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 DEA-V. 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 1986-

2006. 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.2 Per Taiwan, i dati utilizzati provengono dall’Agricultural Yearbook, Couincil of Agricolture, Executive Yuan.

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 centro-

settentrionali 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 RICA-

FADN, 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 full-

time, 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

VariabiliUnitá misura Media Mediana Dev. st. Minimo Massimo

Output € 2000 67429 44404 78641 6426 843812Sussidi " 10442 4185 20054 0 207573Consumi intermedi " 38444 20772 52752 3163 567506Capitale " 221028 164334 181688 20983 1260203ULA dipendenti ULA 0.40 0.18 1.05 0 17ULF - basso* ULF 0.88 0.90 0.37 0 1.83ULF - medio** " 0.16 0.12 0.14 0 0.96ULF - alto*** " 0.24 0.05 0.37 0 1.92 * con istruzione primaria** con istruzione secondaria*** con istruzione terziaria

12

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 output-

oriented, 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 istruzionebasso medio alto

input-saving

1986 76 1.52 0.44 5.89 4.911990 86 1.23 0.42 5.98 7.761993 69 1.97 0.19 3.66 7.111995 71 1.35 0.30 4.71 6.941997 70 0.42 0.20 1.23 29.532000 97 1.50 0.75 3.07 6.932003* 38 1.65 0.37 0.68 3.382005 121 1.09 0.57 2.81 3.072006* 38 1.22 0.46 0.80 11.49

output-increasing

1986 76 1.62 0.45 9.70 3.011990 86 1.33 0.39 4.27 8.531993 69 1.68 0.23 3.33 5.181995 71 1.39 0.27 2.78 4.741997 70 2.75 0.36 1.51 29.712000 97 1.40 0.67 3.38 7.782003* 38 1.00 0.38 0.26 2.442005 121 0.67 0.23 1.59 5.102006* 38 1.25 0.47 0.80 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, 1-

17.

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 Descrizione variabile

ANNOCodice nazioneCodice regioneSYS02 Num. aziende rappresent.SYS04 Tasso d'avvicendamentoSE005 Dimensione economica-UDESE010 Manodopera Totale - ULASE015 Manodop. Non Salar.- ULFSE020 Manodopera Salariata-ULASE025 Superf. Agric. Util.- haSE030 SAU in affitto - haSE035 cereali - haSE041 altre colt. pieno campo-haSE046 ortaggi e fiori - haSE050 vigneti - haSE054 colture perm. Totale - haSE055 di cui frutteti - haSE060 di cui oliveti - haSE065 di cui altre permanenti - haSE071 colture foraggere - haSE072 terreni a riposo - haSE073 set-aside - haSE075 area boscosa - haSE080 Unità bestiame tot.- UBGSE085 vacche da latte - UBGSE090 altri bovini - UBGSE095 ovini e caprini - UBGSE100 suini - UBGSE105 pollame - UBGSE110 Resa del frumento - q/haSE115 Resa granturco -q/haSE120 UBG pascolo/ha a foragg.SE125 Resa di latte - kg/vaccaSE131 Produzione lorda totaleSE135 Coltiv. e prod. vegetaliSE140 cerealiSE145 leguminose essiccateSE150 patateSE155 barbab. da zuccheroSE160 oleaginoseSE165 piante indust.SE170 ortaggi e fioriSE175 fruttaSE180 agrumiSE185 uva

