Appunti dinamiche industriali

Dinamiche industriali – Lezione 1

La dinamica industriale è lo studio dell’evoluzione dei settori in termini di struttura di mercato (monopolio, oligopolio, etc.), ingresso e uscita delle imprese (cosa fa sì che un settore prima dominato da un’unica grande impresa si trasformi in un settore con concorrenza perfetta ed in cui vi è molta entry e molta exit o viceversa), R&S, innovazione etc.

Shake out

Quando viene immessa sul mercato una nuova tecnologia, che crea nuovi bisogni nei consumatori, inizialmente vi è un numero ridotto di imprese, il quale cresce in modo esponenziale fino ad arrivare al cosiddetto shake out. A questo punto, il numero delle imprese crolla e si attesta su un trend quasi piatto ma leggermente decrescente. Dunque, si genera una dinamica esponenziale (sempre più imprese che entrano sempre più velocemente nel mercato) caratterizzata da un’entrata superiore all’uscita fino al raggiungimento di un picco; dopodiché crolla il numero di imprese e quindi si registrano un’uscita molto importante e una stabilizzazione ad un trend abbastanza stabile che, però, scende molto lentamente nel tempo.

Nella prima fase, essendo il settore dinamico, vi è una forte concorrenza, poi viene a crearsi una situazione di oligopolio in quanto, mediante le acquisizioni, si riduce il numero di imprese.

Driver rilevanti nella prima fase

Quali sono i driver rilevanti nella prima fase? Differenziazione del prodotto, importanza della qualità, innovazione. Inoltre, grazie agli incentivi, è possibile diminuire le barriere all’entrata del settore. Dunque, nella prima fase occorre creare qualcosa di nuovo che permetta alle imprese di permanere all’interno del mercato. Infatti, i settori in espansione attirano nuovi consumatori, creando nuovi bisogni, e fanno sì che si crei spazio per nuove imprese, le quali non hanno il problema di entrare in concorrenza con le altre dato che le barriere sono basse. L’intento è quello di attirare il maggior numero di consumatori con un’idea nuova.

Seconda fase: Settore maturo

Nella seconda fase, essendo il settore maturo, o si procede con un’innovazione che crea un nuovo settore oppure occorre cercare di rendere il prodotto maggiormente efficiente lavorando su costi e investimenti, cioè dismettendo investimenti poco utili e puntando all’ottimizzazione.

Quando vi sono, però, due prodotti pressoché identici diventa di cruciale importanza il prezzo. Per questa ragione, occorre che le imprese abbassino i prezzi, per farlo è necessario abbattere i costi. Ciò diventa possibile ricorrendo alle economie di scala che consentono alle imprese di diventare più grandi e di spalmare i costi fissi su più prodotti. Dunque, nella seconda fase, si registra un aumento della concentrazione perché le imprese, mediante acquisizioni e fusioni, diventano di meno ma al contempo aumentano le loro dimensioni.

Esempio Nintendo

Esempio Nintendo: la Nintendo sviluppa in segreto la Wii e dopo pochi mesi dal suo lancio sul mercato, la Sony crea una console dotata anch’essa di un controller. Successivamente la Microsoft crea la Kinect, che a differenza delle altre console non ha il controller. Dunque, Nintendo ha sviluppato un’idea segretamente al fine di lanciare sul mercato un prodotto del tutto nuovo però gli altri due colossi ripropongono la medesima idea, in un caso identica (Sony), nell’altro più evoluta (Microsoft). Ciò ha modificato la struttura del mercato.

Lo shake out non è vero per tutti i settori però è un esempio utile per capire come cambiare a seconda della struttura del settore e quali decisioni occorre che il manager o l’imprenditore assuma. La dinamica industriale, per effettuare questo studio, ricorre all’analisi descrittiva (descrivere un fatto e cercare di capire da cosa derivi), ma anche allo studio delle determinanti dell’evoluzione dei settori (non solo la descrizione di cosa succede ma anche cosa l’ha causato).

Importanza della dinamica industriale

La dinamica industriale è importante perché aiuta a comprendere la crescita economica, relazionandosi con altre discipline come il management, a capire quali sono i driver da utilizzare a seconda della struttura del settore, a disegnare le eventuali politiche industriali e ad analizzare il contesto in cui il manager opera e prende le decisioni.

