Mercato del lavoro e nuove tecnologie
5. Assetti manageriali, innovazione ed organizzazione del lavoro
Per completare il quadro analitico, si esamina ora un aspetto connesso alla potenzia- le endogeneità delle decisioni di occupazione, innovazione e formazione: il profilo demografico degli imprenditori e le caratteristiche manageriali e proprietarie delle aziende.
Le ricerche condotte dall’INAPP in questo ambito lasciano ipotizzare, infatti, che il capitale umano degli imprenditori favorisce la valorizzazione delle competenze pro- fessionali, la qualità del lavoro e la propensione ad innovare, ovvero può attivare fenomeni di complementarietà tra adozione di nuove tecnologie e prospettive di oc- cupazione che possono compensare almeno in parte il rischio di disoccupazione strut- turale connesso alla routinizzazione dei processi produttivi. Ciò è vero soprattutto in un’economia - come quella italiana - dove la prevalenza di imprese di piccole dimen- sioni crea uno stretto legame tra il profilo demografico del management, le modalità di gestione delle risorse umane e le decisioni di innovazione (Ferri, Guarascio e Ricci, 2017). Analogamente, la natura degli assetti proprietari incide in modo fondamentale sulle strategie gestionali e sugli orizzonti temporali delle scelte di investimento, con ovvie conseguenze non solo sull’organizzazione del lavoro e sul grado di innovazione ma anche sugli effetti occupazionali delle nuove tecnologie (Damiani, Pompei e Ricci, 2018).
A supporto di questa ipotesi si riportano alcune evidenze ottenute sui dati della com- ponente sezionale della Rilevazione su Imprese e Lavoro (RIL), condotta da INAPP nel 2010 e nel 2015 su un campione rappresentativo di società di capitale e di persone operanti nel settore privato extra-agricolo.
La tabella 6 descrive l’evoluzione di alcune misure di qualità del lavoro (quota di con- tratti a tempo determinato e di lavoratori formati) e di innovazione (introduzione di nuovi processi e/o prodotti, investimento in attività R&D), come pure le caratteristi- che degli assetti manageriali.
Si osserva così come la quota dei contratti a tempo determinato diminuisce nel corso del tempo passando da un valore pari al 13,4% nel 2010 al 9,2% nel 2015, mentre si registra un incremento della quota di lavoratori formati che passa dal 15,6% nel 2010 al 24,3% nel 2015. Il fatto che diminuiscano i contratti a termine e aumenti l’intensi-
tà della formazione professionale non significa necessariamente che nel periodo in esame le aziende abbiano posto in essere condizioni favorevoli all’accumulazione di competenze on the job e quindi per attivare un legame virtuoso tra qualità del lavoro e adozione di nuove tecnologie. I dati della tabella 5 possono infatti riflettere l’operare asimmetrico della crisi economico-finanziaria, che nel mercato italiano si è manifesta- ta per parte rilevante attraverso la distruzione dei contratti a termine. Ciò è indiretta- mente confermato dal quadro di stazionarietà e, o meglio, di erosione della capacità innovativa. L’incidenza media di imprese che dedicano risorse in attività di ricerca e sviluppo (R&D) si contrae dal 6,8% nel 2010 al 4,5% nel 2015, la percentuale di aziende che hanno realizzato innovazioni nei processi o nei prodotti rimane stabile intorno al 33,4% nel periodo.
Per quanto concerne il profilo demografico degli imprenditori, si nota come il 22,4% delle imprese è gestito da laureati, il 54,2% di esse presenta un datore di lavoro in pos- sesso di un diploma di scuola media superiore, mentre per il restante 23,4% si tratta di imprenditori con al massimo una licenza di scuola secondaria inferiore. Il livello medio di istruzione di una parte maggioritaria dell’imprenditoria italiana si confer- ma modesto in valore assoluto e costante nel tempo, soprattutto se confrontato con quanto emerge negli altri paesi europei (Sacchi, Ferri, Ricci, 2018). I dati RIL rivelano inoltre una flessione seppur marginale della diffusione della proprietà familiare (dal 93,4% nel 2010 al 90,8% nel 2014), che tuttavia rimane una forma di governance quasi totalizzante nel contesto italiano.
