Capitolo 3 ANALISI STATISTICA DI ALCUNI INDICI DI MERCATO

97

Capitolo 3

98

3.1

Analisi della produzione di yacht maggiori di 30 metri

La fascia degli yacht maggiori di 30 metri rappresenta il gradino più alto della nautica da diporto per quanto riguarda lusso, prezzi, unicità e personalizzazione. Nell’ultimo decennio si è assistito ad un aumento della produzione di questa categoria di imbarcazioni. Esaminando il grafico della produzione annua siamo certi del fatto che ci sia stata una crescita repentina fatta eccezione per il 2009, tuttavia potrebbe risultare interessante capire la forma che può avere tale crescita per poter fare delle previsioni. Inoltre da una prima analisi visiva può sembrare che il dato relativo al 2009 sia anomalo in quanto, dopo molti anni di crescita esponenziale, è il primo in cui si avverte un brusco calo. Molte agenzie di consulenza avevano infatti prospettato anche per il 2009 e il 2010 dei volumi di produzione crescenti invece i valori reali hanno avuto una direzione opposta aggravando ancora di più la situazione del settore in quanto hanno allargato il divario tra ciò che è stato prodotto e ciò che ci si aspettava di produrre.

Figura 3.1 – Numero di consegne per anno degli yacht con lunghezza superiore ai 30 metri80

Fonte: Elaborazione propria su dati Superyacht Times

80

I dati relativi alle consegne si riferiscono ad un campione di cantieri censiti dalla rivista online

Superyacht Times. La flotta degli yacht presenti sul sito corrisponde a circa il 70% del totale e quindi possiamo dire che lo studio di tale campione può approssimare in maniera significativa il mercato globale degli yacht superiori a 30 metri di lunghezza.

99 Di seguito andremo a creare dei modelli che possano spiegare il modo in cui la produzione è cresciuta negli ultimi anni per cercare di capire quali potranno essere gli scenari futuri. Va considerato che tali previsioni si basano sui dati passati ed attuali quindi bisogna muoversi con cautela prima di giungere a delle conclusioni.

3.1.1 Modello lineare

Per prima cosa cercheremo di adattare, ai dati a disposizione fino al 2009, un modello lineare che possa sintetizzare l’andamento dei dati raccolti allo scopo di capire come si è mosso il mercato delle vendite di megayacht negli ultimi anni.

Utilizziamo inizialmente il modello lineare in quanto è il più semplice e le indicazioni che ci può fornire saranno meno precise rispetto ad altri modelli. Lo scopo è quello di trovare una retta che si avvicini il più possibile ai dati raccolti. Tale retta, calcolata col metodo dei minimi quadrati81 avrà la seguente forma.

X

Y

*

=

α

+

β

(1.1)

Y

* rappresenta il numero degli ordini stimati dal modello;

X

invece rappresenta l’anno di riferimento.

Il β si calcola rapportando la covarianza delle due variabili con la varianza della variabile indipendente82. Così facendo si ottiene un valore di β pari a 10,13 che rappresenta il coefficiente angolare della retta. Per ottenere il valore di

α

semplicemente ricaviamo dalla formula (1) i valori ottenuti ponendo per X e per Y i

81

Questo metodo prevede l’utilizzo di una funzione (in questo caso una retta) che renda minima la sommatoria delle distanze con i valori osservati.

82 ) ( ) , ( x Var y x Cov =

β

100

rispettivi valori medi e otteniamo che

α

è pari a -20149,5 83. La retta calcolata secondo il modello lineare sarà dunque:

Y

* = -20149,5 + 10,13

X

(1.2)

Di seguito riportiamo i valori di output della regressione lineare:

Tabella 3.1 – Risultati della regressione lineare semplice

Statistica della regressione Indice r 88,65% Indice R2 78,58% Errore standard 30,49 Osservazioni 20

Coefficienti Valori σ Significatività Limite sx (95%) limite dx (95%) α α α α -20149,5 2741,49 0,0000017 -25522,82 -14776,18 β β β β 10,13 1,37 0,0000016 7,44 12,81

