Che materia stai cercando?

Outsourcing della Ricerca & Sviluppo: analisi empirica, tesi in econometria Appunti scolastici Premium

Tesi per la facoltà di Economia, università di Napoli Federico II - Unina elaborata dall’autore nell’ambito del corso di econometria tenuto dal professore Acconcia dal titolo Outsourcing della Ricerca & Sviluppo: analisi empirica, tesi in econometria. Scarica il file in formato PDF!

Materia di Econometria relatore Prof. A. Acconcia

Anteprima

ESTRATTO DOCUMENTO

Tabella I.3- Spese per R&S, extra-muros, imprese, Italia - raffronto con spese intra-muros

(milioni di euro e valori percentuali)

Fonte: ISTAT raffronto con spese

intra-muros extra-muros intra-muros

Anno (miloni di euro) (miloni di euro) (%)

'91 5.089 613 12,0

'92 5.176 836 16,2

'93 4.881 827 16,9

'94 4.755 786 16,5

95 4.927 834 16,9

'96 5.292 924 17,5

'97 5.377 1.011 18,8

'98 5.533 1.124 20,3

'99 5.684 1.062 18,7

'00 6.239 1.141 18,3

'01 6.661 1.289 19,4

'02 7.057 1.472 20,9

'03 6.979 1.675 24,0

'04 7.293 2.025 27,8

'05 7.856 2.122 27,0

'06 8.210 1.955 23,8

'07 9.455 1.961 20,7

'08 10.173 1.900 18,7

'09 10.238 2.111 20,6

'10 10.579 2.388 22,6

'11 10.825 2.491 23,0

'12 11.107 2.027 18,3

'13 11.480 1.837 16,0

'14 12.344 2.436 19,7

23

Grafico 1. Variazione nel tempo degli investimenti in R&D, extra-muros, rapportata

.

con la spesa intra-muros

RAFFRONTO CON SPESE INTRA-MUROS (%)

30

25

20

15

10 1990 1995 2000 2005 2010 2015

Tempo (Anni)

24

CAPITOLO II

Finanziamento dell’attività di Ricerca & Sviluppo

II.1 Analisi dei dati

Per analizzare il fenomeno dell’esternalizzazione dell’attività di R&D è stato

utilizzato un campione di 4117 osservazioni, imprese distribuite sul territorio

italiano. Le informazioni relative a ciascuna osservazione derivano da un’indagine

dell’Istituto Italiano di Statistica (ISTAT) effettuata nel 2009, ossia nel periodo

immediatamente successivo allo scoppio della crisi finanziaria. Tale indagine

aveva come scopo principale di monitorare l’evoluzione della R&D e

dell’outsourcing di R&D nelle imprese. Nel dataset studiato sono presenti variabili

di tipo quantitativo, quali la spesa totale per outsourcing in R&D, il debito e la

liquidità di ogni impresa e variabili categoriche quali le regioni in cui opera

l’impresa, il settore industriale, la forma giuridica e una variabile dicotomica che

mostra se l’impresa ha ricevuto un sussidio da investire nell’innovazione.

Figura 1: Diagramma circolare relativo alla frequenza delle imprese localizzate sul territorio

italiano: il blue rappresenta le imprese nel Nord Italia, il rosso quelle situate in Italia Centrale, in

verde le imprese presenti in Italia Meridionale.

1 2

3 25

In termini di distribuzione sul territorio delle unità statistiche osservate, il

campione rispecchia la diffusione dello sviluppo industriale nelle diverse aree del

paese: il Nord con un tasso di industrializzazione più alto si contrappone al Sud

che presenta un numero di imprese molto basso. La maggior parte delle imprese

analizzate sono situate nel Nord Italia, 1219 su 4117 (il 30% del campione) sono

localizzate nella sola Lombardia, il 24% in Veneto, mentre il numero di imprese

del Sud Italia è molto basso (nel campione le imprese osservate situate nel

Meridione sono meno del 3%; Molise e Basilicata sono le regioni che presentano

0,2%). Considerando i settori industriali, “Fabbricazione

la percentuale più bassa,

di Macchinari e Apparecchiature” e “Fabbricazione di Prodotti in Metallo, Esclusi

