B. DE DEVITIIS, O.W. MAIETTA, Il prezzo ombra del capitale umano

SOCIETA’ ITALIANA DI ECONOMIA AGRARIA
XLVII Convegno di Studi “L’agricoltura oltre le crisi”
Campobasso, 22-25 settembre 2010
IL PREZZO OMBRA DEL CAPITALE UMANO NELL'AGRICOLTURA
DELLE REGIONI EUROPEE
Biagia De Devitiis*, Ornella Wanda Maietta*
Abstract: Il lavoro misura la redditivitá del capitale umano nell'agricoltura delle
regioni europee per verificare se essa sia cambiata in seguito a importanti modifiche
nel regime di politica agricola comunitaria. La redditivitá ė misurata attravero il
prezzo ombra del capitale umano, dopo aver stimato una funzione di produzione non
parametrica sui dati attinti dalla RICA europea, riferiti agli anni 1986-2006, mentre gli
indicatori del livello di capitale umano, definito dal livello di istruzione dei conduttori
agricoli, sono di fonte Eurostat. I prezzi ombra del capitale umano sono stimati,
attraverso la programmazione lineare, con l’approccio metodologico noto come DEAV. Dalle stime effettuate, risulta che il prezzo ombra del lavoro fornito dai conduttori
agricoli laureati è sempre positivo e superiore a quello fornito dai conduttori agricoli
diplomati a partire dal 1990. Si osserva un tendenziale aumento del prezzo ombra del
lavoro fornito dagli agricoltori laureati nonostante le interruzioni causate dagli shock
rappresentati dalle riforme della PAC.
Parole-chiave: crescita della produttività, prezzo ombra, capitale umano, agricoltura
*
Università degli studi di Foggia.
Università degli studi di Napoli Federico II e Centro per la Formazione in Economia e Politica dello
Sviluppo Rurale.
*
1. INTRODUZIONE
Il capitale umano é definito dalle conoscenze e dalle abilitá acquisite da un
individuo attraverso l’istruzione, l’addrestamento sul lavoro, sia esso specifico per
l’impresa che generale, e l’esperienza professionale. Esso esplica un ruolo
fondamentale nel processo di sviluppo economico per le sue esternalita’ sociali, sia di
tipo sanitario che educativo, particolarmente importanti in contesti arretrati, e per la
sua natura di bene pubblico. Ovviamente, affinchè l’investimento in istruzione esplichi
i suoi effetti, diretti e indiretti, in termini di aumento della produttività del lavoro, è
necessario trattenere in loco i lavoratori piu’ istruiti.
Il legame esistente tra capitale umano e produttivitá è stato inizialmente
evidenziato nei lavori pionieristici di Schultz (1961), Deninson (1964) e Todaro
(1981), stimando il contributo alla crescita economica statunitense dell’aumento del
livello di istruzione dei lavoratori. Successivamente, a partire dai contributi seminali di
Lucas (1988; 1993), il capitale umano, accumulato nel corso del processo produttivo e
nel percorso educativo formale, è descritto come fonte endogena di progresso tecnico,
attuato intenzionalmente dalle imprese (Romer, 1990; Aghion e Howitt, 1992) o
intenzionalmente causato da esternalità (Romer, 1986; Lucas, 1993).
Le nuove teorie della crescita (Carillo et al., 2008) hanno ampiamente analizzato
i vari aspetti della complessa relazione tra l’accrescimento qualitativo delle capacità
lavorative, la loro allocazione e lo sviluppo economico. Oltre ad aver ripreso ed
approfondito i meccanismi che rendono il capitale umano il principale motore dei
processi di sviluppo, la letteratura recente ha messo in evidenza anche perchè in alcune
situazioni il funzionamento del mercato conduce ad un livello sub-ottimale di
investimento in istruzione o ad un’allocazione non ottimale tra i vari settori produttivi
dello stock di capitale umano di un’economia. Un’allocazione non ottimale puó
derivare dalla scelta del settore disciplinare, le cui conoscenze l’individuo decide di
acquisire, o del livello di approfondimento delle conoscenze; nel primo caso, ad
esempio, ció puó comportare scarsa accumulazione di capitale umano finalizzato (di
tipo tecnico-scientifico) rispetto a quello di tipo non finalizzato (di tipo letterario-
2
umanistico), oppure, nel secondo, favorire l’istruzione secondaria rispetto a quella
terziaria.
La formazione di capitale umano è, quindi, un processo complesso che coinvolge
fattori economici, istituzionali, sociali e culturali (Carillo e Zazzaro, 2001). Il sistema
educativo, la famiglia, la tutela dei diritti, l’accesso al credito, la distribuzione del
reddito, il sistema amministrativo e politico condizionano l’ambiente in cui l’individuo
vive, stabilisce le sue relazioni sociali e svolge il suo processo formativo influenzando
l’acquisizione delle abilità e delle conoscenze, che si accumulano nel capitale umano di
un individuo, e la sua allocazione tra impieghi alternativi (Benabou, 1996; Durlauf,
1996). A sua volta, però, l’accumulazione di capitale umano incide sulle istituzioni che
regolano la società modificandole, perché il capitale umano agisce sulla qualità delle
relazioni sociali e sui valori di una collettività, sulle istituzioni e sulle norme che
regolano il funzionamento di un sistema sociale (Grandstein e Justman, 2000). Quindi
tra istituzioni e capitale umano vi sono profonde interconnessioni, che rendono tali
fattori determinanti del processo di crescita. Ad esempio, la presenza di
complementarietà strategiche tra scelte tecnologiche delle imprese e scelte formative
degli individui può spiegare perché la presenza di imprese altamente innovative stimoli
l’investimento individuale in istruzione; la conseguente accumulazione di capitale
umano, a sua volta, aumenta la capacità innovativa delle imprese (Carillo, 2001).
L’interrelazione tra scelte tecnologiche delle imprese e scelte formative degli
individui può essere ampliata dal contesto istituzionale nel quale individui e imprese
operano, come ad esempio mercato del lavoro e del credito, cosí come dal contesto
economico, perchė collettivitá piú ricche destinano maggiori risorse all’istruzione, o
dalla presenza di esternalitá del capitale umano anche nel consumo.
Nel caso del settore agricolo, la politica di sostegno dei redditi ha ovviamente
alterato la convenienza a investire in istruzione finalizzata al settore primario, con esiti
che non sono stati ancora indagati. De Devitiis e Maietta (2009) correlano la variabile di
capitale umano, misurata dalla percentuale di conduttori con istruzione secondaria e
terziaria, alla diversa composizione dell’Unione Europea (UE), conseguente ai
successivi allargamenti, evidenziando come i valori medi regionali di tale percentuale
3
presentino un andamento decrescente man mano che si aggiungono le regioni
corrispondenti ai successivi allargamenti comunitari. Analogamente, i risultati della
regressione alla Barro effettuata mostrano una relazione positiva e significativa tra
produttività del lavoro agricolo e anni di appartenenza della regione all’Unione Europea
confermando l’importanza del contesto istituzionale.
Il settore agricolo si caratterizza per un secondo aspetto: la predominanza di
lavoro indipendente rispetto a quello dipendente. Di conseguenza, l’uso di regressioni
minceriane, nelle quali il logaritmo del salario da lavoro dipendente é regredito sugli
anni di istruzione formale per stimare il tasso di rendimento dell’istruzione, é poco
agevole per la minore diffusione del lavoro salariato rispetto a quello familiare e per la
difficoltá di reperire dati relativi ai compensi corrispondenti ai diversi livelli di
istruzione. Appare, quindi, piú interessante misurare la redditivitá del lavoro
indipendente.
Scopo di questo lavoro è misurare la redditivitá del capitale umano
nell'agricoltura delle regioni europee e verificare se tale redditivitá sia cambiata in
seguito a importanti modifiche nel regime di politica agraria comunitaria.
La
redditivitá sará definita quale produttivitá del capitale umano, misurata
attraverso il suo prezzo ombra, dopo avere stimato una funzione di produzione non
parametrica. I dati utilizzati, attinti dalla RICA europea, si riferiscono agli anni 19862006. Utilizzando la serie storica di dati riferita all'istruzione dei conduttori agricoli a
livello regionale, di fonte Eurostat, il capitale umano è stato diviso in tre classi:
agricoltori con titolo di istruzione basso, medio e alto. Gli indici di prezzo, usati per
deflazionare output e input, sono di fonte Eurostat.
L’approccio metodologico prevede la stima, ricorrendo alla programmazione
lineare, di una frontiera non parametrica, nota come DEA-V, da cui si ottengono i
prezzi ombra delle tre classi menzionate di capitale umano.
Dalle stime effettuate, risulta che il prezzo ombra del capitale umano di livello
elevato è sempre positivo ma risulta superiore a quello di livello medio e basso solo a
partire dal 1990; inoltre, la tendenza ė di un aumento del prezzi ombra del livello
4
elevato di capitale umano nonostante le interruzioni causate dagli shock rappresentati
dalle riforme.
