad, han sido respetadas (Hair y otros, 2010). A su vez, cabe destacar tras un análisis de los outliers que no se ha tenido que descartar ningún caso por no ser elevado el número de los mismos. Por último, el peso de cada variable independiente a la correspondiente variable dependiente se representa con el resultado para los coeficientes beta (β).

Como aporte añadido, en el estudio también se presenta un análisis de las bibliotecas públicas a nivel de regiones, considerando para Finlandia las bibliotecas propiamente por regiones y para España por comunidades autónomas. El análisis por regiones se añade debido a que para ciertas variables del entorno socioeconómico y educativo que se quisieron considerar en el estudio no se disponen de datos para el nivel de análisis por municipios. Estas variables son las siguientes (se presentan siguiendo el modo para las variables por municipios, añadiendo la fuente de los datos para cada país):

Los resultados o descripción estadística de las variables incluidas en el estudio por regiones se muestran en la Tabla II.

Como se puede observar, nuevamente las medias son mayores en Finlandia que en España y tan solo menores en las variables donde el mejor resultado sería el más bajo (Habitantes, Educación y Desempleo). A su vez, los resultados del porcentaje de la variación de la desviación típica siempre son menores en Finlandia que en España, confirmando la idea ya expuesta de que las bibliotecas públicas son más homogéneas en el primer país y sin tantas diferencias o desigualdades como en España tanto a nivel de municipios como por regiones o comunidades autónomas. Desde ahí, adquiere aún un mayor sentido la idea sobre la posibilidad y necesidad de una ley a nivel nacional para la mejora y la superación de dichas diferencias en España.

Cabe subrayar que en el análisis por regiones la variable Actividades resulta con una media mayor para Finlandia en comparación a España, algo que no sucedía en el análisis por municipios. Esto se debe, principalmente, a que el total de la población en el análisis por regiones para España varía y aumenta un 7,60% respecto del análisis por municipios (de 42.860.838 a 46.386.463), y en Finlandia tan solo un 0,07% (de 5.438.855 a 5.442.837). La población total considerada en el estudio por regiones para ambos casos es la total de cada región y de los países, mientras que para el estudio por municipios resulta de la suma de la población de los municipios con servicios de bibliotecas y con datos disponibles en la fuente empleada. A su vez, las diferencias de los resultados de las variables en los análisis por municipios y regiones se deben a que en el segundo caso no se realiza la limpieza de datos de municipios con resultado de 0 en las variables que sí se llevó a cabo en el análisis a dicho nivel, siendo los resultados para cada región o comunidad autónoma la suma de todos los municipios con datos disponibles en cada una de ellas y la población total la de cada región.

Como ya se expuso pero conviene recordar, la ausencia de datos supuso eliminar 368 municipios de España del total de 3312 con bibliotecas, según la fuente, resultando un tamaño para la muestra de 2944 (n = 2944). Para el caso de Finlandia, solo se eliminó un municipio por ausencia de datos para la Superficie y por ello la diferencia de población entre el análisis por regiones y por municipios es mínima (0,07% menos en el segundo caso), resultando un tamaño de la muestra de 282 (n = 282). El tamaño de la muestra por regiones de Finlandia es de 18 (n = 18) y en España de 17 (n = 17).

La estimación paso a paso produjo un modelo con 5 variables significativas contribuyendo a unos mayores Préstamos. El modelo explicó el 23% de la variación en los Préstamos (Tabla III). Las variables Actividades (β = 0,48; p = 0,433), Personal (β = 0,079; p = 0,490), Profesionales (β = -0,090; p = 0,109), fueron excluidas del modelo debido a la falta de significancia. Resulta interesante que ninguna de las variables relacionadas directamente con el personal resulten ser factores significativos para los Préstamos.

Los 5 predictores que se hallaron fueron los referidos a las variables Habitantes (β = 0,296), Adquisiciones (β = 0,341), Colección (β = -0,286), Gastos (β = 0,282), y Superficie (β = -0,214). Aunque en el Paso 5 el coeficiente beta es mayor para las Adquisiciones que para los Habitantes, este último predictor es el más fuerte de acuerdo a los resultados del coeficiente de determinación (R2), pues explica una mayor variación en los Préstamos (9% del Paso 1). El predictor para las Adquisiciones añade un 5,5% al anterior porcentaje en el Paso 2. Juntos, estos dos predictores explican una variación del 14,5% en los Préstamos (Paso 2). Con todo, el modelo indica que a mayor Habitantes, Adquisiciones y Gastos, y menor Colección y Superficie, mayores son los Préstamos.

