Le statistiche descrittive

La Tabella 1 riporta le statistiche descrittive relative al campione RCFL per ciascun anno considerato.

Si osserva così che il fenomeno dell’over-education (under-education) coinvolge circa il 33% (0,3%) dei laureati occupati nel 2014 e il 34% (0,4%) nel 2017, rivelando quindi una evoluzione lievemente crescente nel triennio in esame. La differenza tra queste cifre e quelle registrate da studi precedenti sull’Italia può essere spiegata da una serie di ragioni: il criterio di misurazione adottato (di natura soggettiva o oggettiva, basato sulle competenze o sui livelli di istruzione), la popolazione di riferimento, il periodo di tempo preso in esame (Eurofond, 2013; Caroleo e Pastore, 2017; Cattani, Guidetti e Pedrini, 2017).

A fronte di ciò, la distribuzione degli occupati per indirizzo di studio universitario appare stabile e concentrata relativamente nelle materie umanistiche (21%) e nel rag-gruppamento giuridico-economico-statistico (25%), rispetto alle materie scientifiche (12%) e alle scienze sociali (12%), a medicina (15%) e ingegneria-architettura (16%). Per quanto riguarda le altre caratteristiche del campione, si nota che gli individui han-no in media 42 anni di età, per il 55% sohan-no donne, da circa 15 anni hanhan-no conseguito il titolo di studio universitario e da 11 anni lavorano con la medesima azienda. Il li-nea con le attese, la maggior parte dei laureati sono inquadrati come impiegati (46%), come dirigenti o quadri (23%) e tra i professionisti (17%); queste percentuali si riduco-no consistentemente per collaboratori e autoriduco-nomi (9%), per operai e assimilati (6%) e soprattutto per le figure imprenditoriali (1%).

Focalizzando l’attenzione sulle condizioni produttive locali, calcolate sui dati RIL-AI-DA, la Tabella 1 mette in luce il lieve incremento della produttività media del lavoro al livello provinciale, come pure dell’incidenza media delle imprese che innovano nei processi produttivi (dal 30% nel 2010 al 32% nel 2014), mentre la corrispondente per-centuale di aziende che hanno introdotto nuovi beni e servizi rimane stabile intorno al 37% tra il 2010 e il 2014.5

Tabella 1. Caratteristiche campione RCFL

anno 2014 anno 2017 2014-2017 Media Std Dev Media Std Dev Media Std Dev

over-education 0.33 0.47 0.34 0.48 0.34 0.47 under-education 0.03 0.18 0.04 0.19 0.04 0.18 caratteristiche individuali umanistico 0.21 0.40 0.21 0.40 0.21 0.40 scienze sociali 0.12 0.32 0.12 0.32 0.12 0.32 economico-statistico-giuridico 0.24 0.43 0.25 0.43 0.25 0.43 scientifico 0.12 0.33 0.13 0.33 0.12 0.33 Medico-sanitario 0.15 0.36 0.15 0.36 0.15 0.36 ingegneria-architettura 0.16 0.37 0.15 0.36 0.16 0.36 età 42.29 10.15 42.66 10.37 42.49 10.27 donne 0.54 0.50 0.56 0.50 0.55 0.50 n anni dal titolo 15.28 10.12 15.60 10.12 15.45 10.12 caratteristiche occupazione

n anni esperienza prof 11.15 9.63 11.42 9.94 11.30 9.80 contr permanente 0.62 0.49 0.63 0.48 0.63 0.48 contr temporaneo 0.11 0.31 0.11 0.32 0.11 0.32 autonomo 0.27 0.44 0.25 0.43 0.26 0.44 dirigenti/quadri 0.24 0.43 0.22 0.41 0.23 0.42 impiegati 0.44 0.50 0.47 0.50 0.46 0.50 operai e assimilati 0.06 0.23 0.06 0.23 0.06 0.23 imprenditori 0.01 0.09 0.01 0.09 0.01 0.09 professionisti 0.17 0.38 0.17 0.38 0.17 0.38 collaboratori/altri autonomi 0.09 0.28 0.07 0.26 0.08 0.27 caratteristiche produttive locali

produttività del lavoro (prov) 11.02 0.21 11.04 0.23 11.03 0.23 innovazioni di processo (prov) 0.30 0.08 0.32 0.07 0.31 0.07 innovazioni di prodotto (prov) 0.37 0.10 0.37 0.08 0.37 0.09 quota occupazione routinaria (RSH) 0.33 0.04 0.32 0.05 0.33 0.05

N di oss 18,932 22,270 41,202

Fonte: nostre elaborazioni su dati RCFL. Applicazione dei pesi campionati

Naturalmente il dato medio dell’over-education (e under-education) può celare sostan-ziali eterogeneità in funzione dei percorsi di studio, del profilo anagrafico, della loca-lizzazione geografica e dell’occupazione.