Nel
paragrafo
2
saranno
esaminati
i
lavori
che
stimano
l’impatto
dell’investimento in capitale umano sulla produttività in agricoltura; nel paragrafo 3
saranno descritti i dati impiegati nel presente lavoro e nel paragrafo 4 i risultati
ottenuti. Seguono brevi conclusioni.
2. CAPITALE UMANO E PRODUTTIVITÀ IN AGRICOLTURA
La letteratura economica e, in particolare, i modelli di crescita endogena,
assegnano al capitale umano il ruolo di motore della crescita, cui va essenzialmente
attribuito il circolo virtuoso che endogenamente alimenta il processo di crescita. In tali
modelli, il processo di sviluppo è considerato quale risultato di forze endogene
molteplici e interrelate, operanti all’interno di un sistema economico. Fra tali forze, il
capitale umano assume un ruolo prioritario attraverso gli effetti di spillover sulla
produttività delle risorse impiegate nel processo produttivo. Più precisamente, il
capitale umano produce due effetti: uno interno, di aumento della produttività del
lavoro, derivante dalla accresciuta abilità ed efficienza del lavoratore più istruito; il
secondo è un’esternalità che consiste nel miglioramento della produttività media di
tutti i lavoratori coinvolti nell’attività produttiva. Questo effetto indiretto di spillover,
rende tutti gli altri addetti più produttivi, a seguito dell’accumulazione di capitale
umano che un singolo individuo utilizza nella produzione; tale effetto comporta un
aumento del livello medio del capitale umano esistente ed è non intenzionale, nel senso
che dipende dal modo in cui il lavoratore istruito interagisce con coloro che gli operano
intorno. Lo spillover è tanto più forte quanto maggiore è il differenziale di capitale
umano tra lavoratore istruito e quello di coloro con cui il lavoratore istruito interagisce.
A livello aggregato, queste sinergie danno luogo a rendimenti di scala crescenti (Lucas,
1988) e generano un processo di crescita endogeno. La presenza di tale esternalità
spiega anche perchè il rendimento sociale dell’investimento in istruzione sia superiore
a quello privato.
5
Relativamente al settore agricolo studi empirici, che hanno esaminato l’impatto
dell’istruzione dei lavoratori o dell’investimento in capitale umano sulla produttività,
sono stati svolti sia per i paesi in via di sviluppo sia per i paesi sviluppati.
Per i primi è possibile ricordare il lavoro di Jamison e Lau (1982) nel quale è stata
verificata l’importanza dell’istruzione degli agricoltori per il miglioramento della
produttività in Tainlandia, Corea e Malaysia.
Tra i lavori più recenti è possibile citare lo studio di Luh et al. (2008) che per otto
paesi dell’Asia dell’Est1 nel periodo 1961-2001 identificano le principali fonti di
crescita dell’agricoltura. A tal fine costruiscono l’indice di crescita della produttività di
Malmquist, ne calcolano le due componenti e le regrediscono con variabili quali la
dotazione di capitale umano, le attività di R&S nazionali, gli spillover internazionali e
alcune caratteristiche aziendali specifiche per paese. I risultati mostrano che le attività di
R&S nazionali e la corrispondente interazione con il capitale umano costituiscono le
principali determinanti del progresso individuale di un’economia nella tecnologia
agricola, laddove la dotazione di capitale umano è cruciale per la capacità di catching
up. Inoltre, condizione necessaria affinché la conoscenza estera possa contribuire alla
crescita della produttività, sia attraverso l’innovazione sia attraverso la capacità di
catching up, è rappresentata dall’abilità dell’economia ospitante di sviluppare sufficienti
capacità di apprendimento dall’istruzione.
Per gli stessi paesi, nel medesimo periodo e usando gli stessi dati, Fung-Mey
Huang e Yir-Hueih Luh (2009), partendo dal presupposto che la capacità degli
agricoltori di affrontare gli squilibri indotti dai cambiamenti tecnologici migliori con
l’istruzione, verificano il ruolo svolto dall’istruzione per lo sviluppo dell’agricoltura. A
tal fine, sulla base dei dati FAO2, applicano un’analisi di switching regression. I risultati
mostrano che esiste una soglia di sviluppo economico superata la quale l’istruzione
genera i suoi effetti sul cambiamento della produttività agricola. Inoltre, per il gruppo
dei paesi per i quali l’istruzione rappresenta la principale determinante per la crescita
1
Cina, Indonesia, Giappone, Malaysia, Filippine, Corea del Sud, Tailandia e Taiwan.
Per Taiwan, i dati utilizzati provengono dall’Agricultural Yearbook, Couincil of Agricolture, Executive
Yuan.
2
6
della produttività, sia in regime di progresso tecnico che di stagnazione, si è riscontrato
che l’effetto dell’istruzione varia a seconda del paese e del regime.
Fuglie (2010) costruisce gli indici di Tornqvist-Thiel di output agricoli, input e
produttività totale dei fattori al fine di esaminare le determinanti della crescita
dell’agricoltura indonesiana nel periodo compreso tra il 1961 ed il 2006. L’autore
sviluppa un indice di qualità del fattore lavoro, espresso come livello medio di
istruzione della forza lavoro maschile e femminile, che rappresenta un fattore di
produzione e valuta l’impatto della variazione di tale indice sulla crescita della
produttività agricola a livello settoriale. I risultati ottenuti mostrano che nel periodo
compreso tra il 1961 e il 2006 più alti livelli di scolarizzazione hanno contribuito per il
10% alla crescita della produttività del lavoro.
Avila ed Evenson (2010) applicano un approccio di contabilitá della crescita a dati
FAO, relativi ai paesi in via di sviluppo per i periodi 1961-1980 e 1981-2001. Dopo
aver misurato la crescita della produttività totale dei fattori, questa è messa in relazione
con degli indici di capitale tecnologico. In particolare, gli autori costruiscono due nuovi
indici rispetto a quelli presenti in letteratura: l’Invention Innovation Capital (II) e il
Technology Mastery (TM). Nel calcolo dell’indice TM includono il “capitale
scolastico”, misurato in anni di studio degli uomini con età superiore ai 25 anni. I
risultati mostrano l’esistenza di una forte relazione tra la crescita della produttività totale
dei fattori e il capitale tecnologico così calcolato. Gli autori, inoltre, procedono alla
scomposizione della crescita della produttività totale dei fattori, tenendo cono di due
misure della qualità del lavoro. La prima è calcolata in anni di studio della forza lavoro
maschile in età lavorativa. Il secondo indice (Dietary Energy Sufficiency) si basa sul
consumo medio di calorie pro capite della forza lavoro. I risultati mostrano che il
miglioramento di entrambi gli indici contribuisce alla crescita della produttività totale
dei fattori.
Per quanto riguarda i paesi sviluppati, i primi studi risalgono agli anni ’60.
Griliches (1963) include un indice dell’istruzione della forza lavoro quale input in una
funzione di produzione aggregata Cobb-Douglas costruita con dati del 1949 relativi a 68
regioni agricole statunitensi. I risultati mostrano che l’istruzione della forza lavoro ha un
7
effetto positivo e statisticamente significativo sulla produzione ed il coefficiente
dell’istruzione è simile per grandezza a quello della forza lavoro. Griliches (1964)
applica una metodologia simile su dati aggregati per azienda relativi agli stati degli
USA per il 1949, 1954 ed il 1959 ottenendo risultati simili relativamente al contributo
dell’istruzione della forza lavoro sulla produzione.
Relativamente ai lavori più recenti, attuati su dati riferiti all’agricoltura italiana,
Esposti e Pierani (2000) adottano, per l’agricoltura italiana, una rappresentazione con
variabili latenti della tecnologia su dati AGRIFIT, verificando la significatività della
variabile di capitale umano quale shifter della tecnologia nel periodo compreso tra il
1961 ed il 1991. Mauro e Prestamburgo (2001) verificano per il periodo 1960-2000 la
significatività dell'accumulazione di capitale umano nella crescita del valore aggiunto
per addetto dopo aver usato le variabili ritardate di accumulazione di capitale umano. In
entrambi i casi emerge un impatto significativo del capitale umano sulla crescita
dell’agricoltura italiana. Maietta (2004) spiega la crescita della produttività totale dei
fattori sia con l'accumulazione di capitale umano nel settore, misurato in anni di studio
degli attivi, che con la riduzione del tasso degli attivi agricoli analfabeti sul totale degli
attivi analfabeti. L’analisi, svolta su dati provinciali dal 1951 al 1991, è condotta
utilizzando l’indice di Malmquist output-oriented, stimato con l’approccio non
parametrico DEA.
