JSMHN06 La disposizione planimetrica (lay-out) dello stabilimento facilita rapidi attraversamenti e scorte ridotte.
JSVNN11 I fornitori effettuano consegne frequenti nei nostri confronti.
JSPLN06 Utilizziamo un sistema kanban con logica a trazione (pull system) per il controllo della produzione.
JSSUN04 Nel nostro stabilimento abbiamo ridotto i tempi di attrezzaggio delle macchine.
JSSUN11 Diamo importanza ai piccoli lotti per incrementare la flessibilità produttiva.
JSVCN01 I nostri clienti ricevono da noi consegne “just in time”.
AMBIDEXTERITY
HSFLN01 La nostra struttura organizzativa è relativamente piatta.
HSTWN01 I nostri addetti ricevono una formazione tale da poter eseguire più mansioni.
89
HSMFN03 Gli addetti sono addestrati in modo tale da potersi sostituire ad altri, se necessario.
HSPCN03 Il nostro sistema di incentivi riconosce realmente le persone che collaborano al massimo con la nostra azienda.
SSCSN01 Nel nostro stabilimento mi vengono comunicati obiettivi e strategie.
HSVCN02
Preferiamo incoraggiare i nostri dipendenti a collaborare per raggiungere obiettivi comuni, piuttosto che favorire la competizione tra gli individui.
HSTMN03
Nel nostro stabilimento vengono formati dei gruppi di lavoro per risolvere i problemi.
PERFORMANCE
GRCPN01 Costi unitari di produzione
GRCPN02 Qualità dei prodotti (conformità)
GRCPN03 Puntualità delle consegne
GRCPN04 Velocità di consegna
GRCPN05 Flessibilità al cambiamento di mix
GRCPN06 Flessibilità al cambiamento di volume produttivo
4.3 Analisi preliminare
Prima di procedere con la realizzazione dei modelli, sono state eseguite delle analisi preliminari sui dati, al fine di controllare che fossero verificate le assunzioni dei modelli SEM e garantire, quindi, delle stime corrette.
90
In primo luogo i dati sono stati puliti, controllando la presenza di valori errati e/o mancanti; essendo gli item misurati su una scala di Likert da 1 a 7 (da 1 a 5 gli item relativi alla perfomance) valori errati sarebbero stati al di fuori di questo range, ma l’analisi non ha riscontrato alcun valore di questo tipo; anche nelle variabili di controllo non sono stati trovati valori errati. Sono stati riscontrati, invece, valori mancanti, in particolare nelle risposte relative alla perfomance dell’aziende, dove 28 imprese su 266 non hanno risposto; notando che molto spesso nei 28 casi mancavano contemporaneamente tutte le risposte relative alla variabile latente si è pensato che la mancanza dei dati non fosse casuale, magari per aziende con performance molto elevate o molto minori rispetto ai concorrenti. Considerando questa osservazione e il fatto che la performance sia la variabile risposta di molte delle equazioni del modello si è deciso di non stimare i valori mancanti, ma eliminare le osservazioni relative. Partendo da un campione di 266 unità si è giunti, quindi, ad un campione finale di 238; nonostante questa modifica la numerosità del campione è rimasta buona. Una breve analisi descrittiva ha evidenziato come i principali indici di posizione (media, moda e mediana) di molte variabili siano spostati verso l’estremo superiore (senza mai raggiungerlo).
Infine, si sono verificate le assunzioni alla base dei modelli SEM:
Continuità e normalità (quantomeno approssimativa) delle variabili coinvolte: per le variabili osservate endogene è stata appurata la continuità (all’interno del range considerato), mentre attraverso indici di assimetria e di curtosi e grafici qq-plot è stata verificata la normalità delle stesse. Anche per le variabili esogene “Età” e “Addetti” sono state verificate le ipotesi
Linearità del sistema di equazioni utilizzato per definire le relazioni tra variabili;
Casualità del campione utilizzato per le variabili osservate, in questo caso l’ipotesi è stata rilassata; questo non compromette la validità delle stime. Prima di procedere con il calcolo della matrice di correlazione i dati sono stati standardizzati a seconda del paese e del settore, in modo da rendere i dati di partenza più omogenei.