Nella Figura 1 suggerisce ad esempio che il rischio di over-education si colloca prin-cipalmente nelle scienze sociali (48-49%) e nel raggruppamento giuridico-economi-co-statistico (44-45%), nelle scienze umanistiche (34-35%), seguite dalle materie scien-tifiche (30-31%) e da ingegneria-architettura (28%), mentre la percentuale minima si trova per l’indirizzo medico e sanitario (dal 13-14%).

Figura 1. Overeducation e disciplina di studio

Fonte: nostre elaborazioni su dati RCFL. Applicazione dei pesi campionati

Analogamente la Figura 2 descrive il ruolo giovato dall’età nel processo di matching tra domanda e offerta di competenze. Non sorprende verificare che la percentuale più elevata (e crescente) di laureati che svolgono lavori per i quali non è richiesto un titolo universitario è concentrata tra i giovani con meno di 25 anni (dal 42% nel 2014 al 47% nel 2017) e nella coorte compresa tra i 25 e i 34 anni (42% in media nel triennio), per poi declinare progressivamente lungo la curva anagrafica.

Per quanto riguarda la distribuzione geografica, la Figura 3 testimonia come non vi siano differenze sostanziali tra macro-aree del Centro-Nord, dove la quota dei laureati in una situazione di over-education si attesta tra il 34% e il 37% nel triennio, una per-centuale che appare d’altra parte significativamente superiore a quella registrata nel Sud. I divari territoriali emergono anche nei pattern temporali: tra il 2014 e il 2017 l’in-cidenza media dell’over-education aumenta nelle regioni del Centro (dal 34% al 36%) e,

Figura 2: Overeducation per classe di età

Fonte: nostre elaborazioni su dati RCFL. Applicazione dei pesi campionati

Figura 3: Overeducation per macro-area geografica

Fonte: nostre elaborazioni su dati RCFL. Applicazione dei pesi campionati

Abbiamo già discusso del fatto che le informazioni sulla propensione innovativa e le potenzialità competitive del territorio permettono di verificare appunto se vi sono meccanismi di path dependence e di esternalità tecnologica e quindi misurare almeno in parte l’intensità della domanda di lavoro qualificato.

Per illustrare questo punto, è opportuno utiliizare le mappe geografiche ottenute a partire dal dataset RIL-AIDA. Le Figure 4-5 mostrano così la distribuzione a livello provinciale dell’incidenza media delle imprese innovatrici nei prodotti e nei processi produttivi, rispettivamente. L’intensità del colore riflette l’incremento della quota di imprese innovatrici, che varia da un valore minimo prossimo allo zero (in alcune loca-lità della Calabria) ad una percentuale massima di circa il 60% nei territori del Nord6. In estrema sintesi appare evidente come le aziende con una maggiroe propensione ad introdurre nuovi beni e servizi, e quindi ad aprire nuovi mercati, siano relativamente concentrate nelle province del Nord rispetto alle imprese che innovano nei processi produttivi (tipicamente attraverso tecnologie di tipo labour saving), che sono distri-buite in modo relativamente più omogeneo anche nelle zone del Centro. In linea con le attese, le province del Meridione esprimono una minore potenzialità competitiva per entrambe le tipologie di innovazione. Questo quadro supporta l’ipotesi che il ri-schio di over-education possa essere in parte influenzato da fattori specifici di domanda che emergono a livello locale attraverso meccanismi di agglomerazione economica ed esternalità tecnologia.

Figura 5: Incidenza media imprese innovatrici nei processi

Fonte: elaborazioni su dati RIL-AIDA 3. Analisi econometrica

In questo paragrafo si sviluppa una semplice analisi di regressione per verificare se e in che misura la tipologia del percorso di studio e le condizioni produttive locali condizionano il rischio di trovarsi una condizione di over-education, tendendo conto di una serie di informazioni sulle caratteristiche demografiche e lavorative individuali7. La Tabella 1 riporta le stime Probit degli effetti marginali ottenute per il totale degli occupati e per due sotto-campioni di esso: la coorte dei giovani con meno di 35 anni e il gruppo di laureati con oltre 34 anni.