Per l'agricoltura europea Castillo e Cuerva (2006) verificano la significatività
della variabile di capitale umano all’interno di un processo di convergenza della
produttività agricola nelle regioni europee tra il 1985 ed il 1997. L’analisi, svolta su dati
in parte di fonte Eurostat, riferiti a differenti livelli di NUTS, ed in parte derivanti da
vari rapporti annuali dell’agricoltura della Commissione europea, è condotta attraverso
un’analisi di regressione, secondo la metodologia di Barro e Sala-i Martin.
Ezcurra et al. (2007) analizzano una distribuzione spaziale della produttività
agricola nelle regioni europee dal 1990 al 2000 e verificano la significatività della
qualità del capitale umano (misurata con l’età del proprietario e con la percentuale di
lavoro dedicato all’azienda) quale fattore esplicativo delle differenze regionali esistenti.
A tal fine, utilizzando prevalentemente dati di fonte Eurostat, riferiti alle regioni
8
europee, a livello NUTS2, gli autori hanno applicato l’approccio non parametrico
proposto da Quah (1996a, b). Dai risultati emerge che delle due variabili, relative al
capitale umano, l’unica ad essere significativa è quella relativa all’età con segno
negativo.
De Devitiis e Maietta (2009) verificano la relazione tra capitale umano
nell’agricoltura delle regioni dell’Unione Europea e produttività del lavoro agricolo.
Utilizzando dati prevalentemente di fonte Eurostat, riferiti alle regioni a livello NUTS2
e relativi all’anno 2005, l’analisi è svolta attraverso una regressione del valore aggiunto
per addetto su un set di variabili indipendenti, tra cui il livello d’istruzione dei
conduttori agricoli, misurato dal grado d'istruzione secondaria e terziaria. I risultati
mostrano come il capitale umano eserciti un effetto significativo sulla produttività del
lavoro con un’elasticità paragonabile a quella del capitale fisico. Tuttavia la variabile di
capitale umano presenta notevole dispersione a livello europeo, con le regioni centrosettentrionali molto dotate di capitale umano e quelle meridionali poco dotate.
I lavori fin qui menzionati fanno riferimento ad analisi svolte su dati aggregati.
Per completare il quadro del contesto europeo, appare necessario citare il lavoro di
Mathijs e Vranken (2000) relativo a due paesi dell’Europa centro orientale svolto su dati
microeconomici. Gli autori verificano l’impatto esercitato dal capitale umano (espresso
dall’età, dal grado d’istruzione e dal sesso) sull’efficienza tecnica. Utilizzando dati
derivanti da un’indagine svolta nel 1998 su 255 aziende agricole e zootecniche in
Ungheria e 93 aziende agricole in Bulgaria, l’analisi è svolta in due stadi: nel primo
sono stati calcolati i punteggi non parametrici di inefficienza tecnica a livello aziendale
usando una DEA e nel secondo tali valori sono stati usati come variabili dipendenti in
una regressione. I risultati indicano che, sia per l’Ungheria che per la Bulgaria, esiste
una relazione positiva tra il grado di istruzione (misurato con gli anni di studio) e
l’efficienza tecnica nelle aziende a conduzione familiare, sia agricole che zootecniche.
Per gli altri aspetti relativi al capitale umano, l’evidenza empirica risulta meno chiara.
L’età, per esempio, ha un impatto positivo sull’efficienza delle aziende agricole
ungheresi e negativo nel caso delle aziende della Bulgaria. La percentuale di donne
impiegate nelle aziende ha sempre un impatto positivo sull’efficienza, ma tale impatto
9
risulta statisticamente significativo solo nel caso delle aziende agricole ungheresi. Infine
la percentuale di occupati con età superiore a 60 anni ha un impatto statisticamente
significativo sull’efficienza tecnica delle aziende zootecniche ma non su quelle agricole.
I lavori menzionati suggeriscono l’uso di molteplici approcci per verificare
l’impatto della dotazione di capitale umano sulla produttivitá del capitale umano. L’uso
dell’approccio non parametrico DEA ė diffuso sia per applicazione su dati aziendali che
aggregati. Rispetto ad altri approcci (Maietta, 2007), offre i vantaggi di non richiedere la
conoscenza dei prezzi, di poter modellare input non discrezionali e di fornire facilmente
la misura dei prezzi ombra.
3. LA METODOLOGIA
3.1. I dati
I dati utilizzati provengono dalle rilevazioni aziendali, effettuate con l’indagine
RICA-FADN. Tale indagine si base su un campione di aziende professionali la cui
soglia, definita in termini di Unità di Dimensione Economica (UDE), varia a livello
nazionale. In particolare, dal sito web della DG-AGRI dedicato all’indagine RICAFADN, ė possibile scaricare delle elaborazioni dei dati microeconomici rilevati,
elaborazioni corrispondenti ad un’azienda rappresentativa dell’agricoltura professionale
di ogni regione dell’UE, di cui si forniscono il bilancio annuale e altre informazioni. Il
lavoro ė misurato in unità di lavoro (ULA) che corrisponde ad un’occupazione fulltime, il cui monte-ore ė variabile a livello nazionale. Le unità di lavoro sono distinte in
lavoro familiare (ULF) e salariato.
Il periodo per cui si dispone di tale rilevazioni riguarda gli anni 1986-2006; i dati
relativi al periodo 1986-1988, non disponibili sul sito, sono stati gentilmente forniti da
Stefano Dell’Acqua, dell’INEA. Analogamente i dati riferiti al capitale umano
dell’imprenditore agricolo
a livello regionale sono stati forniti da Pol Marquer
(Eurostat), mentre i dati relativi agli indici dei prezzi di input e output, sono stati forniti
da Iulia-Paula Pop (Commissione Europea).
La serie storica di dati riferita all'istruzione dei conduttori agricoli, a livello
regionale, è discontinua nel tempo, in quanto desunta da indagini effettuate negli anni
10
1986, 1990, 1993, 1995, 1997, 2000 e 2005; risulta, inoltre, non omogenea. Fino al
1986, il livello di istruzione, si riferisce all'istruzione generale (primaria, secondaria e
terziaria); dal 1990 in poi, si riferisce, all'istruzione professionale in agricoltura.
Tuttavia, la serie di fonte Eurostat presenta delle osservazioni mancanti che riducono
notevolmente il numero di regioni utilizzabili per anno, con un minimo di 32
osservazioni nel 1997. Per ovviare a tale inconveniente, le osservazioni mancanti, per la
maggior parte coincidenti con regioni spagnole o italiane, sono state integrate con i dati
derivati da interpolazioni delle informazioni censuarie, gentilmente forniti da Adriana
Diliberto per la Spagna e da Sergio Destefanis per l’Italia. In tal modo, si dispone di
informazioni anche per gli anni 2003 e 2006 per i quali ė stato possibile stimare una
frontiera riferita alle regioni italiane e spagnole.
Il capitale umano, diviso in tre classi, è stato quindi inteso quale percentuale di
agricoltori con titolo di istruzione basso, medio e alto. Tali percentuali sono state
applicate al dato relativo all’impiego di unita' di lavoro familiare (ULF), che risulta
quindi frazionato in tre livelli, basso, medio e alto, corrispondenti alla distribuzione
regionale dei conduttori agricoli.
Il livello di aggregazione regionale della RICA-FDN è più ampio di quello
corrispondente all'unità territoriale NUTS2, a cui si riferiscono i dati relativi
all’istruzione dei conduttori agricoli. Per Belgio, Danimarca, Irlanda, Lussemburgo e
Olanda, non ė fornita alcuna disaggregazione geografica. In caso di discordanza tra le
serie, per effettuare il raccordo tra regioni FADN e regioni NUTS2 sono stati consultati:
Lennart Hjalmarsson e Petre Badulescu per la Svezia, Vania Sena per il Portogallo e per
il Regno Unito, Moritz Bosbach per la Germania, Dimitris Christellis per la Grecia e
Timo Sipilainen per la Finlandia. Per le attribuzioni residue, ulteriori dubbi sono stati
fugati utilizzando i dati relativi all’estensione delle superfici agricole delle due serie
regionali, gentilmente forniti da Francesco Pecci.
Infine, Aldo Vitagliano, del Centro per la Formazione in Economia e Politica
dello Sviluppo Rurale (Portici), ha meticolosamente curato l’incrocio tra la vecchia
banca-dati del 1986-88 e quella aggiornata del 1989-2006, verificando la congruitá della
11
serie temporale per ogni regione. L’elenco delle informazioni contenute nella banca-dati
di fonte RICA-FADN ė riportato in appendice (tabella A.1).
Si ringraziano vivamente tutte le persone menzionate, per il prezioso contribuito
alla messa a punto della banca-dati.
3.2. Le variabili
Le variabili utilizzate per la stima delle funzioni di produzione sono quelle
abituali: quantitá di output e di input impiegati.