21

SE190 olive e olio d'olivaSE195 foraggioSE200 altre colt.e prod.veg.SE206 Totale prod. animaliSE211 variaz. valore bestiameSE216 latte di vacca e prod.SE220 carni bovineSE225 carni suineSE230 carni ovine e caprineSE235 carni di pollameSE240 uovaSE245 latte ovini e capriniSE251 altri animali e prod.SE256 Altre produzioniSE260 AutoconsumoSE265 ReimpieghiSE270 Oneri totaliSE275 Consumi intermediSE281 Oneri specificiSE285 sementi e pianteSE290 di cui prod. nell'aziendaSE295 fertilizzantiSE300 prodotti difesa coltureSE305 altri spec. per colt.SE310 alim. best. al pascoloSE315 di cui prod. nell'aziendaSE320 alimenti suini e poll.SE325 di cui prod. nell'aziendaSE330 altri spec. per best.SE331 costi specifici per la silvicolturaSE336 Oneri generaliSE340 spese macch.e fabbric.SE345 energiaSE350 lavori eseg. da terziSE356 altri oneri direttiSE360 AmmortamentiSE365 Fattori esterniSE370 Retribuzione pagateSE375 Canoni di affitto pag.SE380 Inter.pag. netto sovv.SE600 sovv. e imposteSE390 Imposte nette IVA escSE395 Saldo IVA esc. invest.SE605 Sovv. prod. e costiSE405 Saldo sovvenz. e imposte su invest.SE410 Reddito lordo aziendaleSE415 Prod. Netto del. AziendaSE420 Reddito cond. e famigliaSE425 Prod. Netto Azienda/ULASE430 Redd.Cond.+ Famiglia/ULFSE436 Capitale totaleSE441 Capitale fisso

22

SE446 terreniSE450 fabbricatiSE455 macchineSE460 anim. da riproduzioneSE465 Capitale variabileSE470 best. esc. da riprod.SE475 stoccaggio di prod. agri.SE480 altro capitale circolanteSE485 IndebitamentoSE490 prestiti lungo e medioSE495 prestiti a breve term.SE501 Patrimonio nettoSE506 Var. patrimonio nettoSE510 Capitale aziendale medioSE516 Invest. lordo esc. terr.SE521 Invest. netto esc. terr.SE526 Cash-flow