Tabella 6: statistiche descrittive
2010 2014 2010-2014
Variabili outcome*
quota dip. contratti TD 13,4 9,2 11,5
quota dip. Formati 15,6 24,3 19,6
attività R&D 6,8 4,5 5,8
innovazione 33,4 33,5 33,4
Variabili di management*
istr terziaria 22,4 22,4 22,4
istr secondaria sup 54,0 54,5 54,2
istr secondaria inf/elementare 23,6 23,1 23,4
proprietà familiare 93,4 90,8 92,2
N di osservazioni 17.661 20.715 38.376
Fonte: RIL 2010-2015. Applicazione dei pesi campionari. * medie espresse in valori percentuali
Le statistiche descrittive sono arricchite ancora una volta dagli esiti delle elaborazioni econometriche.
A tale proposito la tabella 7 riposta la stima degli effetti medi marginali di un’equa- zione di regressione formalizzata in modo tale da verificare in che misura il profilo demografico degli imprenditori e la governance aziendale si riflette sulla qualità del lavoro e la performance innovativa, tenendo in considerazione un’ampia serie di ca- ratteristiche produttive e competitive delle imprese nonché l’eterogeneità della forza
150
lavoro occupata11.
Si considerano innanzitutto i risultati riguardanti l’uso dei contratti a tempo determi- nato (prima colonna). E’ possibile verificare così che il livello di istruzione dei datori di lavoro tende a ridurre la propensione ad assumere su base temporanea: nello spe- cifico, la presenza di un imprenditore laureato si associa ad una diminuzione di circa -0,4% della proporzione di dipendenti con un contratto a tempo determinato rispetto a quanto avviene nelle imprese con a capo un individuo con licenza media inferiore (va- riabile omessa). La proprietà familiare sembra alimentare il ricorso al lavoro tempora- neo non in modo sono statisticamente significativo. La seconda colonna della tabella 7 illustra i fattori incentivanti o inibenti gli investimenti in formazione professionale. A tale riguardo, il primo aspetto da sottolineare è la correlazione positiva tra livello di istruzione dei datori di lavoro e intensità dell’investimento formativo: le stime Tobit degli effetti medi marginali rivelano infatti che la proporzione di lavoratori formati nelle azienda gestite da un imprenditore laureato (diplomato) aumenta di circa +0,4% (+0,3%) punti percentuali rispetto a quanto avviene nelle imprese al cui capo vi è un datore con al massimo un diploma di scuola secondaria inferiore (variabile omessa). Ciò supporta l’ipotesi che le competenze e le conoscenze del management tendono a riflettersi in una maggiore propensione ad investire nella formazione professionale. La proprietà familiare, d’altra parte, non esercita alcuna influenza significativa sugli incentivi ad investire in formazione.
Per ciò che riguarda la propensione ad innovare, la terza colonna mette in luce una associazione positiva tra istruzione dei datori di lavoro e la probabilità di introdurre nuovi processi e prodotti: la presenza di un imprenditore laureato (diplomato) si ac- compagna ad un incremento di circa +4,3% (+2,5%) della probabilità di innovare ri- spetto a ciò che accade nelle realtà in cui il datore ha al massimo un diploma di scuola media inferiore (variabile omessa). Analogamente la quarta colonna della tabella 6 illustra come la probabilità di investire in attività di ricerca e sviluppo è favorita dalla presenza di datori di lavoro altamente istruiti (+2,3%), mentre la proprietà familiare è correlata negativamente alla scelta di spendere in attività di R&D.
11. In questa prospettiva si fa riferimento innanzitutto alla seguente equazione di regressione: (1)
15
altri paesi europei (Sacchi, Ferri, Ricci, 2018). I dati RIL rivelano inoltre una flessione seppur marginale della diffusione della proprietà familiare (dal 93,4% nel 2010 al 90,8% nel 2014), che tuttavia rimane una forma di governance quasi totalizzante nel contesto italiano.