Il numero complessivo di osservazioni spazio-temporali costituenti il panel
sbilanciato per il periodo 1986-2006 ė pari a 2071. Di queste osservazioni sono state
utilizzate solo quelle di cui si avevano informazioni sui tre livelli di capitale umano
(basso, medio e alto), corrispondenti a 666 osservazioni. Le statistiche descrittive delle
variabili utilizzate, riferite a questo secondo campione, utilizzato per la stima del
prezzo ombra del capitale umano, sono riportate in tabella 1.
Tabella 1 - Statistiche descrittive delle variabili
Variabili
Unitá
misura Media Mediana Dev. st. Minimo Massimo
Output
Sussidi
Consumi intermedi
Capitale
ULA dipendenti
ULF - basso*
ULF - medio**
ULF - alto***
€ 2000
"
"
"
ULA
ULF
"
"
67429 44404
10442
4185
38444 20772
221028 164334
0.40
0.18
0.88
0.90
0.16
0.12
0.24
0.05
* con istruzione primaria
** con istruzione secondaria
*** con istruzione terziaria
12
78641
20054
52752
181688
1.05
0.37
0.14
0.37
6426
0
3163
20983
0
0
0
0
843812
207573
567506
1260203
17
1.83
0.96
1.92
3.3. L’approccio metodologico
La prima questione da affrontare riguarda come trattare i sussidi: se come input o
come output. Generalmente i sussidi vengono utilizzati per spiegare l’efficienza tecnica
o il progresso tecnico, quindi tradizionalmente omessi dalla specificazione della
tecnologia (Giannakas et al., 2001; Reizitis et al., 2003, Iraizos et al., 2005, Karagiannis
e Sarris, 2005). In alternativa, Zhengfei e Oude Lansink (2006) trattano i sussidi come
input tradizionali; questa impostazione e’ stata criticata da Kumbhakar (2008). Quindi,
in questo lavoro, i sussidi sono inizialmente esclusi, allorquando si misurano
l’efficienza tecnica e il progresso tecnico, come suggerito dalla letteratura.
Successivamente, dovendo misurare la redditivitá del capitale umano in termini di
prezzi ombra, i sussidi sono stati inclusi nella variabile di output.
Piú in dettaglio, é stata inizialmente effettuata una stima su tutti gli anni al fine
misurare la crescita della produttivitá nel periodo esaminato in assenza di informazioni
sulle variabili di capitale umano. A tal fine, ė stato utilizzato il panel bilanciato delle
sole regioni dell’UE a 12 membri per evitare che l’introduzione di nuove osservazioni,
dovute ai successivi allargamenti, causasse spostamenti della frontiera di non facile
interpretazione. Quindi dal panel sbilanciato di 2071 osservazioni ė stato estratto un
panel bilanciato composto da 88 regioni per il periodo 1986-2006, corrispondenti a
1848 osservazioni spazio-temporali.
L’orientamento dell’analisi, abitualmente adottato nella contabilitá della crescita,
ė output-increasing.
Dopo aver stimato, con una DEA-V output-oriented, delle
funzioni di produzione di frontiera annuali, sono state calcolate le componenti di
variazione di efficienza tecnica output-increasing (∆ET) e di progresso tecnico (PT) di
un indice di Malmquist (∆TFP):
∆TFP = ∆ET x PT
(1)
Avendo assunto rendimenti di scala variabili, la variazione di efficienza puó
derivare semplicemente da un miglioramento della scala produttiva, ∆Scala, e non da
un avvicinamento dell’osservazione alla frontiera. Depurando dall’effetto della
13
variazione di scala, si ottiene la variazione di efficienza tecnica output-increasing al
netto di aggiustamenti della scala (∆ETN).
La stima delle funzioni di produzione di frontiera, con approccio DEA-V, è stata
ripetuta aggiungendo le variabili di capitale umano per gli anni di cui si dispone di tale
informazione. A differenza delle precedenti stime, dovendo misurare la redditivitá del
capitale umano, i sussidi sono stati inclusi nella variabile di output; inoltre l’analisi ė
stata effettuata sia con orientamento output-increasing che input-saving, per tener
conto dell’aderenza alla nuova traiettoria tecnologica, improntata al contenimento dei
costi, sorta dalla crisi del paradigma produttivista di metà anni ’80.
L’impostazione input-saving presenta, inoltre, il vantaggio di consentire una
modelizzazione degli indicatori di capitale umano piú realistica, quali variabili non
discrezionali (Maietta, 2007), ossia non modificabili dall’imprenditore.
4. I RISULTATI
4.1. I livelli di efficienza tecnica e la crescita della produttivitá
La stima della funzione di produzione di frontiera con una DEA-V outputoriented, sul panel bilanciato di 88 regioni per il periodo 1986-2006, nella
specificazione in assenza di variabili di capitale umano, mostra che le regioni di
frontiera, negli anni esaminati, sono: Champagne-Ardenne, Netherlands, Denmark,
seguono Picardie ed East-England con un'efficienza sempre superiore a 0.9.
Dall’esame del grafico emerge chiaramente che il livello medio di efficienza
tecnica output-increasing dell’UE12 ha subito un repentino abbassamento nel 1992 e
nel 1999. I dettagli per singola regione sono riportati nella tabela A.2, in appendice.
Dal calcolo dell’indice di Malmquist output-oriented, emerge che la Danimarca ha
presentato il tasso di crescita della produttività più alto (in media, il tasso anuale e’
stato uguale al 4.5%). Nella tabela A.3, in appendice, sono riportati i dettagli per singola
regione insieme alle medie geometriche per nazione.
14
Grafico 1 – Evoluzione del livello medio di ET output-increasing nell’UE12
4.2. Il prezzo ombra del capitale umano
La tabella 2 riporta il prezzo ombra del lavoro salariato (ULA) e familiare
(ULF), distinto per livello di istruzione.
15
Tabella 2 - I prezzi ombra del lavoro nell’UE (€ 2000/ora)
Anno
Numero regioni
ULA
ULF
con livello di istruzione
basso
medio
alto
input-saving
1986
1990
1993
1995
1997
2000
2003*
2005
2006*
76
86
69
71
70
97
38
121
38
1.52
1.23
1.97
1.35
0.42
1.50
1.65
1.09
1.22
0.44
0.42
0.19
0.30
0.20
0.75
0.37
0.57
0.46
5.89
5.98
3.66
4.71
1.23
3.07
0.68
2.81
0.80
4.91
7.76
7.11
6.94
29.53
6.93
3.38
3.07
11.49
output-increasing
1986
1990
1993
1995
1997
2000
2003*
2005
2006*
76
86
69
71
70
97
38
121
38
1.62
1.33
1.68
1.39
2.75
1.40
1.00
0.67
1.25
0.45
0.39
0.23
0.27
0.36
0.67
0.38
0.23
0.47
9.70
4.27
3.33
2.78
1.51
3.38
0.26
1.59
0.80
3.01
8.53
5.18
4.74
29.71
7.78
2.44
5.10
8.07
* solo regioni italiane e spagnole
Le stime dei prezzi ombra dei consumi intermedi e di capitale non compaiono in
tabella perchė sempre uguali a zero, sia nell’orientamento input-saving che in quello
output-increasing, a dimostrazione dell’elevata intensità di capitale e di mezzi tecnici
dell’agricoltura professionale europea. Le stime relative al 1997 sembrano anomale
rispetto a quelle degli altri anni.
La prima considerazione che si puó trarre da questi risultati, infatti, ė che
l’agricoltura comunitaria risulti relativamente meno intensiva di lavoro che di altri
fattori, essendo la produttivitá del lavoro, sebbene bassa, comunque diversa da zero.
16
In secondo luogo, la produttivitá del lavoro salariato ė sempre superiore a quella
del lavoro familiare poco istruito, che ha una produttivitá prossima a zero; i due fattori
non sono perfetti sostituti l’uno dell’ altro, come si potrebbe erroneamente pensare.
Il prezzo ombra del capitale umano di livello elevato è sempre positivo ma risulta
superiore a quello di livello medio e basso solo a partire dal 1990.
Le riforme hanno causato uno shock alla redditivitá del capitale umano di livello
elevato se valutata sotto il profilo dell’espansione produttiva; viceversa dal lato del
contenimento dei costi, la variazione ė stata piu’ contenuta per il lavoro familiare piu’
istruito. La tendenza che si osserva ė di un aumento del prezzo ombra del lavoro
familiare piú istruito nonostante le interruzioni rappresentate dalle riforme.
5. CONCLUSIONI
Obiettivo di questo lavoro é misurare la redditivitá del capitale umano
nell'agricoltura delle regioni europee per verificare se essa sia cambiata in seguito a
importanti modifiche nel regime di politica agricola comunitaria.
Dalla stima del prezzo ombra del capitale umano sui dati attinti dalla RICA
europea, per il periodo 1986-2006, risulta che il prezzo ombra del lavoro fornito dai
conduttori agricoli laureati è sempre positivo e superiore a quello fornito dai conduttori
diplomati a partire dal 1990. Si osserva un tendenziale aumento del prezzo ombra del
lavoro fornito dai conduttori agricoli laureati nonostante le interruzioni causate dagli
shock rappresentati dalle riforme della PAC.