23

Tabella A.2. - Valori di ET output-increasing per anno e per regioneCodice e nome regione 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006(010) Schleswig-Holstein 0.81 0.74 0.77 0.76 0.77 0.76 0.79 0.79 0.79 0.81 0.80 0.84 0.81 0.82 1 0.93 0.95 0.97 0.99 1 0.85(020) Hamburg 0.91 0.81 0.81 0.72 0.78 0.99 0.79 1 0.94 1 0.91 0.86 0.77 0.91 0.91 0.88 0.82 0.93 0.78 0.83 0.79(030) Niedersachsen 0.74 0.73 0.73 0.73 0.77 0.83 0.80 0.84 0.78 0.80 0.83 0.83 0.79 0.92 0.93 0.98 0.85 0.87 0.88 0.92 0.86(050) Nordrhein-Westfalen 0.84 0.76 0.76 0.75 0.72 0.77 0.74 0.78 0.75 0.75 0.80 0.78 0.75 0.92 0.98 0.88 0.96 0.87 0.95 0.94 0.86(060) Hessen 0.65 0.62 0.62 0.63 0.62 0.73 0.72 0.73 0.73 0.69 0.69 0.66 0.65 0.75 0.81 0.81 0.74 0.74 0.74 0.76 0.75(070) Rheinland-Pfalz 0.71 0.66 0.66 0.67 0.65 0.68 0.71 0.75 0.75 0.73 0.77 0.73 0.72 0.65 0.79 0.80 0.80 0.88 0.72 0.82 0.75(080) Baden-Württemberg 0.68 0.62 0.66 0.63 0.62 0.68 0.71 0.71 0.76 0.70 0.74 0.69 0.67 0.69 0.84 0.80 0.77 0.80 0.74 0.78 0.71(090) Bayern 0.74 0.69 0.75 0.74 0.72 0.78 0.77 0.78 0.78 0.75 0.73 0.78 0.78 0.84 0.90 0.92 0.81 0.82 0.89 0.88 0.82(100) Saarland 1 0.76 0.77 0.76 0.77 0.77 0.78 0.80 0.78 0.81 0.76 0.78 0.74 0.76 0.88 1 1 1 0.92 1 0.82(121) Île de France 1 0.92 1 0.90 0.90 0.98 1 0.96 1.00 0.97 1.00 1.00 1 0.86 0.99 0.96 0.90 1 1 1 1(131) Champagne-Ardenne 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1(132) Picardie 1 1 1 1 1 1 1 1 1 1 1 1 1 0.95 1 1 0.98 1 1 1 1(133) Haute-Normandie 0.94 0.92 0.97 0.92 0.89 0.94 0.94 0.91 1.00 0.92 0.94 0.93 0.90 0.97 1 0.93 0.97 1 0.99 0.90 0.97(134) Centre 0.96 0.98 0.97 0.95 0.81 0.87 0.87 0.83 0.85 0.79 0.83 0.89 0.85 0.78 0.89 0.85 0.88 0.97 0.97 0.92 0.99(135) Basse-Normandie 1 0.90 0.96 0.90 0.84 0.86 0.97 0.99 0.97 0.98 0.92 0.94 0.96 0.95 0.94 0.96 0.90 0.91 0.88 0.94 0.93(136) Bourgogne 0.86 0.99 0.95 0.95 0.90 0.85 0.90 0.92 0.92 0.92 0.92 0.93 0.87 0.84 0.97 0.88 0.85 0.83 0.81 0.85 0.88(141) Nord-Pas-de-Calais 1 0.95 1 1 1 1 1 0.99 1.00 0.97 0.98 0.97 1 1 0.99 0.95 1 1 0.98 0.94 0.93(151) Lorraine 0.92 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1(152) Alsace 0.98 0.90 0.92 0.94 0.91 0.98 1.00 0.99 0.98 0.96 1 1 1 1 1 1 1 1 1 1 1(153) Franche-Comté 1 1 1 1 1 1 1 1 1 1 0.93 0.97 1.00 0.97 1 1 0.97 1 0.98 1 0.97(162) Pays de la Loire 0.91 1 1 0.84 0.80 0.83 0.90 1 1 1 1 1 1 1 1 0.97 0.99 0.97 1.00 0.99 0.98(163) Bretagne 0.89 0.98 0.98 0.99 0.99 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1(164) Poitou-Charentes 0.79 0.92 0.89 0.97 0.95 0.92 0.86 0.79 0.88 0.93 0.94 0.91 0.92 0.99 1.00 0.96 0.97 0.99 0.99 0.96 1.00(182) Aquitaine 0.77 0.79 0.74 0.73 0.72 0.70 0.82 0.78 0.81 0.84 0.96 0.98 1.00 0.91 0.93 0.90 0.92 0.92 1.00 0.92 0.92(183) Midi-Pyrénées 0.67 0.77 0.76 0.74 0.71 0.73 0.65 0.72 0.70 0.74 0.73 0.72 0.71 0.66 0.77 0.71 0.71 0.73 0.71 0.78 0.76(184) Limousin 0.69 0.70 0.75 0.67 0.78 0.77 0.68 0.73 0.76 0.75 0.70 0.65 0.73 0.62 0.70 0.74 0.78 0.82 0.72 0.85 0.76(192) Rhônes-Alpes 0.80 0.82 0.83 0.78 0.74 0.73 0.76 0.91 0.91 0.90 0.89 0.91 0.89 0.80 0.87 0.88 0.83 0.81 0.81 0.82 0.81(193) Auvergne 0.63 0.78 0.80 0.75 0.70 0.69 0.73 0.78 0.82 0.84 0.78 0.79 0.76 0.72 0.78 0.82 0.82 0.92 0.78 0.94 0.85(201) Languedoc-Roussillon 0.94 0.85 0.88 0.87 0.89 0.95 0.83 0.94 1 1 1 0.98 1 0.92 1 0.93 0.87 0.93 0.85 0.76 0.79(203) Provence-Alpes-Côte 0.95 0.89 0.88 0.87 0.85 0.88 0.86 0.94 1 0.98 1 1 1 0.98 1 1 1 1 1 1 1