Strumenti e obiettivi

Quali sono gli strumenti e gli obiettivi? Richiede la capacità di legare l’osservazione della realtà con la teoria economica. Si osservano fatti stilizzati e realtà empiriche (lo shake out si verifica in moltissimi settori), che devono essere spiegati attraverso il modello teorico, il cui successo dipende da quanto si avvicina ai fatti stilizzati stessi (quanto riesce a predire il verificarsi dei fatti).

Ebola

Si tratta di una malattia che danneggia i tessuti interni e che, se non curata, porta gradualmente alla morte. Si trasmette attraverso il contatto con le mucose, tuttavia si trasferisce solo quando si manifestano i sintomi che, però, sono simili ad altre malattie meno importanti come l’influenza. Si origina da animali che si nutrono di frutta, principalmente pipistrelli.

Nel 2014, in un villaggio africano, un bambino, il paziente zero, mangia un frutto precedentemente morso da un pipistrello e contaminato con Ebola. Si registra un importante outbreak che genera la morte di un elevato numero di persone in Senegal, Sierra Leone, Mali, Guinea, Liberia e Nigeria mentre il caso del Congo non ha alcuna correlazione con il paziente zero. Questo outbreak ha un picco a Novembre, dopodiché si dissolve lentamente fino a quando nel 2015 molti di questi Paesi vengono decretati Ebola free.

Reazione dell'occidente

Perché noi occidentali ce ne occupiamo in ritardo? Un cittadino americano originario della Sierra Leone, Patrick Sawyer, nel 2014, manifestando già i sintomi di Ebola, si reca in Nigeria infettando le persone che lo assistono all’aeroporto e le infermiere. Alcuni specialisti di simulazione hanno cercato di capire quanto fosse probabile che alcuni passeggeri (quelli provenienti da Sierra Leone, Guinea etc.) portassero Ebola in altri continenti tra cui Europa e Stati Uniti. Il mondo occidentale inizia a preoccuparsi di Ebola non solo per contenere l’infezione ma anche per trovare un vaccino.

Investimenti per un vaccino

Cosa succede? Le imprese investono ingenti capitali per creare un vaccino; per fare ciò effettuano una ricerca che brevettano (al fine di ottenere l’esclusiva). Mediante il brevetto, la conoscenza prodotta viene distribuita (nel senso che tutti possono venirne a conoscenza) ma gli altri per utilizzarla devono pagare delle royalties ed ottenere una licenza.

Dunque, il brevetto è importante perché il costo di un farmaco è elevatissimo a causa dell’attività di ricerca e sviluppo (c’è uno sbilanciamento tra la produzione materiale che è poco costosa e la ricerca per individuare il principio attivo).

Quando un’impresa scopre un principio attivo che brevetta e con il quale crea un nuovo farmaco, tende a vendere quest’ultimo ad un prezzo elevato in modo da recuperare gli ingenti costi di ricerca e sviluppo. Scaduto il brevetto, però, un’altra impresa può utilizzare la stessa formula del principio attivo vendendo il farmaco ad un prezzo basso in quanto non deve coprire i costi di ricerca ma solo quelli di produzione. La prima impresa può quindi contare esclusivamente sul proprio marchio.

Struttura del settore Pharma

Il settore del Pharma ha una struttura complessa in quanto è costituito dal pubblico, dal big pharma (imprese che investono nel settore solo se vi sono consumatori che hanno la possibilità di pagare e conseguentemente di far rientrare i costi di ricerca e sviluppo) e le biotech startup, che svolgono un ruolo di fondamentale importanza. Per creare un farmaco occorre, infatti, effettuare dei test per conoscere gli effetti del farmaco stesso, quindi occorre testarlo molte volte e per gradi. Se invece si potesse sapere almeno un minimo di queste interazioni, non ci sarebbe bisogno di effettuare un elevatissimo numero di test.

Dunque, parte delle conoscenze può essere scorporata dal big pharma e fatta portare avanti da piccole compagnie molto sviluppate scientificamente che non devono porre in essere molti clinical tries ma elaborare le conseguenze teoriche di fondamenti già scoperti. Dunque, la struttura del settore è cruciale per capire come si muove l’occidente per trovare un vaccino per Ebola. Oggi esiste un vaccino con 100% di efficacia, trovato nel luglio del 2015 da questo complesso sistema.

In Canada la ricerca pubblica trova alcune idee importanti dandone l’esclusiva a Merck e New Link Genetics, un big pharma ed una biotech startup (si tratta di un’operazione molto rischiosa in quanto se queste due falliscono le ricerche vanno buttate in fumo, eppure Merck e New Link chiedono l’esclusiva per lavorare su questo tipo di conoscenza). In sostanza, il sistema si organizza e attraverso l’esclusività riesce a trovare un vaccino 100% efficace.