Tabella 6: statistiche descrittive
2010 2014 2010-2014
Variabili outcome*
quota dip. contratti TD 13,4 9,2 11,5 quota dip. Formati 15,6 24,3 19,6 attività R&D 6,8 4,5 5,8 innovazione 33,4 33,5 33,4
Variabili di management*
istr terziaria 22,4 22,4 22,4 istr secondaria sup 54,0 54,5 54,2 istr secondaria inf/elementare 23,6 23,1 23,4 proprietà familiare 93,4 90,8 92,2 N di osservazioni 17.661 20.715 38.376
Fonte: RIL 2010-2015. Applicazione dei pesi campionari. * medie espresse in valori percentuali
Le statistiche descrittivo sono arricchite ancora una volta dagli esiti delle elaborazioni econometriche.
A tale proposito la Tabella 7 riposta la stima degli effetti medi marginali di un equazione di regressione formalizzata in modo tale da verificare in che misura il profilo demografico degli imprenditori e la governance aziendale si riflette sulla qualità del lavoro e la performance innovativa, tenendo in considerazione una ampia serie di caratteristiche produttive e competitive delle imprese nonché l’eterogeneità della forza lavoro occupata11.
Si considerano innanzitutto i risultati riguardanti l’uso dei contratti a tempo determinato (prima colonna). E’ possibile verificare così che il livello di istruzione dei datori di lavoro tende a ridurre la propensione ad assumere su base temporanea: nello specifico, la presenza di un imprenditore laureato si associa ad una diminuzione di circa - 0,4% della proporzione di dipendenti con un contratto a tempo determinato rispetto a quanto avviene nelle imprese con a capo un individuo con licenza media inferiore (variabile omessa). La proprietà familiare sembra alimentare il ricorso al lavoro temporaneo non in modo sono statisticamente significativi. La seconda colonna della Tabella 7 illustra i
11In questa prospettiva si fa riferimento innanzitutto alla seguente equazione di regressione:
(1) 𝑦𝑦𝑖𝑖,𝑡𝑡= 𝛼𝛼 ∗ 𝑀𝑀𝑖𝑖,𝑡𝑡+ 𝛽𝛽 ∗ 𝐿𝐿𝑖𝑖,𝑡𝑡+ 𝛿𝛿 ∗ 𝐹𝐹𝑖𝑖,𝑡𝑡+ 𝜀𝜀𝑖𝑖,𝑡𝑡
dove la variabile dipendente yi,t può indicare alternativamente i) la proporzione di lavoratori con contratto a
tempo determinato, ii) la quota di dipendenti formati, iii) l’incidenza delle innovazioni di prodotto e/o di processo iv) l’incidenza delle attività di investimento in R&D nell’impresa i al tempo t. Per quanto riguarda le variabili esplicative, il vettore Mi,t rappresenta il profilo demografico degli imprenditori e l’assetto di governance
aziendale; Li,t è un vettore che descrive la composizione della forza lavoro occupata mentre Fi,t contiene una serie
di caratteristiche produttive e competitive delle imprese. Infine, 𝜀𝜀𝑖𝑖,𝑡𝑡 è un termine di errore idiosincratico con
media nulla e varianza finta. L’equazione (1) è quindi stimata applicando modelli di regressione non lineare di tipo Tobit (nel caso in cui la variabile dipendente rappresenta la proporzione di lavoratori con contratti a termine o la quota di lavoratori formati) e Probit (nella circostanza in cui si analizza la probabilità di investire in innovazione e in R&D).
dove la variabile dipendente yi,t può indicare alternativamente i) la proporzione di lavoratori con contratto a tempo determinato, ii) la quota di dipendenti formati, iii) l’incidenza delle innovazioni di prodotto e/o di processo, iv) l’incidenza delle attività di investimento in R&D nell’impresa i al tempo t. Per quanto riguarda le variabili espli- cative, il vettore Mi,t rappresenta il profilo demografico degli imprenditori e l’assetto di governance aziendale; Li,t è un vettore che descrive la composizione della forza lavoro occupata, mentre Fi,t contiene una serie di caratteristiche produttive e competitive delle imprese. Infine, è un termine di errore idiosincratico con media nulla e varianza finta. L’equazione (1) è quindi stimata applicando modelli di regressione non lineare di tipo Tobit (nel caso in cui la variabile dipendente rappresenta la proporzione di lavoratori con contratti a termine o la quota di lavoratori formati) e Probit (nella circostanza in cui si analizza la probabilità di investire in innovazione e in R&D).