24

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 0.76 0.90 0.71 0.71 0.71 0.72 0.68 0.71 0.78 0.78 0.76 0.75 0.74 0.68 0.75 0.81 0.83 0.85 0.89 0.81 0.89(221) Valle d'Aoste 0.54 0.57 0.65 0.80 0.66 0.77 0.71 0.72 0.74 0.65 0.60 0.57 0.53 0.38 0.53 0.73 0.63 0.56 0.46 0.67 0.58(222) Piemonte 1 1 1 1 0.92 0.92 1 1 0.90 0.91 0.80 0.83 0.70 0.62 0.88 0.98 1 0.91 0.83 0.97 1(230) Lombardia 1 1 1 1 0.96 1 1 1 1 1 1 1 0.92 0.76 0.93 0.98 1 0.95 0.92 1 1(241) Trentino 0.91 0.93 0.88 1 1 1 0.77 0.78 0.92 0.90 0.99 0.80 0.76 0.53 0.72 1 1 1.00 0.81 0.93 1(242) Alto-Adige 0.97 0.96 0.95 0.88 0.89 0.96 0.95 0.76 0.87 0.90 0.84 0.70 0.65 0.59 0.67 0.86 0.90 0.91 0.67 0.81 0.81(243) Veneto 1 0.95 1 1 0.95 0.93 0.96 0.97 1.00 0.86 0.83 0.64 0.64 0.51 0.67 0.85 0.96 0.86 0.72 0.77 0.83(244) Friuli-Venezia 1 1 1 1 0.93 0.89 0.96 0.84 0.83 0.81 0.82 0.54 1.00 0.47 0.57 1 0.93 0.95 0.85 0.89 0.84(250) Liguria 1 1 1 1 1 1 0.91 1 0.88 1 1 0.85 0.84 0.64 0.78 1 1 1 1 1 1(260) Emilia-Romagna 1 1 1 1 1 0.98 0.96 1 1 1 0.91 0.77 0.77 0.66 0.81 0.82 0.82 0.83 0.63 0.67 0.68(270) Toscana 0.83 0.85 0.84 0.91 0.91 0.91 0.93 0.85 0.84 0.90 1 0.86 0.81 0.62 0.80 0.93 0.91 0.85 0.63 0.87 0.89(281) Marche 0.95 0.95 0.91 0.81 0.76 0.75 0.77 0.72 0.65 0.76 0.80 0.75 1 0.43 0.48 0.67 0.84 0.79 0.63 1 0.81(282) Umbria 0.69 0.73 0.74 0.86 0.81 0.78 0.77 0.76 0.69 0.63 0.61 0.53 0.41 0.31 0.44 0.69 0.69 0.77 0.55 0.65 0.87(291) Lazio 0.89 0.80 1 0.87 0.84 1 0.83 0.82 0.86 0.97 0.89 0.86 0.72 1 0.85 1 0.99 0.78 1 0.93 0.95(292) Abruzzo 0.97 1 1 0.83 0.81 0.93 0.83 0.88 0.95 1 1 1 0.86 0.64 0.76 0.96 0.80 0.89 0.75 0.97 0.82(301) Molise 1 1 1 1 1 0.92 0.88 0.90 0.80 0.89 0.93 1 1.00 0.41 0.48 0.68 0.78 1 1 0.99 0.96(302) Campania 1 1 1 1 1 1.00 0.83 1 1 1 0.92 1 0.94 0.72 0.66 0.95 0.73 0.84 0.69 0.98 0.90(303) Calabria 1 1 1 1 1 0.95 0.55 1 1 1 1.00 1 1 1 1 1 1 1 1 1 1(311) Puglia 0.92 0.93 1 1 1 0.99 0.83 1.00 0.91 0.95 0.88 0.92 1 0.95 1 1 1 1 1 0.97 1(312) Basilicata 0.82 0.78 0.75 0.74 0.80 0.80 0.63 0.74 0.75 0.83 0.82 0.72 1 0.81 0.63 1 0.76 0.83 0.58 0.81 0.76(320) Sicilia 1 1 1 1 1 1 0.91 0.92 1.00 1.00 0.97 1.00 1 0.84 1 1 1 1 1 1 1(330) Sardegna 0.83 0.77 0.80 0.75 0.76 0.80 0.76 0.77 0.75 0.69 0.75 0.57 0.54 0.41 0.55 0.80 0.75 0.89 0.47 0.75 0.76(340) Belgium 0.95 0.88 0.93 0.93 0.91 0.92 0.91 0.99 0.97 0.96 0.99 0.97 0.99 0.96 1 1 1 1 1 1 1(350) Luxembourg 0.79 0.89 0.89 0.92 0.92 0.94 1 1 0.91 0.85 0.94 0.90 0.92 0.87 0.92 0.93 0.88 1 1 1 1(360) The Netherlands 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1(370) Denmark 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1(380) Ireland 0.60 0.63 0.66 0.64 0.62 0.68 0.68 0.63 0.59 0.56 0.55 0.52 0.47 0.39 0.51 0.64 0.65 0.74 0.54 0.72 0.76(411) England-North 0.79 0.78 0.78 0.74 0.73 0.77 0.74 0.69 0.69 0.66 0.69 0.75 0.70 0.71 0.81 0.76 0.79 0.85 0.70 0.69 0.74(412) England-East 1 1 1 1 1 1 1 0.92 1 0.98 0.97 1 1 1 1 1 1 1 0.91 0.97 0.96(413) England-West 0.76 0.78 0.80 0.74 0.68 0.75 0.76 0.72 0.72 0.67 0.68 0.77 0.75 0.72 0.80 0.81 0.84 0.84 0.67 0.69 0.75(421) Wales 0.63 0.65 0.69 0.61 0.59 0.61 0.66 0.66 0.61 0.55 0.59 0.64 0.58 0.55 0.62 0.74 0.73 0.74 0.70 0.69 0.65