Fonte: Elaborazione propria

La prima tabella fornisce molte indicazioni utili per capire la validità del modello. In primo luogo abbiamo i due indici r e R2. Il coefficiente di correlazione lineare r fornisce informazioni circa il modo in cui variano X ed Y (ad esempio assume segno negativo se una variabile decresce al crescere dell’altra e positivo se le variabili variano nella stessa direzione) e può oscillare tra -1 ed 1. Se assume uno dei due valori degli estremi dell’intervallo significa che, col passare del tempo, la crescita dei valori Y,

83

Il valore si è ottenuto nel seguente modo: _{Y X}

_ _

β

α

= − . Da notare il valore di

α

molto negativo. Ciò è dovuto al fatto che

α

corrisponde al valore della retta ipoteticamente all’anno 0 quindi partendo da quel valore la retta aumenta di anno in anno di un valore pari a

β

fino ad arrivare ai giorni nostri.

101 rappresentati graficamente, assume esattamente la forma di una retta crescente (1) o decrescente (-1). Se invece l’indice r assume valori vicini allo zero possono esserci diverse motivazioni:

• C’è massima indipendenza tra le due variabili e i valori osservati si dispongono lungo una linea orizzontale con coefficiente angolare uguale a zero.

• C’è una relazione non lineare tra le variabili (es. una parabola).

• I dati, rappresentati graficamente, generano una nuvola di punti senza particolari direzioni di crescita o decrescita.

Nel nostro caso il valore è circa 0,89 quindi significa che i valori hanno una direzione crescente non del tutto lineare.

L’indice R2 varia invece tra 0 ed 1 e ci dice in che misura il modello si avvicina ai dati osservati. Con un valore pari ad 1 il modello coincide con i dati reali. Con un valore di circa 0,79 il nostro modello è vicino ai dati ma non riesce a spiegarli in maniera ottimale.

La seconda tabella mostra i due coefficienti α e β che sono stati calcolati in precedenza e valuta la loro significatività.

αα è il valore dell’intercetta ossia il valore di Y quando X è zero. In questo caso αα non dà informazioni utili ma rappresenta solamente il punto di partenza della retta.

ββ rappresenta invece il coefficiente angolare e misura l’inclinazione della retta. ββ Nel nostro modello assume un valor medio di circa 10 e quindi significa che nell’intervallo studiato, ogni anno c’è stato un aumento medio di 10 yacht venduti. L’intervallo riportato nella tabella ci dice i valori entro ai quali si trova, con una probabilità del 95%, il valore effettivo del coefficiente.

Nel caso del coefficiente ββββ risulta importante studiarne la significatività perché se il suo valore non è significativo (approssimabile a zero) significa che non c’è relazione tra la variabile X e la variabile Y. Nel nostro modello il coefficiente ββββ è significativo in quanto il suo valore di significatività (0,0000016) è minore dell’errore predeterminato del 5% e quindi si rifiuta l’ipotesi nulla (H0: β=0).

102

Adesso che abbiamo ottenuto i valori dei due coefficienti ed abbiamo notato che sono significativi possiamo procedere inserendoli nella formula della retta. Sostituendo al valore X l’anno di riferimento otteniamo i valori delle consegne stimate (yi*) per ogni

anno dal modello lineare:

Tabella 3.2 – Volumi di produzione annuali stimati utilizzando un modello lineare

Anno 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

Stima 3 13 24 34 44 54 64 74 84 94

Anno 2000 2001 2002 2003 2004 2005 2006 2076 2008 2009

Stima 105 115 125 135 145 155 165 176 186 196

Fonte: Elaborazione propria

Con questo sistema si utilizza quindi una retta che “spiega” l’andamento dei dati e può fornirci delle indicazioni utili per studiarli.

Figura 3.2 - Valori stimati dal modello lineare

103 Possiamo notare, anche a livello grafico, che il modello lineare non segue in maniera ottima l’andamento dei dati. Infatti sembra che i valori abbiano una crescita esponenziale e non lineare. Possiamo dunque affermare che, a livello teorico, il modello lineare in questo caso ci fornisce a grandi linee una rappresentazione dell’andamento crescente del mercato, ma un modello esponenziale probabilmente riuscirebbe a spiegare meglio in che modo il mercato sta crescendo.

