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