7. Formalmente, se si indica con Prob (overeducation) la probabilità che il lavoratore abbia un livello di istruzione superiore a quanto richiesto per lo svolgimento delle mansioni professionali per cui è occupato, viene stimata la seguente equazione di regressione:

(1) Prob(over-education)_i,t= α·Tipo_Istr_i,t + β·cond_prod_p,t-3 + δ·X_i,t + ε_i,t t=2014,2017

dove la variabile esplicativa Tipo_Istr_i,t identifica l’indirizzo del percorso universitario, cond_prod_p,t-3 è un insieme di variabili che descrive le condizioni produttive e innovative in ogni provincia p, nei tre anni precedenti: valore medio della produttività del lavoro, incidenza delle imprese che innovano nei processi produttivi e/o nei prodot-ti, quota di occupati in mansioni routinarie. Il vettore X_i,t include informazioni relative ai tratti demografici, alla regione di residenza, nonché alle caratteristiche professionali e contrattuali individuali. I parametri α, β e δ rappre-sentano i coefficienti da stimare, mentre il termine ε_i è un disturbo idiosincratico con media nulla e varianza finta. L’equazione (1) viene poi stimata usando un modello di regressione non lineare di tipo Probit attraverso metodi di stima di massima verosimiglianza. La probabilità di overeducation richiede che gli individui laureati abbiano preliminarmente trovato un’occupazione. Tale circostanza può generare fenomeni di selezione non casuale del campione che, a loro volta, possono indurre una distorsione delle stime. In questa sede non affrontiamo il proble-ma del sample selection nella stiproble-ma delle determinati dell’over-education. E’ un dibattito approfondito e riproble-mandiamo ad altri studi INAPP (Centra e Ricci, 2017)

La prima colonna della Tabella 2 indica chiaramente come la probabilità di trovarsi in una condizione di over-education aumenta per chi ha conseguito una laurea scienze sociali (+7,7%) e per chi ha scelto un indirizzo giuridico-economico-statistico (+3,5%), posto che la variabile omessa rispetto a cui si valutano i risultati è l’istruzione terziaria in materie umanistiche. Al contrario, il rischio di over-education viene ridotto per chi ha una laurea inmedicina (-6,4%), in materie scientifiche (-7,3%) e in ingegneria-archi-tettura (-7,4%).

La comparazione tra diverse aree disciplinari all’interno del segmento più istruito del-la forza del-lavoro conferma il ruolo delle materie scientifiche e dell’indirizzo medico-sa-nitario per accedere ad un efficiente match educativo-professionale che, d’altra parte, si allontana per coloro che hanno conseguito una laurea in scienze sociali e in discipli-ne con orientamento professionale. Questi risultati sono in lidiscipli-nea con quanto già mo-strato da Caroleo e Pastore (2017) su dati Almalaurea e con le evidenze riportate nello studio di Meliciani e Radicchia (2016) su dati ISFOL Plus8. Ciò conferma ancora una volta come il percorso disciplinare è uno di quegli aspetti della qualità dell’istruzione terziaria che ha una forte incidenza sul grado di efficienza del processo di incontro tra domanda e offerta di lavoro qualificato.

Per quanto riguarda le condizioni produttive locali, si registra una correlazione ne-gativa tra produttività del lavoro e potenzialità innovative, da un lato, e rischio di over-education, dall’altro. Le stime degli effetti medi marginali associate a tali varia-bili, tuttavia, non sono statisticamente significative. Non è possibile quindi inferire meccanismi di esternalità tecnologica ed economica che partono dalla concentrazione territoriale delle imprese innovative per arrivare a condizionare il grado di efficienza allocativa delle competenze.

Naturalmente il quadro che emerge per il campione totale può essere condizionato da una serie di fattori, di natura osservabile e non osservabile, di tipo demografico ed economico. Ad esempio, ci aspettiamo che la natura del processo di matching per i giovani laureati sia strutturalmente diverso da quello che influenza le carriere dei lavoratori qualificati nelle classi di età mature.

Il confronto tra le stime riportate nelle ultime due colonne della Tabella 2 permette di approfondire questo aspetto.