Se andiamo ad esaminare i residui84 della correlazione lineare appena studiata otteniamo i seguenti valori:

Tabella 3.3 – Residui nel modello lineare

Anno Residui Residui

standard Anno Residui

Residui standard 1990 42,66 1,36 2000 -32,61 -1,04 1991 40,53 1,30 2001 -37,74 -1,21 1992 21,40 0,68 2002 -22,87 -0,73 1993 12,28 0,39 2003 -14,99 -0,48 1994 5,15 0,16 2004 -15,12 -0,48 1995 -12,98 -0,41 2005 -23,25 -0,74 1996 -30,11 -0,96 2006 1,62 0,05 1997 -20,23 -0,65 2007 46,50 1,49 1998 -19,36 -0,62 2008 72,37 2,31 1999 -30,49 -0,97 2009 17,24 0,55

Fonte: Elaborazione propria

Dall’osservazione dei residui standard85 possiamo dire che, ponendo una soglia per i valori anomali pari a 3 volte la deviazione standard, nessuno si discosta in maniera significativa anche se il valore relativo al 2008 è quello che ha una maggiore distanza dal modello.

Vediamo ora il grafico dei tracciati dei residui:

84

I residui rappresentano la distanza tra il valore reale ed il valore del modello per ogni anno. 85

I residui standardizzati si ottengono dividendo ogni residuo per la deviazione standard (σ) calcolata su tutti i residui. Generalmente si considerano anomali i valori che superano il valore di 3σ.

104

Figura 3.3 – Tracciato dei residui standardizzati nel modello lineare

Fonte: Elaborazione propria

Dall’andamento dei residui può sembrare evidente, ancora una volta, il fatto che si utilizzi, in modo erroneo, un modello lineare per spiegare una forma esponenziale dei dati. Infatti il grafico testimonia la presenza di un errore di questo tipo con una prima fase in cui i dati vengono sottostimati dal modello lineare, una fase centrale dove i dati vengono sovrastimati ed una fase finale dove c’è nuovamente una sottostima dei dati.

Nel prossimo paragrafo utilizzeremo un modello esponenziale per vedere se in questo modo si riesce a diminuire l’errore di adattamento.

3.1.2 Modello esponenziale

Partendo dai soliti dati analizzati in precedenza è possibile costruire un altro modello che possa fornire delle indicazioni.

Qui di seguito è riportata una tabella dove troviamo nelle prime due colonne il valore della produzione di ciascun anno. Successivamente è stato calcolato il tasso di crescita di ciascun anno secondo la formula:

105 k(t) = ) 1 ( ) 1 ( ) ( − − − t P t P t P (2.1)

dove P(t) sta ad indicare il valore della produzione al tempo t e P(t-1) il valore della produzione al tempo precedente a t.

Tabella 3.4 – Volumi di produzione annuali e relativo tasso di crescita rispetto a.p.

Anno Consegne t di crescita Anno Consegne t di crescita

1990 46 --- 2000 72 12,50% 1991 54 17,39% 2001 77 6,94% 1992 45 -16,67% 2002 102 32,47% 1993 46 2,22% 2003 120 17,65% 1994 49 6,52% 2004 130 8,33% 1995 41 -16,33% 2005 132 1,54% 1996 34 -17,07% 2006 167 26,52% 1997 54 58,82% 2007 222 32,93% 1998 65 20,37% 2008 258 16,22% 1999 64 -1,54% 2009 213 -17,44% Fonte: Elaborazione propria su dati Superyacht Times

Il tasso medio di crescita annua di tutto il periodo corrisponde a 7,96 % ed è stato calcolato con la seguente formula:

k(1,T) =

1

)

1

(

)

(

−

T

P

T

P

(2.2)

dove P(T) è il valore della produzione dell’ultimo periodo e P(1) è il valore della produzione del primo periodo.