Cabe resaltar que la Superficie como predictor con valor negativo se ha dado en estudios anteriores (Japzon y Gong, 2005), pero sin un análisis concreto de los posibles motivos. Desde ahí, se propone una explicación para los casos con coeficiente beta negativo de la Colección y la Superficie en el modelo. Para ello, se atiende a la correlación parcial entre la Colección y Préstamos, y a la de Superficie y Préstamos, considerando a la población total (Población) como variable de control (Tabla IV).

Como se puede observar, la correlación sin variable de control entre Población y los Préstamos es positiva y significativa (0,164**), y las correlaciones igualmente sin variable de control tanto entre Población y Colección (-0,362***), y Población y Superficie (-0,284***), son negativas y también significativas. A su vez, las correlaciones con la variable de la Población como control entre Colección y Préstamos (-0,119*) y entre Superficie y Préstamos (-0,139*) en ambos casos son negativas y significativas, pero los valores y la significancia son menores que en las correlaciones no controladas por la variable de la Población.

De todo ello se puede concluir que en los municipios con menor Colección y Superficie se están produciendo más Préstamos, lo que contradice en un cierto grado la hipótesis general acerca de la relación positiva entre un mayor abastecimiento (colección, superficie, etc) y uso de las bibliotecas. No obstante, puede ser que en los municipios con mayor Población, el tamaño de la superficie y la colección por habitante sea más pequeño, pero los préstamos por habitante sean mayores que en los municipios pequeños. Si lo anterior fuese cierto, controlando el tamaño de la Población en la relación entre las variables de Superficie y Colección con la de Préstamos, la relación negativa debería decrecer e incluso desaparecer. Y eso es justo lo que sucede atendiendo a los resultados de las correlaciones parciales en Finlandia.

El mejor modelo consistió en 7 variables significativas contribuyendo a unos mayores Préstamos. Tan solo la variable Personal (β = -0,023; p = 0,303) fue excluida del modelo debido a la ausencia de significancia. En este caso, a diferencia del de Finlandia, las variables de Actividades y Profesionales resultaron predictores. El modelo explicó el 16,8% de la variación en los Préstamos (Tabla V), algo menos que en el caso de Finlandia (23%).

La Colección resultó el predictor más fuerte (β = 0,393) para los Préstamos en comparación a la Superficie (β = -0,231), las Actividades (β = 0,142), los Habitantes (β = 0,126), los Gastos (β = 0,089), las Adquisiciones (β = 0,060) y la variable Profesionales (β = 0,057). Al respecto, destacan las 3 primeras variables mencionadas por su buena contribución a los Préstamos, explicando el 14% de su variación (Paso 3). La contribución de las restantes variables es menor, aportando un 2,8% más a dicha variación en los Préstamos (Paso 7).

Este modelo indica que a mayor Colección, Actividades, Habitantes, Gastos, Adquisiciones y Profesionales, y menor Superficie, mayores son los Préstamos. Cabe resaltar que para España se obtuvieron 2 nuevos factores como predictores respecto del modelo para los Préstamos en Finlandia, a saber, los referidos a las variables Actividades y Profesionales. Además, el predictor más fuerte para los Préstamos en el caso español resultó el de la Colección, mientras que para Finlandia fue el de Habitantes.

Cabe destacar también que el coeficiente beta para la Colección en España, a diferencia del caso de Finlandia, resultó con signo positivo. A su vez, la Superficie sí que resultó predictor negativo, tal y como sucedió con Finlandia. Al respecto, se ha calculado la correlación parcial entre Superficie y Préstamos con la Población como variables de control (Tabla VI).

Tal y como se puede ver, no se halló significancia en las correlaciones. Así pues, en el caso de España el tamaño de la Población no influye en los resultados de la correlación entre Superficie y Préstamos, algo que sí ocurría en el caso de Finlandia.

La estimación paso a paso produjo un modelo con 3 variables significativas contribuyendo a unas mayores Visitas, explicando el 18% de su variación (Tabla VII), resultado menor que para el modelo de los Préstamos en Finlandia (23%).