altri paesi europei (Sacchi, Ferri, Ricci, 2018). I dati RIL rivelano inoltre una flessione seppur marginale della diffusione della proprietà familiare (dal 93,4% nel 2010 al 90,8% nel 2014), che tuttavia rimane una forma di governance quasi totalizzante nel contesto italiano.
Tabella 6: statistiche descrittive
2010 2014 2010-2014
Variabili outcome*
quota dip. contratti TD 13,4 9,2 11,5 quota dip. Formati 15,6 24,3 19,6 attività R&D 6,8 4,5 5,8 innovazione 33,4 33,5 33,4
Variabili di management*
istr terziaria 22,4 22,4 22,4 istr secondaria sup 54,0 54,5 54,2 istr secondaria inf/elementare 23,6 23,1 23,4 proprietà familiare 93,4 90,8 92,2 N di osservazioni 17.661 20.715 38.376
Fonte: RIL 2010-2015. Applicazione dei pesi campionari. * medie espresse in valori percentuali
Le statistiche descrittivo sono arricchite ancora una volta dagli esiti delle elaborazioni econometriche.
A tale proposito la Tabella 7 riposta la stima degli effetti medi marginali di un equazione di regressione formalizzata in modo tale da verificare in che misura il profilo demografico degli imprenditori e la governance aziendale si riflette sulla qualità del lavoro e la performance innovativa, tenendo in considerazione una ampia serie di caratteristiche produttive e competitive delle imprese nonché l’eterogeneità della forza lavoro occupata11.
Si considerano innanzitutto i risultati riguardanti l’uso dei contratti a tempo determinato (prima colonna). E’ possibile verificare così che il livello di istruzione dei datori di lavoro tende a ridurre la propensione ad assumere su base temporanea: nello specifico, la presenza di un imprenditore laureato si associa ad una diminuzione di circa - 0,4% della proporzione di dipendenti con un contratto a tempo determinato rispetto a quanto avviene nelle imprese con a capo un individuo con licenza media inferiore (variabile omessa). La proprietà familiare sembra alimentare il ricorso al lavoro temporaneo non in modo sono statisticamente significativi. La seconda colonna della Tabella 7 illustra i
11In questa prospettiva si fa riferimento innanzitutto alla seguente equazione di regressione:
(1) 𝑦𝑦𝑖𝑖,𝑡𝑡= 𝛼𝛼 ∗ 𝑀𝑀𝑖𝑖,𝑡𝑡+ 𝛽𝛽 ∗ 𝐿𝐿𝑖𝑖,𝑡𝑡+ 𝛿𝛿 ∗ 𝐹𝐹𝑖𝑖,𝑡𝑡+ 𝜀𝜀𝑖𝑖,𝑡𝑡
dove la variabile dipendente yi,t può indicare alternativamente i) la proporzione di lavoratori con contratto a
tempo determinato, ii) la quota di dipendenti formati, iii) l’incidenza delle innovazioni di prodotto e/o di processo iv) l’incidenza delle attività di investimento in R&D nell’impresa i al tempo t. Per quanto riguarda le variabili esplicative, il vettore Mi,t rappresenta il profilo demografico degli imprenditori e l’assetto di governance
aziendale; Li,t è un vettore che descrive la composizione della forza lavoro occupata mentre Fi,t contiene una serie
di caratteristiche produttive e competitive delle imprese. Infine, 𝜀𝜀𝑖𝑖,𝑡𝑡 è un termine di errore idiosincratico con
media nulla e varianza finta. L’equazione (1) è quindi stimata applicando modelli di regressione non lineare di tipo Tobit (nel caso in cui la variabile dipendente rappresenta la proporzione di lavoratori con contratti a termine o la quota di lavoratori formati) e Probit (nella circostanza in cui si analizza la probabilità di investire in innovazione e in R&D).