Macchinari e Apparecchiature” sono i due settori con il numero più grande di

imprese: il primo è rappresentato da 795 imprese (circa il 20% del totale del

campione), il secondo da 334 (approssimativamente il 9%). Inoltre è stato preso in

esame un campione in cui la percentuale delle imprese a cui è stato concesso un

sussidio è lo stesso di quelle a cui non è stato dato (2058 vs 2059). Quest’ultima

informazione è codificata in una dummy, variabile dicotomica: è attribuito il valore

1 se è stato assegnato il sussidio, 0 altrimenti.

Tabella II.1 Principali statistiche descrittive delle variabili quantitative in esame.

VARIABILE OBS MEAN STD. DEV. MIN MAX

Spesa_R&D_outsourcing 4059 7.523902 18.37911 0 100

Debito 4117 58.71419 21.46719 o.7888254 181.7975

Liquidità 4117 4.432962 6.061529 -65.00468 113.8557

Nella tabella sono rappresentate le principali statistiche descrittive relative alle

variabili di natura quantitativa. Bisogna innanzitutto notare come le osservazioni

relative alla variabile spesa totale di esternalizzazione di R&D sono meno (4059)

rispetto al totale delle osservazioni a disposizione: è un problema di missing

values, dati mancanti. Tali dati sono stati trattati come non esistenti nelle analisi di

26

regressione svolte: non sono state considerate le unità per le quali manca la

registrazione dei valori.

In media la spesa totale relativa all’outsourcing di R&D è pari a 7.52mila euro,

laddove come risultato massimo vi è una spesa pari a 100mila. Questo risultato in

media è particolarmente basso ed è spiegabile osservando l’istogramma relativo

alla distribuzione in classe della variabile. La maggior parte delle imprese

osservate presenta una spesa totale di esternalizzazione inferiore a 20 mila euro e

studiando la distribuzione di frequenza è possibile notare come ben 2989

osservazioni, pari al 74% circa del totale delle imprese considerate, preferiscono

non esternalizzare l’attività di Ricerca e Sviluppo. Questo dato conferma come in

Italia, in seguito alla crisi economica, le imprese che hanno aumentato gli

poche: c’è ancora una tendenza forte

investimenti extra-muros siano relativamente

per l’imprese ad internalizzare l’innovazione.

Figura 2: Istogramma relativo alla distribuzione in classi della variabile Outsourcing_share, spesa

totale per l’esternalizzazione di R&D.

.04

.03

Density .02

.01 0 0 20 40 60 80 100

OUTSOURCING_share

27

È importante studiare la relazione tra liquidità, debito e spesa totale per

l’esternalizzazione dell’attività di Ricerca & Sviluppo. La liquidità (intesa come

capitale proprio a disposizione dell’impresa) e il debito (capitale di terzi, apporto

all’impresa come istituti di credito, banche,

di capitale proveniente da fonti esterne

allo scopo di sopperire alle necessità economiche della stessa), essendo le due fonti

di finanziamento delle imprese, sono le variabili principali su cui si soffermano le

imprese per stabilire le strategie di investimento. Come analizzato anche

nell’articolo di Duchin “Costly external finance, corporate investment, and the

subprime mortgage credit crisis”, la crisi del 2008 ha avuto effetti sugli

investimenti aziendali. Osservando i dati del 2009, è possibile affermare come le

imprese, trovatesi ad affrontare la repressione economica, con scarsa quantità di

riserve di liquidità e livelli di debito molto alti, son state costrette a diminuire gli

investimenti totali, riducendo anche la spesa investita per l’outsourcing di R&D.