Las variables Colección (β = -0,012; p = 0,894), Superficie (β = -0,005; p = 0,952), Personal (β = 0,124; p = 0,329), Profesionales (β = 0,056; p = 0,322) y Adquisiciones (β = -0,012; p = 0,880), fueron excluidas del modelo debido a la ausencia de significancia. Los Gastos resultaron el predictor más fuerte para las Visitas, pues su contribución (β = 0,341) es mayor que los casos de Actividades (β = 0,217) y Habitantes (β = 0,181).

En este caso y a diferencia del modelo para los Préstamos en Finlandia, ninguno de estos predictores resulta con un valor negativo en el coeficiente beta. Por tanto, el modelo indica que a mayores Gastos, Actividades y Habitantes, mayores son las Visitas. A su vez, atendiendo a los predictores resultantes para los Préstamos y Visitas en Finlandia, solo los Gastos resultaron como predictor en ambos casos, mientras que los referidos a Actividades y Habitantes resultaron predictores para las Visitas sin serlo para los Préstamos.

El mejor modelo consistió en las 8 variables independientes consideradas al resultar todas ellas significativas y contribuyendo a unas mayores Visitas. El modelo explicó el 17% de la variación en las Visitas (Tabla VIII), resultado cercano al caso del modelo para las Visitas en Finlandia (18%) y al del modelo de los Préstamos en España (16,8%).

El predictor más fuerte resultó ser la Colección (β = 0,314) frente a las Actividades (β = 0,177), Habitantes (β = 0,147), Superficie (β = -0,167), Personal (β = 0,094), Gastos (β = 0,079), Profesionales (β = 0,052) y Adquisiciones (β = 0,043). Los 5 primeros predictores mencionados destacan por su buena contribución a las Visitas, explicando el 16,8% de su variación (Paso 5). La contribución de las restantes variables es menor, aportando un 0,9% más a dicha variación (Paso 8).

Con todo, el modelo indica que a mayor Colección, Actividades, Habitantes, Personal, Gastos, Profesionales y Adquisiciones, y menor Superficie, mayores son las Visitas. A diferencia del modelo para las Visitas en Finlandia en el que se obtuvieron los predictores de Gastos, Actividades y Habitantes, para el caso de España resultaron como predictores todos los considerados como variables independientes, siendo el más fuerte el de la Colección, tal y como sucedió para el modelo de los Préstamos también en España. La Colección no resultó predictor para el caso en Finlandia de las Visitas, donde el más fuerte fue el de los Gastos.

Resulta de nuevo interesante el resultado negativo de la Superficie como predictor en el modelo de las Visitas en España, algo que ya ocurrió en los modelos para los Préstamos tanto en Finlandia como en España. Tal y como se hizo en esos casos, se ha estudiado la correlación parcial considerando a la Población como variable de control (Tabla IX).

Como se puede comprobar, no se obtuvo significancia entre la Población y la Superficie (-0,028) y entre la Población y las Visitas (0,016). Por ello, los resultados para la correlación entre Superficie y Visitas tanto no controlada como controlada por la Población resultan similares (de 0,084*** y 0,085*** respectivamente). Tal y como sucedió con la correlación parcial en el modelo de los Préstamos en España, en este caso tampoco la Población influye en los resultados para la correlación entre Superficie y Visitas, algo que sí ocurrió en el caso de los Préstamos en Finlandia.

En el estudio por regiones se analizaron los modelos para las variables dependientes de Préstamos y Visitas en ambos países, encontrando tan solo un predictor para los dos modelos en España de los Préstamos y las Visitas. Dado que para Finlandia no se hallaron predictores en ninguno de los modelos para los Préstamos y las Visitas, y que el predictor para ambos modelos en España es el mismo, se ha simplificado la presentación de los resultados (Tabla X).

La estimación paso a paso para los Préstamos en España produjo un modelo con la variable Adquisiciones (β = 0,852), explicando el 73% de la variación en los Préstamos. Por otro lado, la estimación paso a paso para las Visitas en el mismo país produjo un modelo con la variable Adquisiciones (β = 0,749), explicando el 56% de la variación en las Visitas. Por tanto, las variables del entorno consideradas en el análisis por regiones (PIB, Educación y Desempleo) y todas las consideradas en el análisis por municipios a excepción de las Adquisiciones en el caso de España, fueron excluidas de los modelos.