In particolare, per il gruppo dei laureati under 35, l’associazione tra indirizzo disci-plinare e rischio di over-education ora è confermata nel segno e nella significatività statistica, ma è superiore in valore assoluto rispetto a quanto derivato per il campione totale. Si verifica infatti che la probabilità di over-education aumenta nel caso in cui l’individuo sia laureato in scienze sociali (+8,5%) e nel raggruppamento giuridico-eco-nomico-statistico (+4,8%), mentre diminuisce nelle materie scientifiche (-14,3%), medi-co-sanitarie (-13,2%) ovvero per chi ha una laurea in ingegneria-architettura (-11,4%). Si osserva, inoltre, come la concentrazione territoriale di aziende che innovano nella gamma dei beni e servizi si accompagna ad una riduzione significativa del rischio di over-education (-0,31). Tale evidenza è coerente con l’ipotesi che l’ampliamento e

lavoro. Sotto questo punto di vista, la densità innovativa e il profilo della domanda di lavoro che da essa deriva attraverso meccanismi di path-dependence e esternalità tecno-logica migliorano strutturalmente la natura del matching soprattutto per il segmento più giovane delle forza lavoro.

Al tempo stesso va sottolineato come la concentrazione provinciale di aziende che innovano nei processi produttivi sia un fattore che non penalizza in modo statistica-mente significativo le prospettive di un match efficiente per i più giovani. E’ ragione-vole aspettarsi, in effetti, che l’introduzione di nuove tecnologie incorporate nei beni capitali e organizzativi potesse favorire fenomeni di tipo labour saving per mansioni routinarie e rigidamente codificate nell’ambito lavorativo, anche nel caso in cui queste siano svolte da personale altamente qualificato. In tale circostanza, si può assistere ad una contrazione della domanda di giovani laureati e quindi ad un aumento del

misma-tch per individui altamente istruiti. Il fatto che ciò non emerga nitidamente dai nostri dati non vanifica la rilevanza potenziale di questo fenomeno.

La terza colonna della Tabella 2, mostra le stime per il sotto-campione di laureati con oltre 34 anni.

In modo simmetrico a quanto visto per i giovani laureati, l’associazione tra indirizzo disciplinare e rischio di over-education ora è confermata nel segno e nella significatività statistica, ma appare inferiore in valore assoluto rispetto a quanto ottenuto per il campione totale. Nel dettaglio, per i laureati con oltre 34 anni, il rischio aumenta con le scienze sociali (+7,0%) e il raggruppamento giuridico-economico-statistico (+3,3%), mentre si riduce ancora una volta con un percorso scientifico (-5,4%), medico (-4,7%), ingegneria-architettura (-6,3%).

Nessuna delle variabili che indicano le potenzialità innovative e competitive locali influenza in modo significativo la probabilità di disallineamento tra inquadramento professionale e livello di istruzione universitaria per lavoratori over 34. Ciò supporta l’ipotesi che l’over-education sia un fenomeno intrinsecamente legato alle fasi iniziali delle carriera professionale, anche quando si esamina il ruolo della domanda di lavoro qualificato che deriva dale caratteristiche produttive e tecnologiche del mercato locale.

Tabella 2 : stime Probit. Effetti medi marginali. Campione dei laureati

totale età<35 età>34 scienze sociali 0.077*** 0.085*** 0.070***

[0.007] [0.013] [0.008]

giuridico economico statistico 0.035*** 0.048*** 0.033*** [0.007] [0.013] [0.008] scientifico -0.073*** -0.143*** -0.054*** [0.008] [0.015] [0.010] medico-sanitario -0.064*** -0.132*** -0.047*** [0.009] [0.015] [0.011] ingegneria-architettura -0.074*** -0.114*** -0.063*** [0.008] [0.018] [0.009]

produttività del lavoro (prov) -0.011 0.000 -0.016 [0.016] [0.027] [0.019]

innovazioni di processo (prov) -0.019 0.175 -0.066 [0.053] [0.135] [0.059]

innovazioni di prodotto (prov) -0.019 -0.319*** 0.068 [0.031] [0.056] [0.041] anno 2017 0.003 -0.009 0.006 [0.004] [0.009] [0.005] donna 0.017*** 0.040*** 0.010** [0.004] [0.009] [0.005] altri controlli si si si N di Oss 40668 8968 31700

Per esigenze di sintesi non si mostrano le stime relative ad altre importanti variabili esplicative incluse nell’analisi di regressione. A questo proposito si precisa comunque che la maggior parte dei risultati sono coerenti con la letteratura di riferimento. Nello specifico, il rischio di over-education aumenta per le donne, mentre diminuisce con l’e-sperienza professionale con il medesimo datore di lavoro (tenure) e con il trascorrere degli anni dal conseguimento del titolo di studio. In merito alla tipologia contrattuale, i dipendenti a tempo indeterminato sono meno penalizzati rispetto ai colleghi a tempo