Pensieri e reazioni sull'esclusività

Pensieri e reazioni sull’esclusività (leggere le slide): es. Marie Paule Kieny dice: “non vi è alcuna barriera causata da questi brevetti. Mentre lavoriamo non pensiamo che il tema dei property rights sia così importante dato che non ci sono ancora i clinical trials (dove il costo emerge)”.

Ricapitolando, vi è un problema che viene localizzato geograficamente. Dopodiché interviene l’occidente che, mediante questa complessa struttura di mercato ed attraverso meccanismi controversi, riesce a trovare la soluzione, cioè il vaccino. Dunque, Ebola ha toccato la nostra vita in maniera indiretta ma, grazie agli strumenti della dinamica industriale, siamo riusciti a capire come funziona questa realtà.

Lezione 13/09/2016

Quello che volevo fare oggi era darvi una strumentazione. Le cose che hanno a che fare con questo corso hanno a che fare con l’estrazione dalla realtà empirica di alcune idee che poi noi cerchiamo di spiegare con dei modelli teorici; quindi vediamo delle regolarità o dei comportamenti medi su cui poi costruiamo un’intuizione sul perché osserviamo questi fenomeni per comprenderli. Quindi quando abbiamo gli stessi elementi accadono sempre le stesse risultanze e si deve creare perciò un link che colleghi questi elementi a queste risultanze, quindi spiegare il perché questi fattori hanno causato queste risultanze. Per fare ciò dobbiamo usare degli strumenti (statistici in gran parte).

Hypothesis testing

Partiamo col test di ipotesi (hypothesis testing) che è alla base delle regressioni. Il tutto si basa sull’idea che noi creiamo un’ipotesi teorica e andiamo a verificare con un’osservazione empirica se quell’ipotesi funziona oppure no; ulteriore cosa che ci interessa è capire se abbiamo un margine di errore (livello di significatività).

Iniziamo con la distribuzione di probabilità: abbiamo 4 lanci di moneta e abbiamo tutti i possibili eventi (outcome) che possiamo avere. T=croce H=testa. Se noi siamo interessati al numero di teste abbiamo 4 eventi in cui abbiamo almeno una testa, se ne cerchiamo 2 allora 6 eventi, lo stesso vale per 3 e per 4. Questo per dire che prima di lanciare una moneta possiamo conoscere la probabilità di avere 0,1,2,3,4 teste.

L’istogramma (numero di eventi associati al numero di teste/numero eventi possibili) es 4 teste il numero di eventi associati è 1 mentre numero di eventi possibili è 16 quindi avremo probabilità 1/16. Quindi possiamo rappresentare le probabilità con la funzione di distribuzione che associa il numero di teste alla probabilità che quel numero si verifichi, cioè la probabilità che x si verifichi.

La funzione di distribuzione più conosciuta è quella normale (Gaussiana) ovvero distribuzione a campana, in particolare quella standard ha media 0 e standard deviation 1 (ovvero quella normalizzata). Possiamo rendere la funzione x sempre più dettagliata per una combinazione di eventi molto più complessi; dove ci sono più possibilità. Questo fa sì che i nostri grafici dimagriscano e diano una certa continuità: cioè una funzione continua. Segmento non più discreto ma continuo. Quando passiamo a una funzione continua annulliamo la base e abbiamo solo l’altezza degli istogrammi quindi per calcolare una probabilità bisogna calcolare l’area della porzione di superficie sotto la curva limitata dai segmenti che passano per a e b (se vogliamo conoscere la probabilità che si verifichi un evento a o b).

Uso della distribuzione di probabilità nell’hypothesis testing

Come si usa la distribuzione di probabilità nell’hypothesis testing? C’è una popolazione e noi abbiamo in mente un certo valore per quella popolazione. Ad esempio la variazione media del valore di mercato di un’impresa sia uguale a 0. Per capire se è un’ipotesi plausibile dobbiamo confrontarla con la realtà tramite un campione ad esempio variazione media di mercato negli ultimi tre anni. Vediamo se i dati della realtà sono conformi a quello che ipotizziamo. Come facciamo? Usiamo la teoria delle probabilità per fare un test. Vediamo se la nostra ipotesi è compatibile con ciò che osserviamo (questo è il punto chiave dell’hypothesis testing). Se campione reale ed ipotesi sono molto compatibili allora l’ipotesi è vera altrimenti è difficile immaginare che l’ipotesi sia vera. Inoltre dobbiamo capire quanto sono o no compatibili cioè l’errore. C’è anche una zona grigia cioè non sono compatibili ma non ne siamo sicurissimi. Quindi l’idea è trovare una misura della probabilità di aver fatto un errore.