6. BIBLIOGRAFIA
Aghion P.- Howitt P. (1992): A Model of Growth Through Creative Destruction,
Econometrica, 60, 323-351.
Avila A. F. D. - Evenson R. E. (2010): Total Factor Productivity Growth in Agriculture:
The Role of Technological Capital, in Pingali P.L., Evenson R.E.(a cura di),
Handbook of Agricultural Economics, Elsevier BV.
Benabou R. (1996): Heterogeneity, stratification and growth, American Economic
Review, 86, 584-609.
17
Carillo M.R. (2001): Innovazione e capitale umano: il ruolo delle complementarietà
nello sviluppo economico del Mezzogiorno, in Carillo M.R., Zazzaro A., Istituzioni,
capitale umano e sviluppo del Mezzogiorno, Edizioni Scientifiche Italiane, Napoli.
Carillo M.R. - Moro B. - Papagni E. - Vinci S. (2008): Dualismo, nuove teorie della
crescita e sviluppo del Mezzogiorno, Il Mulino, Bologna.
Castillo J. S. - Cuerva M. (2005): Análisis de la convergencia en roductividad agraria en
las regiones europeas, Economía Agraria y Recursos Naturales, 5, 10, 89-105
De Devitiis B. - Maietta O.W. (2009): Capitale umano e produttività del lavoro agricolo
nelle regioni dell’Unione Europea, Agriregioneuropa, 5, 16, 3-7.
Deninson F. (1964): Measuring the contribution of education (and the residual) to
economic growth, economics of education: the residual factor in economic growth,
OECD, Parigi.
Durlauf S. (1996): A theory of persistent income inequality, Journal of Economic
Growth, 1, 75-93.
Esposti R. - Pierani P. (2000): Modelling technical change in Italian agriculture: a latent
variable approach, Agricultural Economics, 22, 3, 261-270.
Ezcurra R. - Iráizoz B. - Pascual P. - Rapún M. (2007): Agricultural Productivity in the
European Regions:Trends and Explanatory Factors, Fundación De Las Cajas De
Ahorros Documento De Trabajo, N. 309.
Fuglie K. O. (2010): Sources of growth in Indonesian agriculture, Journal of
Productivity Analysis, 33, 225–240.
Giannakas K. – Schoney R. – Tzouvelekas V. (2001): Technical efficiency,
technological change and output growth of wheat farms in Saskatchewan, Canadian
Journal of Agricultural Economics, 49, 135-152.
Gradstein M. - Justman M. (2000): Human capital, social capital and public schooling,
European Economic Review, 44, 879-890.
Griliches (1963): Estimates of the Aggregate Agricultural Production Function from
Cross Sectional Data, Journal of Farm Economics, 45, 419-428.
Griliches (1964): Research Expenditures, Education and the Aggregate Agricultural
Production function, American Economic Review, 54, 961-74.
18
Huang F.M. - Luh Y.H. (2009): The Economic Value of Education in Agricultural
Production: A Switching Regression Analysis of Selected East Asian Countries,
Contributed Paper prepared for presentation at the International Association of
Agricultural Economists Conference, Beijing, Cina, 16-22/8.
Irazois B. – Bardaji I. – Rapun M. (2005): The Spanish beef sector in the 1990s: impact
of the BSE crisis on efficiency and profitability, Applied Economics, 37, 473-484.
Jamison DT - Lau LJ (1982): Farmer education and farm efficiency, Johns Hopkins
University Press, Baltimore, MD.
Karagiannis G. – Sarris A. (2005): Measuring ans explaining scale efficiency with the
parametric approach: the case of Greek tobacco growers, Agricultural Economics,
33, 441-451.
Kumbhakar S.C. (2008): Modeling Effect of Subsidies on Productivity, relazione
invitata alla Seconda Conferenza internazionale USDA e AIEA2
“The Economic
Implications of Public Support for Agriculture”, Bologna, 19-22/06/2008.
Lucas R.E. (1988): On the mechanics of economic development, Journal of Monetary
Economics, 22, 3-42.
Lucas R.E. (1993): Making a Miracle, Econometrica, 61, 251-272.
Luh Y.-H. - Ching-Cheng Chang - Huang F.M. (2008): Efficiency change and
productivity growth in agriculture: A comparative analysis for selected East Asian
economies, Journal of Asian Economics, 19, 312–324.
Maietta O.W. (2004): Crescita della produttività e capitale umano nell'agricoltura
italiana: un’analisi con dati provinciali dal 1951 al 1991, La Questione Agraria, 4,
105-140.
Maietta O.W (2007): L’analisi dell’efficienza. Tecniche di base ed estensioni recenti.
ESI, Napoli.
Mathijs E. - Vranken L. (2000): Farm restructuring and Efficiency in Transition:
Evidence from Bulgaria and Hungary, Paper presentato all’American Agricultural
Economics Association 2000 Annual Meeting, Tampa FL, 30/7 –2/8.
19
Mauro L. - Prestamburgo M. (2001): Un'analisi della dinamica di lungo periodo della
produttività agricola delle regioni italiane, Rivista di Economia Agraria, 56, 4, 611
-643.
Rezitis A. – Tsiboukas K. – Tsoukalas S. (2003): Investigation of factors influencing the
technical efficiency of agricultural producers paricpating in farm credit programs: the
case of Greece, Journal of Agricultural and Applied Economics, 35, 529-541.
Romer P. (1986): Increasing returns and long run growth, Journal of Political Economy,
94, 1002-1037
Romer P. (1990): Endogenous technological change, Journal of Political Economy, 98,
S71-S101.
Schultz T.W. (1961): Investment in human capital, American Economic Review, 51, 117.
Todaro M. (1981): Economic development in the third world, New York, Longman.
Zhengfei G. - Oude Lansink A. (2006): The source of productivity growth in Dutch
agriculture: A perspective from finance, American Journal of Agricultural
Economics, 88, 644-656.
20
Tabella A1 – Elenco delle variabili di fonte RICA-FADN
Codice
ANNO
Codice nazione
Codice regione
SYS02
SYS04
SE005
SE010
SE015
SE020
SE025
SE030
SE035
SE041
SE046
SE050
SE054
SE055
SE060
SE065
SE071
SE072
SE073
SE075
SE080
SE085
SE090
SE095
SE100
SE105
SE110
SE115
SE120
SE125
SE131
SE135
SE140
SE145
SE150
SE155
SE160
SE165
SE170
SE175
SE180
SE185
Descrizione variabile
Num. aziende rappresent.
Tasso d'avvicendamento
Dimensione economica-UDE
Manodopera Totale - ULA
Manodop. Non Salar.- ULF
Manodopera Salariata-ULA
Superf. Agric. Util.- ha
SAU in affitto - ha
cereali - ha
altre colt. pieno campo-ha
ortaggi e fiori - ha
vigneti - ha
colture perm. Totale - ha
di cui frutteti - ha
di cui oliveti - ha
di cui altre permanenti - ha
colture foraggere - ha
terreni a riposo - ha
set-aside - ha
area boscosa - ha
Unità bestiame tot.- UBG
vacche da latte - UBG
altri bovini - UBG
ovini e caprini - UBG
suini - UBG
pollame - UBG
Resa del frumento - q/ha
Resa granturco -q/ha
UBG pascolo/ha a foragg.
Resa di latte - kg/vacca
Produzione lorda totale
Coltiv. e prod. vegetali
cereali
leguminose essiccate
patate
barbab. da zucchero
oleaginose
piante indust.
ortaggi e fiori
frutta
agrumi
uva
21
SE190
SE195
SE200
SE206
SE211
SE216
SE220
SE225
SE230
SE235
SE240
SE245
SE251
SE256
SE260
SE265
SE270
SE275
SE281
SE285
SE290
SE295
SE300
SE305
SE310
SE315
SE320
SE325
SE330
SE331
SE336
SE340
SE345
SE350
SE356
SE360
SE365
SE370
SE375
SE380
SE600
SE390
SE395
SE605
SE405
SE410
SE415
SE420
SE425
SE430
SE436
SE441
olive e olio d'oliva
foraggio
altre colt.e prod.veg.
Totale prod. animali
variaz. valore bestiame
latte di vacca e prod.
carni bovine
carni suine
carni ovine e caprine
carni di pollame
uova
latte ovini e caprini
altri animali e prod.
Altre produzioni
Autoconsumo
Reimpieghi
Oneri totali
Consumi intermedi
Oneri specifici
sementi e piante
di cui prod. nell'azienda
fertilizzanti
prodotti difesa colture
altri spec. per colt.
alim. best. al pascolo
di cui prod. nell'azienda
alimenti suini e poll.
di cui prod. nell'azienda
altri spec. per best.
costi specifici per la silvicoltura
Oneri generali
spese macch.e fabbric.
energia
lavori eseg. da terzi
altri oneri diretti
Ammortamenti
Fattori esterni
Retribuzione pagate
Canoni di affitto pag.