Tabella 7: Stime effetti medi marginali modello Pooled Tobit e Probit
Quota dip.
contratto TD Quota dip. formati Innovazioni prod/proc attività di R&D
man: istr terziaria -0,004* 0,004** 0,043*** 0,023***
[0,002] [0,002] [0,008] [0,005]
man: istr secondaria 0,000 0,003** 0,025*** 0,001
[0,002] [0,001] [0,006] [0,004] proprietà familiare 0,002 0,000 0,033*** -0,027*** [0,002] [0,001] [0,007] [0,006] altri controlli Si Si Si Si costante 0,184*** -0,132*** [0,040] [0,025] R2 0,156 0,176 N di Oss 38.134 38.134 38.331 38.173
Nota: Altre variabili di controllo: composizione dell’occupazione per genere, professione (dirigen- ti, impiegati, operai), età e livello di istruzione (terziaria, secondaria superiore, secondaria inferio- re/elementare), quota di formati, turnover lordo, operazioni di fusione e acquisizione, commercio internazionale, specializzazione settoriale (classificazione Ateco due digit), localizzazione geogra- fica (regione), (log dei) ricavi per dipendente. Errori standard robusti tra parentesi. *** p<0.01, ** p<0.05, * p<0.1
Fonte: a cura di Ricci (2018). Dati: RIL-INAPP 2010-2015.
A questo punto, se si esaminano congiuntamente i dati delle tabelle 6 e 7, emerge con chiarezza come la demografia imprenditoriale e gli assetti di governace familiare gio- cano un ruolo fondamentale per le politiche del personale che puntano sulla valoriz- zazione delle competenze e qualità del lavoro nonché per la propensione ad innovare delle imprese. Nello specifico si mette in luce una forte complementarietà tra capitale umano imprenditoriale, investimento in formazione (implicita e esplicita), e scelte di innovazione; un legame che viene indebolito, d’altra parte, dalla presenza di assetti di governance dominati dalla proprietà familiare, anche attraverso la selezione dinastica dei vertici manageriali.
Nonostante le analisi econometriche non permettano di identificare chiare relazioni di causalità tra le variabili oggetto di studio, è comunque possibile dedurre un impor- tante implicazione ai nostri fini. Ipotizzare che le caratteristiche della demografia im- prenditoriale e i modelli di governance societaria sono un dato “esogeno” del sistema economico rischia di essere una seria limitazione per l’identificazione e la valutazione degli effetti delle nuove tecnologie sui fabbisogni formativi e sulla dinamica occupa- zionale nel nostro paese.
6. Conclusioni
Nelle pagine precedenti il tema della transizione tecnologica del mercato del lavoro italiano è stato affrontato adottando diversi approcci metodologici, prospettive ana- litiche e strategie empiriche. In questa prospettiva sono state utilizzate banche dati di
natura campionaria e amministrativa che integrano le informazioni sulle storie lavo- rative degli individui e le caratteristiche delle imprese, sul profilo delle competenze e sui fabbisogni formativi nonché sugli indici di routinizzazione delle mansioni calcola- ti fino al 4 digit della classificazione delle professioni
Si è dimostrato cosi che il fenomeno dell’automazione e digitalizzazione dei processi produttivi ha effettivamente penalizzato la crescita dell’occupazione a livello di set- tore e professione. Analogamente si è messo in luce come l’adozione di tecnologie task biased incidono negativamente su numero delle giornate medie lavorate dagli individui within firms e, di conseguenza, sulle prospettive di stabilità occupazionale e accumulazione di competenze on the job.
Le nuove tecnologie, d’altra parte, esplicano i loro effetti non solo sulla quantità e qua- lità dell’occupazione, ma anche un profondo mutamento della gestione delle risorse umane, dei fabbisogni professionali e degli stessi modelli di competizione.