Per ottenere il modello esponenziale si deve eseguire una log-linearizzazione. Partendo dalla serie di partenza dove: X = anno e Y = consegne nell’anno i-esimo, abbiamo calcolato il logaritmo per i dato osservati (Yi) ed abbiamo studiato la relazione

106

e si avvicinano maggiormente ad una tendenza lineare anche laddove non ci fosse. Con queste nuove variabili è stata calcolata la retta di correlazione lineare in questo modo:

ln(Y*_{) =}

_α

₊

_βX

_(2.3) dove

β

= ) ( )) ln( ; ( X Var Y X Cov (2.4) e

α

= µ(ln(Y)) – β *µ(X) (2.5)

Col simbolo

µ

(ln(Y) indichiamo il valor medio della serie ln(Y). Lo stesso vale per

µ

(X). Così facendo si è ottenuta la seguente retta:

ln(Y*) = -2317,11 + 305,41*X (2.6)

Il passo seguente è quello di riottenere i valori iniziali X ed Y mettendo i due membri dell’equazione all’esponente in modo tale da mandar via i logaritmi:

e

e

ln(Y ) 2317,11 305,41*X * _{− +} = (2.7) e da qui otteniamo: Y*=

e

−2317,11*

e

305,41*X (2.8)

In questo modo, sostituendo l’anno al valore Xi otteniamo le seguenti stime dei

107

Tabella 3.5 – Valori stimati utilizzando il modello esponenziale

Anno 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

Stima 32 36 39 43 48 53 58 64 71 78 Anno 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Stima 86 95 105 115 127 141 155 171 189 208

Di seguito troviamo il grafico con riportati i valori reali osservati e le stime derivanti dal modello esponenziale.

Figura 3-4 – Valori stimati dal modello esponenziale

Fonte: Elaborazione propria su dati Superyacht Times

Osserviamo subito a livello grafico che la curva esponenziale sembra spiegare meglio l’andamento dei dati avvicinandosi maggiormente alle osservazioni reali rispetto al modello lineare.

Così come abbiamo fatto per il modello precedente, andiamo ad analizzare i residui anche per il modello esponenziale.

108

Tabella 3.6 – Residui nel modello esponenziale

Anno Residui Residui

Standard Anno Residui

Residui Standard 1990 13,69 0,61 2000 -14,08 -0,63 1991 18,37 0,82 2001 -17,94 -0,80 1992 5,70 0,25 2002 -2,71 -0,12 1993 2,65 0,12 2003 4,50 0,20 1994 1,19 0,05 2004 2,61 0,12 1995 -11,74 -0,52 2005 -8,50 -0,38 1996 -24,16 -1,08 2006 12,03 0,54 1997 -10,15 -0,45 2007 51,08 2,28 1998 -5,76 -0,26 2008 69,48 3,10 1999 -14,04 -0,63 2009 5,07 0,23 Fonte: Elaborazione propria

In questo caso il residuo standard corrispondente all’anno 2008 supera la soglia di 3σ e potrebbe essere considerato anomalo, inoltre va sottolineato che se si ponesse una soglia più rigida pari a 2σ anche il residuo 2007 risulterebbe anomalo.

Figura 3.5 – Tracciato dei residui del modello esponenziale

109 Dal grafico si evince che c’è una maggiore vicinanza del modello ai dati osservati, fatta eccezione per i dati 2007 e 2008 che si discostano maggiormente.

3.1.3 Modello polinomiale di secondo grado

Dopo aver analizzato i dati con i due modelli precedenti, ci siamo accorti che l’andamento della crescita dei valori osservati assomiglia ad una curva crescente. Il modello esponenziale riesce a spiegare abbastanza bene il trend di crescita anche se non in maniera ottimale. In questo paragrafo utilizzeremo una funzione di secondo grado in modo da rappresentare una parabola che segua l’andamento crescente dei valori.

La funzione da trovare deve avere la seguente forma:

Y* =

α

+

β0X

+

β1X

2 (3.1)

Per trovare i valori dei tre parametri α, β1, e β2 dobbiamo risolvere il seguente

sistema:          = + + = + + = + +

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

= = = = = = = = = = = n i n i n i n i i i i i n i n i n i i i i i n i i n i n i n i i i i y x x x x y x x x x y x x n 1 1 1 1 2 4 2 3 1 2 1 1 1 3 2 2 1 1 1 1 1 2 2 1

β

β

α

β

β

α

β

β

α

(3.2)

Sostituendo86 al (3.2) i valori di n e delle sommatorie di xi e yiopportunamente

elevate a potenza otteniamo:

86

N.B: Sostituendo i valori Xi non si utilizzano i valori degli anni 1990-2009 ma si utilizzeranno valori

che vanno da 0 a 19. Il risultato rimane invariato ma si evita di utilizzare valori troppo grandi nel sistema derivanti dall’elevazione a potenza delle sommatorie di Xi.