Inter.pag. netto sovv.
sovv. e imposte
Imposte nette IVA esc
Saldo IVA esc. invest.
Sovv. prod. e costi
Saldo sovvenz. e imposte su invest.
Reddito lordo aziendale
Prod. Netto del. Azienda
Reddito cond. e famiglia
Prod. Netto Azienda/ULA
Redd.Cond.+ Famiglia/ULF
Capitale totale
Capitale fisso
22
SE446
SE450
SE455
SE460
SE465
SE470
SE475
SE480
SE485
SE490
SE495
SE501
SE506
SE510
SE516
SE521
SE526
terreni
fabbricati
macchine
anim. da riproduzione
Capitale variabile
best. esc. da riprod.
stoccaggio di prod. agri.
altro capitale circolante
Indebitamento
prestiti lungo e medio
prestiti a breve term.
Patrimonio netto
Var. patrimonio netto
Capitale aziendale medio
Invest. lordo esc. terr.
Invest. netto esc. terr.
Cash-flow
23
Tabella A.2. - Valori di ET output-increasing per anno e per regione
Codice e nome regione
1986 1987 1988 1989 1990
(010) Schleswig-Holstein
0.81 0.74 0.77 0.76 0.77
(020) Hamburg
0.91 0.81 0.81 0.72 0.78
(030) Niedersachsen
0.74 0.73 0.73 0.73 0.77
(050) Nordrhein-Westfalen
0.84 0.76 0.76 0.75 0.72
(060) Hessen
0.65 0.62 0.62 0.63 0.62
(070) Rheinland-Pfalz
0.71 0.66 0.66 0.67 0.65
(080) Baden-Württemberg
0.68 0.62 0.66 0.63 0.62
(090) Bayern
0.74 0.69 0.75 0.74 0.72
(100) Saarland
1 0.76 0.77 0.76 0.77
(121) Île de France
1 0.92
1 0.90 0.90
(131) Champagne-Ardenne
1
1
1
1
1
(132) Picardie
1
1
1
1
1
(133) Haute-Normandie
0.94 0.92 0.97 0.92 0.89
(134) Centre
0.96 0.98 0.97 0.95 0.81
(135) Basse-Normandie
1 0.90 0.96 0.90 0.84
(136) Bourgogne
0.86 0.99 0.95 0.95 0.90
(141) Nord-Pas-de-Calais
1 0.95
1
1
1
(151) Lorraine
0.92
1
1
1
1
(152) Alsace
0.98 0.90 0.92 0.94 0.91
(153) Franche-Comté
1
1
1
1
1
(162) Pays de la Loire
0.91
1
1 0.84 0.80
(163) Bretagne
0.89 0.98 0.98 0.99 0.99
(164) Poitou-Charentes
0.79 0.92 0.89 0.97 0.95
(182) Aquitaine
0.77 0.79 0.74 0.73 0.72
(183) Midi-Pyrénées
0.67 0.77 0.76 0.74 0.71
(184) Limousin
0.69 0.70 0.75 0.67 0.78
(192) Rhônes-Alpes
0.80 0.82 0.83 0.78 0.74
(193) Auvergne
0.63 0.78 0.80 0.75 0.70
(201) Languedoc-Roussillon
0.94 0.85 0.88 0.87 0.89
(203) Provence-Alpes-Côte
0.95 0.89 0.88 0.87 0.85
1991
0.76
0.99
0.83
0.77
0.73
0.68
0.68
0.78
0.77
0.98
1
1
0.94
0.87
0.86
0.85
1
1
0.98
1
0.83
1
0.92
0.70
0.73
0.77
0.73
0.69
0.95
0.88
1992
0.79
0.79
0.80
0.74
0.72
0.71
0.71
0.77
0.78
1
1
1
0.94
0.87
0.97
0.90
1
1
1.00
1
0.90
1
0.86
0.82
0.65
0.68
0.76
0.73
0.83
0.86
24
1993
0.79
1
0.84
0.78
0.73
0.75
0.71
0.78
0.80
0.96
1
1
0.91
0.83
0.99
0.92
0.99
1
0.99
1
1
1
0.79
0.78
0.72
0.73
0.91
0.78
0.94
0.94
1994
0.79
0.94
0.78
0.75
0.73
0.75
0.76
0.78
0.78
1.00
1
1
1.00
0.85
0.97
0.92
1.00
1
0.98
1
1
1
0.88
0.81
0.70
0.76
0.91
0.82
1
1
1995
0.81
1
0.80
0.75
0.69
0.73
0.70
0.75
0.81
0.97
1
1
0.92
0.79
0.98
0.92
0.97
1
0.96
1
1
1
0.93
0.84
0.74
0.75
0.90
0.84
1
0.98
1996
0.80
0.91
0.83
0.80
0.69
0.77
0.74
0.73
0.76
1.00
1
1
0.94
0.83
0.92
0.92
0.98
1
1
0.93
1
1
0.94
0.96
0.73
0.70
0.89
0.78
1
1
1997
0.84
0.86
0.83
0.78
0.66
0.73
0.69
0.78
0.78
1.00
1
1
0.93
0.89
0.94
0.93
0.97
1
1
0.97
1
1
0.91
0.98
0.72
0.65
0.91
0.79
0.98
1
1998
0.81
0.77
0.79
0.75
0.65
0.72
0.67
0.78
0.74
1
1
1
0.90
0.85
0.96
0.87
1
1
1
1.00
1
1
0.92
1.00
0.71
0.73
0.89
0.76
1
1
1999
0.82
0.91
0.92
0.92
0.75
0.65
0.69
0.84
0.76
0.86
1
0.95
0.97
0.78
0.95
0.84
1
1
1
0.97
1
1
0.99
0.91
0.66
0.62
0.80
0.72
0.92
0.98
2000
1
0.91
0.93
0.98
0.81
0.79
0.84
0.90
0.88
0.99
1
1
1
0.89
0.94
0.97
0.99
1
1
1
1
1
1.00
0.93
0.77
0.70
0.87
0.78
1
1
2001
0.93
0.88
0.98
0.88
0.81
0.80
0.80
0.92
1
0.96
1
1
0.93
0.85
0.96
0.88
0.95
1
1
1
0.97
1
0.96
0.90
0.71
0.74
0.88
0.82
0.93
1
2002
0.95
0.82
0.85
0.96
0.74
0.80
0.77
0.81
1
0.90
1
0.98
0.97
0.88
0.90
0.85
1
1
1
0.97
0.99
1
0.97
0.92
0.71
0.78
0.83
0.82
0.87
1
2003
0.97
0.93
0.87
0.87
0.74
0.88
0.80
0.82
1
1
1
1
1
0.97
0.91
0.83
1
1
1
1
0.97
1
0.99
0.92
0.73
0.82
0.81
0.92
0.93
1
2004
0.99
0.78
0.88
0.95
0.74
0.72
0.74
0.89
0.92
1
1
1
0.99
0.97
0.88
0.81
0.98
1
1
0.98
1.00
1
0.99
1.00
0.71
0.72
0.81
0.78
0.85
1
2005
1
0.83
0.92
0.94
0.76
0.82
0.78
0.88
1
1
1
1
0.90
0.92
0.94
0.85
0.94
1
1
1
0.99
1
0.96
0.92
0.78
0.85
0.82
0.94
0.76
1
2006
0.85
0.79
0.86
0.86
0.75
0.75
0.71
0.82
0.82
1
1
1
0.97
0.99
0.93
0.88
0.93
1
1
0.97
0.98
1
1.00
0.92
0.76
0.76
0.81
0.85
0.79
1
Codice e nome regione
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
(204) Corse
(221) Valle d'Aoste
(222) Piemonte
(230) Lombardia
(241) Trentino
(242) Alto-Adige
(243) Veneto
(244) Friuli-Venezia
(250) Liguria
(260) Emilia-Romagna
(270) Toscana
(281) Marche
(282) Umbria
(291) Lazio
(292) Abruzzo
(301) Molise
(302) Campania
(303) Calabria
(311) Puglia
(312) Basilicata
(320) Sicilia
(330) Sardegna
(340) Belgium
(350) Luxembourg
(360) The Netherlands
(370) Denmark
(380) Ireland
(411) England-North
(412) England-East
(413) England-West
(421) Wales
0.76
0.54
1
1
0.91
0.97
1
1
1
1
0.83
0.95
0.69
0.89
0.97
1
1
1
0.92
0.82
1
0.83
0.95
0.79
1
1
0.60
0.79
1
0.76
0.63
0.90
0.57
1
1
0.93
0.96
0.95
1
1
1
0.85
0.95
0.73
0.80
1
1
1
1
0.93
0.78
1
0.77
0.88
0.89
1
1
0.63
0.78
1
0.78
0.65