25

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 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(441) Northern Ireland 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(450) Makedonia-Thraki 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(460) Ipiros-Peloponissos-Nissi Ioniou 1 1 0.96 0.95 1 1 0.72 1 1 1 1 1 1 1 1 1 1 1 1 1 1(470) Thessalia 1 0.91 0.86 0.92 0.94 0.97 0.87 1 1 0.89 0.72 0.78 0.52 0.48 0.56 0.71 0.65 0.98 1 1 1(480) Sterea Ellas-Nissi Egaeou-Kriti 1 0.94 0.93 0.91 0.95 0.92 0.72 0.94 0.93 0.98 0.93 0.89 0.79 0.70 0.83 1 0.75 1 1 0.81 0.74(500) Galicia 0.85 0.93 0.81 0.57 1 1 0.98 0.89 0.77 0.92 0.95 1.00 0.95 1 1 1 0.90 0.86 0.61 1 0.96(505) Asturias 1 0.95 0.86 1 0.64 0.72 0.79 0.77 1.00 0.78 0.79 0.84 1 1 1 0.89 0.79 1 0.67 1 1(510) Cantabria 1 1 1 1 0.68 0.70 0.92 0.88 0.82 0.86 1 0.86 1 0.98 0.88 0.87 1 0.92 1.00 1 1(515) Pais Vasco 0.88 0.99 1 1 0.81 0.78 0.74 0.98 0.85 0.78 0.96 0.83 1 0.68 0.76 0.88 0.85 0.95 0.76 1 0.82(520) Navarra 1 0.89 0.80 0.76 1 1 1 1 1 1 0.88 0.78 0.82 0.70 0.75 0.82 0.83 0.84 0.63 0.82 0.90(525) La Rioja 1 1 1 0.91 1 1 0.95 1 1 1 1 1 1 1 1 1 1 1 0.75 0.83 0.96(530) Aragón 0.86 0.67 0.68 0.69 0.71 0.72 1 0.75 0.73 0.64 0.75 0.80 0.84 0.77 1 0.80 0.75 0.87 0.85 0.77 0.73(535) Cataluna 0.68 0.88 0.66 0.65 0.67 0.89 0.84 1 0.78 0.73 0.67 0.76 0.65 0.55 0.68 0.77 0.70 0.75 1 0.63 0.71(540) Baleares 1 1 0.64 0.63 0.67 0.67 1 0.86 0.78 0.74 0.96 1 1 1 0.88 0.88 1 1 1 1 1(545) Castilla-León 0.91 0.99 0.98 0.72 0.68 0.72 0.80 1 0.94 0.75 0.75 0.78 0.80 1 1 0.84 1 1 1 1 1(550) Madrid 0.71 0.87 0.91 0.70 1 0.78 1 1 1 1 1 0.98 0.96 0.73 0.91 0.94 1 1 1 0.99 1(555) Castilla-La Mancha 0.99 0.96 1.00 1 1 0.86 0.83 0.96 1.00 0.89 0.94 0.89 0.91 0.70 0.80 0.84 0.93 0.83 0.78 0.65 0.79(560) Comunidad Valenciana 1 1 1 0.69 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0.97 1(565) Murcia 0.77 1 1 1 1 1 1 1 0.86 1 1 1 1 1 1 1 1 1 0.95 0.94 0.92(570) Extremadura 0.99 0.88 1 1 0.75 0.82 0.77 0.75 0.86 0.95 0.79 0.67 0.77 0.58 0.72 0.78 0.83 0.95 0.79 0.75 1(575) Andalucia 0.99 1 1 0.99 0.87 0.92 1 1 0.87 0.89 1.00 1.00 0.85 0.59 1.00 1.00 1.00 0.84 0.74 0.80 0.80(610) Entre Douro e Minho/Beira litoral 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(620) Tras-os-Montes/Beira interior 0.82 1 1 1 1 1 0.36 1 1 1 1 1 1 1 1 1 1 1 1 1 1(630) Ribatejo e Oeste 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(640) Alentejo e do Algarve 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(650) Açores 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