110         = + + = + + = + + 389731 562666 36100 2470 25649 36100 2470 190 1945 2470 190 20 2 1 2 1 2 1

β

β

α

β

β

α

β

β

α

(3.3)

Da cui si ricavano le matrici [A] = [B]:

          562666 36100 2470 36100 2470 190 2470 190 20 =           389731 25649 1945 (3.4)

Per la risoluzione del sistema applichiamo il procedimento di Cramer; per prima cosa si calcola il determinante del terzo ordine della matrice [A], il cui valore si determina ricorrendo alla regola di Sarrus87.

          36100 2470 190 2470 190 20 562666 36100 2470 36100 2470 190 2470 190 20

∆

= (20 x 2470 x 56266) + (190 x 36100 x 2470) + (2470 x 190 x 36100) – (2470 x 2470 x 2470) – (36100 x 36100 x 20) – (562666 x 190 x 190) = 6,17 x 1010

Per determinare ∆1 si sostituisce la matrice [B] alla prima colonna della matrice

[A] e si procede con il calcolo del determinante ottenendo:

∆

1 =7,66 x 1012

87

Si moltiplicano tra loro gli elementi della diagonale principale e quelli che stanno sulle diagonali parallele. Ai prodotti ottenuto si fa competere segno +. Si moltiplicano poi gli elementi della diagonale secondaria e quelli che stanno sulle diagonali ad essa parallele; ai prodotti ottenuti si fa competere segno meno. La somma algebrica dei prodotti ottenuti è il determinante della matrice di terzo grado.

111 Per determinare ∆2 si sostituisce [B] alla seconda colonna di [A] e per ∆3

sostituiamo la terza colonna e si calcolano i determinanti ottenendo:

∆

2= 6,45 x 1011

∆

3 = 4,46 x 1010

Una volta trovati i quattro ∆ si può procedere con il calcolo dei parametri:

α

=

∆

∆

1 = 37,87

β

1

=

∆

∆

2 _{= - 3,57}

β

2

=

∆

∆

3 = 0,76

Abbiamo così ottenuto la funzione di secondo grado che segue l’andamento dei dati osservati:

yi* = 37,87 – 3,57 xi + 0,76 xi2 (3.5)

Procedendo per sostituzione della variabile X avremo i valori stimati dal modello ed il relativo grafico:

112

Tabella 3.7 – Valori stimati utilizzando il modello polinomiale

Anno 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

Stima 38 35 34 34 36 39 44 50 58 67 Anno 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Stima 78 90 104 119 136 154 174 196 218 243

Figura 3.6 – Valori stimati dal modello polinomiale di secondo grado

Fonte: Elaborazione propria su dati Superyacht Times

Si osserva subito che il modello precedente segue i dati reali in maniera molto buona.

113

Tabella 3.8 – Residui nel modello polinomiale di secondo grado

Anno Residui Residui

Standard Anno Residui

Residui Standard 1990 8,13 0,51 2000 -5,71 -0,36 1991 18,95 1,18 2001 -13,00 -0,81 1992 11,25 0,70 2002 -1,81 -0,11 1993 12,05 0,75 2003 0,87 0,05 1994 13,33 0,83 2004 -5,96 -0,37 1995 2,10 0,13 2005 -22,30 -1,39 1996 -9,64 -0,60 2006 -7,15 -0,45 1997 4,11 0,26 2007 26,49 1,65 1998 7,35 0,46 2008 39,62 2,47 1999 -2,92 -0,18 2009 -29,77 -1,86

Fonte: Elaborazione propria

Anche in questo modello il valore del residui standardizzato relativo all’anno 2008 risulta più grande rispetto agli altri, pur rimanendo inferiore alla soglia di 3σ. Da notare che anche 2007 e 2009 hanno valori più alti rispetto alla media. Sicuramente si può affermare che gli ultimi tre anni hanno visto delle dinamiche molto turbolente, sia in positivo (2007 e 2008) sia in negativo (2009) a causa della crisi.

Figura 3.7 – Tracciato dei residui nel modello polinomiale di secondo grado

114

Anche graficamente si osserva una maggiore vicinanza dei residui all’asse delle ascisse e da notare anche in questo caso è la maggiore distanza dei valori relativi al 2007 e al 2008. Anche il residuo relativo al 2009 è distante dall’asse X, tuttavia sembra essere in linea con un trend decrescente dei residui.