Intuizione: abbiamo un’idea del valore del parametro quindi formuliamo l’ipotesi che chiamiamo H0 cioè ipotesi nulla. La compariamo col mondo reale. Andiamo fuori e prendiamo un campione e compariamo la nostra ipotesi statisticamente. Se il numero è così distante da H0 allora la nostra ipotesi non è così plausibile. Facciamo questa comparazione con la teoria delle probabilità cioè statisticamente. Calcolando quanto è probabile avere un certo valore del campione se H0 è vera. Ci dice quindi quanto è probabile che il campione sia compatibile con la nostra H0. Lo facciamo con una distribuzione di probabilità (statistics) che contenga e confronti la nostra ipotesi con quanto abbiamo osservato sul campione. Nell’esempio la media campionaria, prendiamo le osservazioni e otteniamo la media campionaria. Poi c’è il parametro ipotizzato che non possiamo osservare cioè H0=0(mu). Li confrontiamo.

Tra media campionaria e numero (mu) abbiamo una distribuzione di probabilità che noi conosciamo. Se è una normale si calcola la probabilità che è vera l’ipotesi. Se mu=0 è cosi. Dato che h è vera quante sono le probabilità di estrarre 50 dal nostro campione? Sarà l’area verde da 50 in poi (agli estremi della normale) perché la probabilità si calcola con l’area sotto la curva. La nostra ipotesi dice che il parametro mu deve essere uguale a h cioè 0. Valutiamo 50 sia sulla parte della coda negativa che positiva. Se h è vero allora è molto improbabile estrarre 50. Ma un numero più piccolo?

Quand’è che il p value (probabilità che si estragga il numero dal campione) diventa così grande da configurare un’ipotesi che non può essere rigettata? Dobbiamo trovare l’intervallo o margine di errore. Con delle soglie (livelli critici) che ci permettono di giudicare cosa è probabile e cosa non lo è. 0,5 o 0,15 sono utilizzabili o no? Molto usati in medicina. Allora ci sono delle soglie che tipicamente vengono usate per rigettare le ipotesi. Nell’esempio la prob di estrarre 2 da P value=0,3 e non più 50. Cioè abbiamo il 3% di probabilità di prendere 2. Quindi 0,01 non è un livello di significatività (soglia) adatto, ma 0,5 si e poi c’è anche 0,1.

Più il mio numero è lontano da quello che sto testando più è piccola l’area che misura la compatibilità tra i due, il livello di significatività sarà quindi molto basso. Significatività di rigettare l’ipotesi cioè la mia ipotesi sono sicuro che non vale. Man mano che mi sposto verso il numero della mia ipotesi la probabilità è più grande e divento meno significativa quindi non posso rigettare l’ipotesi perché non posso dire che siano incompatibili. È abbastanza diretto il ragionamento per rigettare l’ipotesi. Non è possibile fare il complemento a questo ragionamento. Se ho p value: 0,7 hp vale? Non posso dire che vale ma posso dire che non ho abbastanza prove per rigettarla. Perché il test che abbiamo fatto non è abbastanza potente.

Per esempio se vogliamo vedere la relazione tra 2 variabili es jobs act e occupazione dobbiamo testare se il coefficiente di correlazione è uguale a zero perché se possiamo rigettare l’ipotesi il coefficiente di correlazione non è 0 quindi il jobs act ha un impatto sull’occupazione.

Correlazione e causalità

Secondo strumento correlazione e causalità. Es: Jobs act per cambiare il mercato del lavoro, funziona? Occupazione cambia anche in base a tanti altri stimoli quindi cambia ma non è detto che sia il jobs act a farla cambiare, quindi si deve capire se c’è una relazione reale tra le due cose e di quanto è il reale impatto. Cioè dobbiamo effettuare hypothesis testing. Difficile da capire nella vita. Capita spesso di vedere relazioni nel tempo. Ad esempio autismo e vaccini. Cosa ne pensiamo? Correlazione troppo bassa. Sembra casuale.