91
Una volta conclusa l’analisi preliminare e verificate le ipotesi dei modelli SEM il modello iniziale, e successivamente il modello con la variabile ambidexterity, sono stati implementati, attraverso il software per l’analisi dei modelli SEM Lisrel™
4.4 Bontà del modello iniziale
In primo luogo sarà illustrato e commentato il modello inziale, ovvero il modello senza la variabile latente ambidexterity.
Prima di procedere con la discussione dei risultati del modello, è importante stabilire se il modello ottenuto è buono, ovvero se i risultati ottenuti sono validi; per verificare l’adattamento al modello verranno considerati gli indici presentati al capitolo precedente.
Il primo step è verificare l’adattamento globale del modello e per questo si possono considerare congiuntamente il valore delle statistica χ2 (con le dovute cautele), il Root Mean Square Error of Approximation (RMSEA) e il Root Mean Square Residual (RMR). Il valore della prima è di 479.87 con 292gradi di libertà40, tuttavia, date le considerazioni espresse precedentemente sulla distribuzione χ2 è bene considerare tale valore con le dovute attenzioni e valutare anche gli altri indicatori; l’RMSEA ha un valore pari a 0.049 ben al di sotto della soglia 0.08, soglia massima indice di un buon modello, e addirittura, al di sotto del valore 0.05, limite superiore per un modello ottimo; anche il p-value per la verifica dell’ipotesi H0 = RMSEA ≤ 0.05, pari a 0.55, permette di accettare l’ipotesi di un RMSEA al di sotto del valore 0.05. L’intervallo di confidenza al 90% del modello (0.040 ; 0.058) è ben compreso all’interno della soglia consigliata (0 ; 0.08); infine, il valore dell’RMR è pari a 0.065, anch’esso al di sotto del valore soglia consigliato pari a 0.1, in questo caso RMR e Standardized RMR hanno lo stesso valore. Altri indici di adattamento globale del modello, quali GFI e AGFI assumono, rispettivamente, il valore di 0.87 e 0.84 decisamente più vicini ad 1 (buon adattamento ai dati) che a 0 (cattivo adattamento ai dati).
40
92
Se si considera il miglioramento del modello rispetto al modello nullo e al modello saturo possono essere considerati gli indici AIC (confrontato con l’Independence AIC e il Saturated AIC) e CAIC (confrontato con l’Independence CAIC e il Saturated CAIC), mentre se si considera unicamente il miglioramento rispetto al modello nullo vengono considerati gli indici Comparative Fit Index (CFI) e Incremental Fit Index (IFI). In questo modello il valore dell’indice AIC è 577.43, minore sia dell’Independence AIC (4374.75) che del Saturated AIC (702.00), quello del CAIC è 841.29, minore sia dell’Independence CAIC (4491.03) che del Saturated CAIC (2271.77): entrambi indicano che il modello considerato è migliore rispetto al modello nullo e al modello saturo; gli indici CFI e IFI sono entrambi 0.95, superiori a 0.9, ovvero il valore soglia che indica un buon modello.
Per ultima è stata valutata la parsimoniosità del modello considerando indici quali il Normed χ2, rapporto tra la statistica χ2 e i suoi gradi di libertà, per il quale è consigliabile ottenere un valore inferiore o uguale a 3 e l’indice Parsimony Normed Fit Index (PNFI); il primo è quindi 479.87 /292 = 1.64 ben al di sotto di 3, tuttavia questo indice soffre dei limiti della distribuzione χ2 e va, giudicato con le attenzioni del caso, invece, l’indice PNFI è pari a 0.80, valore al di sopra della soglia minima 0.7.
Nella tabella 4.2 sono riportati gli indici di adattamento del modello con i relativi valori soglia.
MISURE DI