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

26

Tabella A.3. - Componenti dell’indice di Malmquist Codice e nome regione ∆ET PT ∆ETN ∆Scala ∆TFP

(010) Schleswig-Holstein 1.001 1.018 1.003 0.999 1.019(020) Hamburg 0.993 1.022 0.993 1 1.015(030) Niedersachsen 1.005 1.015 1.007 0.998 1.021(050) Nordrhein-Westfalen 1.001 1.022 1.001 0.999 1.022(060) Hessen 1.008 1.015 1.007 1 1.023(070) Rheinland-Pfalz 1.004 1.018 1.003 1.001 1.022(080) Baden-Württemberg 1.002 1.016 1.002 1 1.018(090) Bayern 1.005 1.014 1.005 1 1.018(100) Saarland 0.996 1.008 0.99 1.006 1.003Germania 1.002 1.016 1.001 1.000 1.018(121) Île de France 1 1.031 1 1 1.031(131) Champagne-Ardenne 1 1.022 1 1 1.022(132) Picardie 1 1.025 1 1 1.025(133) Haute-Normandie 1.003 1.015 1.001 1.002 1.018(134) Centre 1 1.015 1.002 0.998 1.015(135) Basse-Normandie 0.996 1.008 0.996 1 1.005(136) Bourgogne 1.002 1.009 1.001 1 1.01(141) Nord-Pas-de-Calais 0.996 1.014 0.996 1 1.01(151) Lorraine 1.005 1.008 1.004 1.001 1.013(152) Alsace 1.005 1.011 1.001 1.004 1.016(153) Franche-Comté 1.001 1.005 0.999 1.003 1.006(162) Pays de la Loire 1.003 1.02 1.004 0.999 1.023(163) Bretagne 1.007 1.018 1.006 1.001 1.025(164) Poitou-Charentes 1.01 1.013 1.012 0.998 1.023(182) Aquitaine 1.009 1.021 1.009 1 1.03(183) Midi-Pyrénées 1.007 1.009 1.006 1.001 1.016(184) Limousin 1.004 1.007 1.004 1 1.01(192) Rhônes-Alpes 1.001 1.017 1.001 1 1.018(193) Auvergne 1.016 1.005 1.015 1.001 1.021(201) Languedoc-Roussillon 0.989 1.014 0.991 0.998 1.003(203) Provence-Alpes-Côte 1.004 1.018 1.003 1.001 1.022(204) Corse 1.003 1.013 1.008 0.996 1.016Francia 1.005 1.013 1.005 0.999 1.018(221) Valle d'Aoste 1.008 1.011 1.004 1.005 1.019(222) Piemonte 0.999 1.001 1 0.999 1(230) Lombardia 1.002 1.013 1 1.002 1.015(241) Trentino 1.004 1.01 1.005 1 1.015(242) Alto-Adige 0.994 1.014 0.991 1.003 1.008(243) Veneto 0.99 1.022 0.991 0.999 1.012(244) Friuli-Venezia 0.988 1.014 0.991 0.996 1.001(250) Liguria 1 1.005 1 1 1.004(260) Emilia-Romagna 0.984 1.02 0.981 1.004 1.004(270) Toscana 1.004 1.008 1.003 1 1.012(281) Marche 0.986 0.986 0.992 0.994 0.972(282) Umbria 1.007 1.005 1.012 0.995 1.011(291) Lazio 0.997 1.002 1.003 0.995 1(292) Abruzzo 0.988 1.008 0.992 0.997 0.996(301) Molise 0.984 0.977 0.998 0.986 0.962