Il valore medio della liquidità è pari a 4.4, un valore molto basso che conferma

come, nell’anno successivo alla crisi, la gran parte delle imprese erano in una

situazione di difficoltà con una quantità bassa di riserva di cassa. La difficoltà di

talune imprese è dimostrata osservando tale informazione: 351 imprese su 4117

(circa il 10%) presentano una liquidità con valore negativo. La liquidità è la

disponibilità di mezzi di pagamento a brevissimo termine. Liquidità negativa

significa che le imprese non hanno la disponibilità immediata di denaro contante e

ciò costituisce una limitazione forte per l’attività di una impresa.

Analizzando la matrice di correlazione è possibile osservare un’eventuale

relazione di linearità tra le variabili quantitative. La matrice di correlazione è una

matrice quadrata di dimensione n x n avente sulle righe e sulle colonne le variabili

oggetto di analisi, che presenta i coefficienti di correlazione. È una matrice

simmetrica, in cui i coefficienti sulla diagonale sono pari a 1, in quanto la

covarianza di una variabile con sé stessa è pari alla varianza della variabile casuale

(il coefficiente di correlazione è uguale a covarianza/varianza). I coefficienti

assumono valori compresi o uguali tra -1 e 1. Se la correlazione è positiva le

28

variabili si dicono direttamente correlate; se la correlazione è 0, sono incorrelate.

Se l’indice di correlazione è negativo, le variabili si definiscono inversamente

correlate. La matrice di correlazione consente di analizzare se tra due o più

variabili esplicative ci sia multicollinearità. La multicollinearità sorge quando c’è

una elevata correlazione tra le variabili: in caso di correlazione forte (Þ>0.7) o

correlazione perfetta (Þ=1) lo stimatore dei minimi quadrati non darebbe risultati

attendibili. Se le variabili sono fortemente correlate potrebbe significare che

forniscono la stessa informazione e il modello di regressione non riesce più ad

attribuire un significato a ciascuna di esse.

Nel dataset studiato non ci sono problemi di multicollinearità, dal momento che ci

sono correlazioni deboli (Þ<0,3 in tutte le relazioni prese in considerazione). La

spesa totale di Outsourcing per R&D è direttamente correlata con il Debito e con

la Liquidità, mentre c’è una correlazione negativa tra le variabili debito e liquidità.

Una spiegazione per tale correlazione negativa può essere ricondotta alle difficoltà

incontrate dalle imprese durante la crisi finanziaria. In periodi di austerità le

imprese con liquidità elevata tendono ad avere debiti bassi, cercando in questo

modo di evitare eventuali rischi di insolvenza.

Tabella II.2: Matrice di correlazione

Spesa_R&D_Outsourcing Debito Liquidità

Spesa_R&D_Outsourcing 1.0000

Debito 0.0373 1.0000

Liquidità 0.0237 -0.0669 1.0000

Il modello che consente di formalizzare la relazione funzionale tra variabili

misurate sulla base di dati campionari è il modello di regressione. Più formalmente

la regressione lineare è il modello maggiormente adoperato per spiegare la


PAGINE

71

PESO

1.27 MB

AUTORE

paolomaz

PUBBLICATO

+1 anno fa


DETTAGLI
Esame: Econometria
Corso di laurea: Corso di laurea in economia e commercio
SSD:
A.A.: 2017-2018

I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher paolomaz di informazioni apprese con la frequenza delle lezioni di Econometria e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Napoli Federico II - Unina o del prof Acconcia Antonio.

Acquista con carta o conto PayPal

Scarica il file tutte le volte che vuoi

Paga con un conto PayPal per usufruire della garanzia Soddisfatto o rimborsato

Recensioni
Ti è piaciuto questo appunto? Valutalo!

Altri appunti di Econometria

Appunti per l'esame di Econometria, prof. Acconcia
Appunto
Riassunto per l'esame di econometria- serie storiche, prof. Acconcia
Appunto
Appunti Metodi Matematici, prof. Claudia Meo
Appunto
Appunti per l'esame di Econometria, prof. Acconcia
Appunto