0.71
0.65
1
1
0.88
0.95
1
1
1
1
0.84
0.91
0.74
1
1
1
1
1
1
0.75
1
0.80
0.93
0.89
1
1
0.66
0.78
1
0.80
0.69
0.71
0.80
1
1
1
0.88
1
1
1
1
0.91
0.81
0.86
0.87
0.83
1
1
1
1
0.74
1
0.75
0.93
0.92
1
1
0.64
0.74
1
0.74
0.61
0.71
0.66
0.92
0.96
1
0.89
0.95
0.93
1
1
0.91
0.76
0.81
0.84
0.81
1
1
1
1
0.80
1
0.76
0.91
0.92
1
1
0.62
0.73
1
0.68
0.59
0.72
0.77
0.92
1
1
0.96
0.93
0.89
1
0.98
0.91
0.75
0.78
1
0.93
0.92
1.00
0.95
0.99
0.80
1
0.80
0.92
0.94
1
1
0.68
0.77
1
0.75
0.61
0.68
0.71
1
1
0.77
0.95
0.96
0.96
0.91
0.96
0.93
0.77
0.77
0.83
0.83
0.88
0.83
0.55
0.83
0.63
0.91
0.76
0.91
1
1
1
0.68
0.74
1
0.76
0.66
25
0.71
0.72
1
1
0.78
0.76
0.97
0.84
1
1
0.85
0.72
0.76
0.82
0.88
0.90
1
1
1.00
0.74
0.92
0.77
0.99
1
1
1
0.63
0.69
0.92
0.72
0.66
0.78
0.74
0.90
1
0.92
0.87
1.00
0.83
0.88
1
0.84
0.65
0.69
0.86
0.95
0.80
1
1
0.91
0.75
1.00
0.75
0.97
0.91
1
1
0.59
0.69
1
0.72
0.61
0.78
0.65
0.91
1
0.90
0.90
0.86
0.81
1
1
0.90
0.76
0.63
0.97
1
0.89
1
1
0.95
0.83
1.00
0.69
0.96
0.85
1
1
0.56
0.66
0.98
0.67
0.55
0.76
0.60
0.80
1
0.99
0.84
0.83
0.82
1
0.91
1
0.80
0.61
0.89
1
0.93
0.92
1.00
0.88
0.82
0.97
0.75
0.99
0.94
1
1
0.55
0.69
0.97
0.68
0.59
0.75
0.57
0.83
1
0.80
0.70
0.64
0.54
0.85
0.77
0.86
0.75
0.53
0.86
1
1
1
1
0.92
0.72
1.00
0.57
0.97
0.90
1
1
0.52
0.75
1
0.77
0.64
0.74
0.53
0.70
0.92
0.76
0.65
0.64
1.00
0.84
0.77
0.81
1
0.41
0.72
0.86
1.00
0.94
1
1
1
1
0.54
0.99
0.92
1
1
0.47
0.70
1
0.75
0.58
0.68
0.38
0.62
0.76
0.53
0.59
0.51
0.47
0.64
0.66
0.62
0.43
0.31
1
0.64
0.41
0.72
1
0.95
0.81
0.84
0.41
0.96
0.87
1
1
0.39
0.71
1
0.72
0.55
0.75
0.53
0.88
0.93
0.72
0.67
0.67
0.57
0.78
0.81
0.80
0.48
0.44
0.85
0.76
0.48
0.66
1
1
0.63
1
0.55
1
0.92
1
1
0.51
0.81
1
0.80
0.62
0.81
0.73
0.98
0.98
1
0.86
0.85
1
1
0.82
0.93
0.67
0.69
1
0.96
0.68
0.95
1
1
1
1
0.80
1
0.93
1
1
0.64
0.76
1
0.81
0.74
0.83
0.63
1
1
1
0.90
0.96
0.93
1
0.82
0.91
0.84
0.69
0.99
0.80
0.78
0.73
1
1
0.76
1
0.75
1
0.88
1
1
0.65
0.79
1
0.84
0.73
0.85
0.56
0.91
0.95
1.00
0.91
0.86
0.95
1
0.83
0.85
0.79
0.77
0.78
0.89
1
0.84
1
1
0.83
1
0.89
1
1
1
1
0.74
0.85
1
0.84
0.74
0.89
0.46
0.83
0.92
0.81
0.67
0.72
0.85
1
0.63
0.63
0.63
0.55
1
0.75
1
0.69
1
1
0.58
1
0.47
1
1
1
1
0.54
0.70
0.91
0.67
0.70
0.81
0.67
0.97
1
0.93
0.81
0.77
0.89
1
0.67
0.87
1
0.65
0.93
0.97
0.99
0.98
1
0.97
0.81
1
0.75
1
1
1
1
0.72
0.69
0.97
0.69
0.69
0.89
0.58
1
1
1
0.81
0.83
0.84
1
0.68
0.89
0.81
0.87
0.95
0.82
0.96
0.90
1
1
0.76
1
0.76
1
1
1
1
0.76
0.74
0.96
0.75
0.65
Codice e nome regione
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
(431) Scotland
(441) Northern Ireland
(450) Makedonia-Thraki
(460) Ipiros-Peloponissos-Nissi
Ioniou
(470) Thessalia
(480) Sterea Ellas-Nissi Egaeou-Kriti
(500) Galicia
(505) Asturias
(510) Cantabria
(515) Pais Vasco
(520) Navarra
(525) La Rioja
(530) Aragón
(535) Cataluna
(540) Baleares
(545) Castilla-León
(550) Madrid
(555) Castilla-La Mancha
(560) Comunidad Valenciana
(565) Murcia
(570) Extremadura
(575) Andalucia
(610) Entre Douro e Minho/Beira
litoral
(620) Tras-os-Montes/Beira interior
(630) Ribatejo e Oeste
(640) Alentejo e do Algarve
(650) Açores
0.70 0.71 0.71 0.71 0.66 0.65 0.67 0.64 0.67 0.56 0.55 0.57 0.55 0.49 0.67 0.64 0.66 0.72 0.64 0.63 0.71
0.65 0.62 0.65 0.63 0.55 0.61 0.60 0.59 0.61 0.56 0.53 0.56 0.55 0.49 0.66 0.70 0.63 0.68 0.78 0.83 0.80
1 0.97 0.93 0.87 0.91 0.93 0.72 0.91 0.89 0.92 0.82 0.84 0.72 0.63
1
1
1
1
1
1
1
Media
0.88 0.88 0.88 0.86 0.85 0.87 0.83 0.88 0.88 0.87 0.87 0.85 0.85 0.78 0.85 0.90 0.88 0.91 0.85 0.89 0.89
1
1
1
0.85
1
1
0.88
1
1
0.86
0.68
1
0.91
0.71
0.99
1
0.77
0.99
0.99
1
0.91
0.94
0.93
0.95
1
0.99
0.89
1
0.67
0.88
1
0.99
0.87
0.96
1
1
0.88
1
0.96
0.86
0.93
0.81
0.86
1
1
0.80
1
0.68
0.66
0.64
0.98
0.91
1.00
1
1
1
1
0.95
0.92
0.91
0.57
1
1
1
0.76
0.91
0.69
0.65
0.63
0.72
0.70
1
0.69
1
1
0.99
1
0.94
0.95
1
0.64
0.68
0.81
1
1
0.71
0.67
0.67
0.68
1
1
1
1
0.75
0.87
1
0.97
0.92
1
0.72
0.70
0.78
1
1
0.72
0.89
0.67
0.72
0.78
0.86
1
1
0.82
0.92
0.72
0.87
0.72
0.98
0.79
0.92
0.74
1
0.95
1
0.84
1
0.80
1
0.83
1
1
0.77
1
1
1
0.94
0.89
0.77
0.88
0.98
1
1
0.75
1
0.86
1
1
0.96
1
1
0.75
1
1
1
0.93
0.77
1.00
0.82
0.85
1
1
0.73
0.78
0.78
0.94
1
1.00
1
0.86
0.86
0.87
1
0.89
0.98
0.92
0.78
0.86
0.78
1
1
0.64
0.73
0.74
0.75
1
0.89
1
1
0.95
0.89
1
0.72
0.93
0.95
0.79
1
0.96
0.88
1
0.75
0.67
0.96
0.75
1
0.94
1
1
0.79
1.00
1
0.78
0.89
1.00
0.84
0.86
0.83
0.78
1
0.80
0.76
1
0.78
0.98
0.89
1
1
0.67
1.00
1
0.52
0.79
0.95
1
1
1
0.82
1
0.84
0.65
1
0.80
0.96
0.91
1
1
0.77
0.85
1
0.48
0.70
1
1
0.98
0.68
0.70
1
0.77
0.55
1
1
0.73
0.70
1
1
0.58
0.59
1
0.56
0.83
1
1
0.88
0.76
0.75
1
1
0.68
0.88
1
0.91
0.80
1
1
0.72
1.00
1
0.71
1
1
0.89
0.87
0.88
0.82
1
0.80
0.77
0.88
0.84
0.94
0.84
1
1
0.78
1.00
1
0.65
0.75
0.90
0.79
1
0.85
0.83
1
0.75
0.70
1
1
1
0.93
1
1
0.83
1.00
1
0.98
1
0.86
1
0.92
0.95
0.84
1
0.87
0.75
1
1
1
0.83
1
1
0.95
0.84
1
1
1
0.61
0.67
1.00
0.76
0.63
0.75
0.85
1
1
1
1
0.78
1
0.95
0.79
0.74
1
1
0.81
1
1
1
1
0.82
0.83
0.77
0.63
1
1
0.99
0.65
0.97
0.94
0.75
0.80
1
1
0.74
0.96
1
1
0.82
0.90
0.96
0.73
0.71
1
1
1
0.79