Tali aspetti possono indurre degli incrementi di efficienza produttiva e del matching tra domanda e offerta di competenze che - nel medio lungo periodo- possono essere tali da compensare almeno in parte l’impatto negativo sull’occupazione. A questo punto entra il gioco il ruolo della demografia manageriale e della governance societaria che plasma le scelte di investimento in innovazione e le complementari politiche del personale in modo tale da accelerare o attenuare la diffusione delle nuove tecnolo- gie. L’analisi restituisce quindi un quadro di complessità che rende difficile prevedere l’esito dell’introduzione di nuove macchine sulla evoluzione del mercato del lavoro italiano.
Bibliografia
Acemoglu D., Autor D. (2011), Skills, tasks and technologies: Implications for employment and earnings, in Ashen- felter O., Card D. (Eds.), Handbook of Labor Economics, 4B, Amsterdam, Elsevier, pp. 1043-1171
Acemoglu D., Restrepo P. (2017), Robots and jobs: Evidence from US labor markets, NBER Working Paper, n. w23285 Autor D., Levy F., Murname R. J. (2003), The skill content of recent technological change: An empirical exploration,
Quarterly Journal of Economics, 118, n. 4, pp. 1279-1333
Brunetti I., Cirillo V., Ricci A. (2018), Tecnologia e variazione dell’occupazione nei mercati locali del lavoro, Inapp-
Paper n. 13, Roma, Inapp.
Cassandro, N., Centra, M., Esposito, P. e Guarascio, D. (2019) Risk of becoming unemployed and degree of task ‘routinarity’ Evidence from Italian labor-force data, di prossima pubblicazione
Cirillo V., Raitano M., Ricci A. (2019a), La dinamica della produttività del lavoro e dei salari in Italia: il ruolo della dispersione del lavoro within-firm, Inapp Paper n. 20, Roma, Inapp.
Cirillo, V., Raitano, M., Ricci, A. (2019b) Innovazione e distribuzione del lavoro nelle imprese italiane, Sinappsi, IX, n. 1-2, pp. X (di prossima pubblicazione)
Gualtieri, V., Guarascio, D. e Quaranta, R. (2018). Routine tasks and the dynamics of Italian employment. INAPP
Policy brief, 7/2018.
Damiani M, Pompei F, Ricci A (2019). “The role of employee incentive pay in the competitiveness of family and non-family firms”, Economia Politica, Springer-Verlag. Doi: 10.1007/s40888-018-0135-1
Dosi G., Guarascio D., Ricci A., Virgillitto M. (2019) “Neodualism in the Italian business firms: training, organiza- tional capabilities and productivity distributions”, Small Business Economics, Springer (di prossima pubblicazione) Dosi, G. and Marengo, L. (2015). The Dynamics of Organizational Structures and Performances under Diverging Distributions of Knowledge and Different Power Structures. Journal of Institutional Economics, 11(3): 535–559. Dosi, G., Nelson, R., and Winter, S. (2003). The Nature and Dynamics of Organizational Capabilities. Oxford University Press.
Dosi, G. (1982). Technological Paradigms and Technological Trajectories. Research Policy, 11: 147–162.
Fanti, L., Guarascio, D., & Tubiana, M. (2019). Skill gap, mismatch, and the dynamics of Italian companies’ pro- ductivity. INAPP WP Series;
Franceschetti, M., Guarascio, D., & Mereu, M. G. (2019). Fabbisogni professionali e competenze per il lavoro che cambia. L’indagine PEC-Inapp su professioni e competenze nelle imprese.
Ferri V., Ricci A., Tesauro G. (2018) Caratteristiche manageriali, politiche del personale e competitività, in (a cura di) Ricci A. Imprese, produttività e salari: evidenze per un analisi delle politiche per il lavoro, INAPPReport n.6
Ferri V., Guarascio D., Ricci A. (2017), Formazione professionale, innovazione e investimenti in capitale fisico,
InappPaper n.6, Roma, Inapp
Frey C.B., Osborne M.A. (2017), The future of employment: how susceptible are jobs to computerisation?, Techno-