Fonte: Elaborazioni INAPP su dati RCFL ISTAT. Nota. Tra gli altri controlli sono incluse le caratteristiche individuali e lavorative (età, numero di anni dal conseguimento ultimo titolo di studio, cittadinanza, tipologia di contratto, professione, part-time, esperienza lavorativa, settore di attività) e effetti fissi provinciali. Errori standard robusti clusterizzati per provincia tra parentesi. *** p<0.01, ** p<0.05, * p<0.1

4. Conclusioni

Nelle pagine precedenti si è indagato il fenomeno dell’over-education e i fattori che ne condizionano la diffusione in Italia. Un attenzione specifica è stata rivolta agli in-dirizzi disciplinari che, in qualche misura, riflettono la “qualità” dell’offerta di lavoro qualificato. Analogamente si è analizzato il ruolo delle condizioni produttive locali, ovvero della domanda di lavoro qualificato che può emergere come riflesso di proces-si di agglomerazione imprenditoriale e tecnologica.

L’utilizzo dei dati della RCFL dell’Istat ha permesso di dimostrare che la condizione di over-education non solo rimane elevata ma manifesta una evoluzione lievemente crescente nel periodo che intercorre tra il 2014 e il 2017, quindi anche in presenza di una situazione macroeconomica relativamente favorevole.

L’applicazione di semplici tecniche di regressione rivela così che il conseguimento di un titolo universitario in materie scientifiche, mediche ed in ingegneria è associato ad una riduzione significativa del rischio di over-education, soprattutto per gli individui con meno di 34 anni. L’efficienza del processo di matching per il gruppo dei giovani laureati viene inoltre favorito dalla concentrazione territoriale di aziende che inno-vano nella gamma dei beni e servizi. Ciò supporta l’ipotesi che l’apertura di nuovi mercati porta con sé l’incremento della domanda di nuove competenze e qualifiche. Nonostante la strategia econometrica utilizzata in questa sede non permetta di infe-rire relazioni di causalità tra le variabili oggetto di studio, i nostri risultati dell’analisi empirica supportano l’ipotesi che l’incremento dell’offerta di lavoro qualificato in ma-terie scientifiche congiuntamente all’attivazione di politiche pubbliche che favorisco-no la domanda di lavoro qualificato attraverso i meccanismi di esternalità tecfavorisco-nologica e path dependence che sussistono a livello locale, possono migliorare significativamente l’efficienza allocativa delle competenze e conoscenze professionali e, quindi, le pro-spettive di crescita e di reddito.

Bibliografia

Audretsch D (2003), Innovation and space externalities, International regional science review, 26, 2, pp. 167-174 Callois J.M. (2008), The two sides of proximity in industrial clusters: the trade-off between process and product innovation, Journal of Urban Economies, 63, pp.146-162

Cattani L., Guidetti G., Pedrini G. (2016), Over-education among Italian graduates: do different measures actu-ally diverge?, Working Papers 77, AlmaLaurea Inter-University Consortium.

Caroleo F. Pastore F. (2017) Overeducation at a glance. Determinants and wage effects of the educational mis-match based on AlmaLaurea data, GLO Discussion Paper n.. 15

Centra M. e Ricci A. (2017) Esiti dell’istruzione terziaria sul mercato del lavoro, INAPP Policy Brief n.2, INAPP Flisi, S., Goglio, V. e Meroni, E. (2016), “Measuring occupational mismatch: Overeducation and Overskill in Eu-rope-Evidence from PIAAC”, Social Indicators Research

Leuven E and Oosterbeek H (2011) Overeducation and Mismatch in the Labour Market. In Hanushek EA, Machin S and Woessmann L. (eds) Handbook of the Economics of Education, vol. 4, Elsevier , pp. 283-326. OECD (vari anni), Education at a Glance: OECD indicators. Country note: Italy. Paris: OECD Publishing. Mavromaras, K. G., McGuinness, S., O’Leary, N. C., Sloane, P. J., Wei Z. (2013), “Job mismatches and labour mar-ket outcomes: Panel evidence on university graduates”, Economic Record, 89(286): 382-395.

McGuinness, S. (2006), “Overeducation in the labour market”, Journal of Economic Surveys, 20(3): 387-418. Meliciani, V. e Radicchia, D. (2016), “Overeducation and overskill in the Italian labour market: the role of fields of study”, CIMR Working paper n. 33, Birkbeck University of London

ISFOL (a cura di Ricci A.), Crisi economica, lavoro e imprese: il ruolo del capitale umano in Italia, ISFOL, I libri del Fondo sociale europeo, 215 , Roma.

Sloane P. (2014), “Overeducation, skill mismatches and labor market outcomes for college graduates”, IZA World of Labor n.88

Capitolo 5