1
0.92
1
0.80
0.77
1
1
1
1
1 0.41
1
1
1
1
1
1
1
1
1
1
1
1 0.88 0.88
0.82
1
1
1
1
1 0.36
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0.70 0.65 0.63 0.64 0.72 0.65 0.50 0.72 0.80
1
1
1
1 0.75 0.92 0.78 0.71 0.78 0.64 0.79 0.83
0.74 0.65 0.61 0.65 0.60 0.65 0.50 0.57 0.65 0.65 0.66 0.63 0.69 0.56 0.50 0.57 0.56 0.58 0.57 0.42 0.51
1
1 0.85
1
1
1 0.57 0.67 0.95 0.73 0.73 0.80 0.95
1
1
1
1
1
1
1
1
26
Tabella A.3. - Componenti dell’indice di Malmquist
Codice e nome regione
∆ET
PT
∆ETN
∆Scala
∆TFP
(010) Schleswig-Holstein
(020) Hamburg
(030) Niedersachsen
(050) Nordrhein-Westfalen
(060) Hessen
(070) Rheinland-Pfalz
(080) Baden-Württemberg
(090) Bayern
(100) Saarland
Germania
(121) Île de France
(131) Champagne-Ardenne
(132) Picardie
(133) Haute-Normandie
(134) Centre
(135) Basse-Normandie
(136) Bourgogne
(141) Nord-Pas-de-Calais
(151) Lorraine
(152) Alsace
(153) Franche-Comté
(162) Pays de la Loire
(163) Bretagne
(164) Poitou-Charentes
(182) Aquitaine
(183) Midi-Pyrénées
(184) Limousin
(192) Rhônes-Alpes
(193) Auvergne
(201) Languedoc-Roussillon
(203) Provence-Alpes-Côte
(204) Corse
Francia
(221) Valle d'Aoste
(222) Piemonte
(230) Lombardia
(241) Trentino
(242) Alto-Adige
(243) Veneto
(244) Friuli-Venezia
(250) Liguria
(260) Emilia-Romagna
(270) Toscana
(281) Marche
(282) Umbria
(291) Lazio
(292) Abruzzo
(301) Molise
1.001
0.993
1.005
1.001
1.008
1.004
1.002
1.005
0.996
1.002
1
1
1
1.003
1
0.996
1.002
0.996
1.005
1.005
1.001
1.003
1.007
1.01
1.009
1.007
1.004
1.001
1.016
0.989
1.004
1.003
1.005
1.008
0.999
1.002
1.004
0.994
0.99
0.988
1
0.984
1.004
0.986
1.007
0.997
0.988
0.984
1.018
1.022
1.015
1.022
1.015
1.018
1.016
1.014
1.008
1.016
1.031
1.022
1.025
1.015
1.015
1.008
1.009
1.014
1.008
1.011
1.005
1.02
1.018
1.013
1.021
1.009
1.007
1.017
1.005
1.014
1.018
1.013
1.013
1.011
1.001
1.013
1.01
1.014
1.022
1.014
1.005
1.02
1.008
0.986
1.005
1.002
1.008
0.977
1.003
0.993
1.007
1.001
1.007
1.003
1.002
1.005
0.99
1.001
1
1
1
1.001
1.002
0.996
1.001
0.996
1.004
1.001
0.999
1.004
1.006
1.012
1.009
1.006
1.004
1.001
1.015
0.991
1.003
1.008
1.005
1.004
1
1
1.005
0.991
0.991
0.991
1
0.981
1.003
0.992
1.012
1.003
0.992
0.998
0.999
1
0.998
0.999
1
1.001
1
1
1.006
1.000
1
1
1
1.002
0.998
1
1
1
1.001
1.004
1.003
0.999
1.001
0.998
1
1.001
1
1
1.001
0.998
1.001
0.996
0.999
1.005
0.999
1.002
1
1.003
0.999
0.996
1
1.004
1
0.994
0.995
0.995
0.997
0.986
1.019
1.015
1.021
1.022
1.023
1.022
1.018
1.018
1.003
1.018
1.031
1.022
1.025
1.018
1.015
1.005
1.01
1.01
1.013
1.016
1.006
1.023
1.025
1.023
1.03
1.016
1.01
1.018
1.021
1.003
1.022
1.016
1.018
1.019
1
1.015
1.015
1.008
1.012
1.001
1.004
1.004
1.012
0.972
1.011
1
0.996
0.962
27
Codice e nome regione
(302) Campania
(303) Calabria
(311) Puglia
(312) Basilicata
(320) Sicilia
(330) Sardegna
Italia
(340) Belgium
(350) Luxembourg
(360) The Netherlands
(370) Denmark
(380) Ireland
(411) England-North
(412) England-East
(413) England-West
(421) Wales
(431) Scotland
(441) Northern Ireland
Regno Unito
(450) Makedonia-Thraki
(460) Ipiros-Peloponissos-Nissi
Ioniou
(470) Thessalia
(480) Sterea Ellas-Nissi Egaeou-Kriti
Grecia
(500) Galicia
(505) Asturias
(510) Cantabria
(515) Pais Vasco
(520) Navarra
(525) La Rioja
(530) Aragón
(535) Cataluna
(540) Baleares
(545) Castilla-León
(550) Madrid
(555) Castilla-La Mancha
(560) Comunidad Valenciana
(565) Murcia
(570) Extremadura
(575) Andalucia
Spagna
(610) Entre Douro e Minho/Beira
litoral
(620) Tras-os-Montes/Beira interior
(630) Ribatejo e Oeste
(640) Alentejo e do Algarve
(650) Açores
Portogallo
∆ET
0.994
1.011
0.988
0.994
1.002
0.992
0.996
1.002
1.014
0.996
1.011
1.007
0.995
0.994
0.997
1.002
0.998
1.011
0.999
0.962
PT
1.017
1.006
1.005
0.998
1.006
1.007
1.006
1.011
1.012
1.023
1.033
1
1.021
1.023
1.021
1.017
1.02
1.013
1.019
1.02
∆ETN
0.995
1
1.004
0.996
1
0.996
0.998
1.003
1.012
1
1
1.012
0.997
0.998
0.999
1.001
1.001
1.01
1.001
1
∆Scala
0.999
1.011
0.984
0.997
1.002
0.996
0.998
0.999
1.002
0.996
1.011
0.994
0.998
0.996
0.998
1
0.998
1.001
0.998
0.962
∆TFP
1.011
1.017
0.993
0.992
1.008
0.999
1.002
1.013
1.027
1.019
1.045
1.006
1.015
1.016
1.018
1.019
1.019
1.025
1.019
0.981
0.989
0.96
0.98
0.973
1.004
1.002
1
0.994
0.993
1.012
0.989
0.998
0.989
1.005
1.018
0.987
0.994
1.008
1.008
0.989
0.999
1.013
1.02
1.009
1.015
0.992
1.006
1.004
1.011
1.004
0.989
1.01
1.019
1.005
1.018
1.017
1.022
1.005
1.026
1.022
1.011
1.010
1
1
0.985
0.996
1.006
1
1
0.996
0.994
0.998
0.992
1.002
1
1.005
1.018
0.989
1
1.009
1.001
0.989
1.000
0.989
0.96
0.994
0.976
0.999
1.002
1
0.997
0.998
1.014
0.997
0.996
0.989
1
1
0.998
0.994
0.999
1.007
0.999
0.999
1.002
0.979
0.988
0.987
0.996
1.008
1.004
1.004
0.996
1.001
0.999
1.016
0.994
1.022
1.035
1.009
0.999
1.034
1.03
0.999
1.009
0.983
0.996
1.002
0.979
0.977
0.995
0.998
1.02
1.013
1.009
1.012
1.023
1.015
1.012
1.007
1.01
1.009
0.982
1
1.001
1.001
0.976
0.986
0.994
0.997
0.977
0.994
0.998
1.002
1.008
1.011
0.991
0.999
1.002
1.01
UE12
Tabella A.4 - I prezzi ombra del lavoro nell’UE (€ 2000/ora).
28