27

Codice e nome regione ∆ET PT ∆ETN ∆Scala ∆TFP(302) Campania 0.994 1.017 0.995 0.999 1.011(303) Calabria 1.011 1.006 1 1.011 1.017(311) Puglia 0.988 1.005 1.004 0.984 0.993(312) Basilicata 0.994 0.998 0.996 0.997 0.992(320) Sicilia 1.002 1.006 1 1.002 1.008(330) Sardegna 0.992 1.007 0.996 0.996 0.999Italia 0.996 1.006 0.998 0.998 1.002(340) Belgium 1.002 1.011 1.003 0.999 1.013(350) Luxembourg 1.014 1.012 1.012 1.002 1.027(360) The Netherlands 0.996 1.023 1 0.996 1.019(370) Denmark 1.011 1.033 1 1.011 1.045(380) Ireland 1.007 1 1.012 0.994 1.006(411) England-North 0.995 1.021 0.997 0.998 1.015(412) England-East 0.994 1.023 0.998 0.996 1.016(413) England-West 0.997 1.021 0.999 0.998 1.018(421) Wales 1.002 1.017 1.001 1 1.019(431) Scotland 0.998 1.02 1.001 0.998 1.019(441) Northern Ireland 1.011 1.013 1.01 1.001 1.025Regno Unito 0.999 1.019 1.001 0.998 1.019(450) Makedonia-Thraki 0.962 1.02 1 0.962 0.981(460) Ipiros-Peloponissos-Nissi Ioniou 0.989 1.013 1 0.989 1.002(470) Thessalia 0.96 1.02 1 0.96 0.979(480) Sterea Ellas-Nissi Egaeou-Kriti 0.98 1.009 0.985 0.994 0.988Grecia 0.973 1.015 0.996 0.976 0.987(500) Galicia 1.004 0.992 1.006 0.999 0.996(505) Asturias 1.002 1.006 1 1.002 1.008(510) Cantabria 1 1.004 1 1 1.004(515) Pais Vasco 0.994 1.011 0.996 0.997 1.004(520) Navarra 0.993 1.004 0.994 0.998 0.996(525) La Rioja 1.012 0.989 0.998 1.014 1.001(530) Aragón 0.989 1.01 0.992 0.997 0.999(535) Cataluna 0.998 1.019 1.002 0.996 1.016(540) Baleares 0.989 1.005 1 0.989 0.994(545) Castilla-León 1.005 1.018 1.005 1 1.022(550) Madrid 1.018 1.017 1.018 1 1.035(555) Castilla-La Mancha 0.987 1.022 0.989 0.998 1.009(560) Comunidad Valenciana 0.994 1.005 1 0.994 0.999(565) Murcia 1.008 1.026 1.009 0.999 1.034(570) Extremadura 1.008 1.022 1.001 1.007 1.03(575) Andalucia 0.989 1.011 0.989 0.999 0.999Spagna 0.999 1.010 1.000 0.999 1.009(610) Entre Douro e Minho/Beira litoral 0.983 1.02 1.007 0.976 1.002(620) Tras-os-Montes/Beira interior 0.996 1.013 1.01 0.986 1.008(630) Ribatejo e Oeste 1.002 1.009 1.009 0.994 1.011(640) Alentejo e do Algarve 0.979 1.012 0.982 0.997 0.991(650) Açores 0.977 1.023 1 0.977 0.999Portogallo 0.995 1.015 1.001 0.994 1.002UE12 0.998 1.012 1.001 0.998 1.01Tabella A.4 - I prezzi ombra del lavoro nell’UE (€ 2000/ora).

28