3.1.4 Conclusioni

I tre modelli utilizzati sopra descrivono, in maniera analitica, l’andamento delle consegne dei megayacht con lunghezza superiore a 30 metri con differenti gradi di precisione. Se osserviamo gli errori standard dei tre modelli ottenuti secondo la seguente formula: n y y n i i i

∑

= − = 1 2 * ) (

ε

(4.1)

dove yi sono i valori osservati e y*i sono i valori stimati dal modello, ci

accorgiamo che il modello polinomiale è quello che presenta un minor errore e quindi si avvicina di più ai valori reali osservati confermando quello che si era visto graficamente dall’analisi dei residui.

 Modello lineare:

ε

=

30,49  Modello esponenziale

ε =

22,20

 Modello polinomiale di secondo grado

ε

= 15,80

Dallo studio dei residui dell’ultimo modello analizzato è apparso chiaro l’evidenziarsi di un momento di caos che ha colpito il mercato negli ultimi tre anni. In particolare si osservano due anni (2007 e 2008) in cui la produzione ha dovuto accelerare più del previsto per far fronte ad un mercato in continua crescita. L’anno successivo ha invece delineato una brusca decrescita rispetto ai due anni precedenti. Ciò che è certo è l’assoluta difficoltà di fare previsioni nel momento attuale in cui si trova la nautica. Infatti mentre per tutti gli anni che vanno dal 1996 al 2007 c’è stata una crescita

115 continua che non ha portato a gravi sconvolgimenti nel settore, gli ultimi tre anni hanno portato un’ondata di problemi di incertezza che hanno messo in crisi il mercato dal lato della domanda, dell’offerta e dei finanziamenti.

Dall’analisi dei dati nei tre modelli sembrerebbe che l’anomalia non sia tanto identificabile nel crollo delle consegne del 2009 quanto ai due anni precedenti che hanno visto delle crescite sopra la media riconducibili, dal lato della domanda, ad una eccessiva e poco controllata concessione del credito da parte delle banche che ha poi portato alla crisi globale di fine 2008. Al momento la speranza è quella di una ricrescita della domanda che possa spingere l’offerta verso i numeri raggiunti negli anni precedenti, tuttavia tale rinascita deve posarsi su delle fondamenta più solide che possano favorire uno sviluppo sostenibile del mercato a livello globale.

3.2

Analisi Cluster delle nazioni che producono megayachts

Altre indicazioni utili, per studiare il mondo dei megayachts e la distribuzione delle aree produttive sul territorio, possono derivare da un’analisi Cluster che ha lo scopo di raggruppare più unità statistiche in modo tale che all’interno di ciascun gruppo ci siano soggetti simili. Il raggruppamento può essere utile per la ricerca perché, una volta individuate le caratteristiche di ciascun gruppo, può fornire indicazioni sulle direzioni che il ricercatore deve seguire e su quali possono essere le azioni che l’area commerciale deve svolgere per ciascuna categoria individuata.

Per prima cosa bisogna definire quali sono le unità che vogliamo studiare e le variabili tramite le quali le confronteremo. Nell’analisi del mercato mondiale da parte della Gianneschi Pumps and Blowers può risultare opportuno operare un raggruppamento delle nazioni in modo da individuare le aree geografiche che presentano caratteristiche simili. Per quanto riguarda le variabili necessarie per studiare tali nazioni, abbiamo deciso di sceglierne quattro:

Media del fatturato degli ultimi tre anni  Questa variabile ci fornisce un indicatore di quanto l’azienda sia presente in una data nazione in termini di prodotti venduti.

116

Numero di megayachts prodotti dal 2008 al 201088 _{ In questo caso si vuole}

osservare la produzione totale di ciascun paese in modo da identificare i paesi che possiedono il più alto potenziale.

Crescita annua dal 2005 al 201089  La crescita annua percentuale nella produzione di megayachts fornisce invece le potenzialità dei vari paesi in chiave dinamica, quindi è in grado di identificare i paesi che rappresentano delle opportunità distanziandoli da quelli che possono essere considerati ormai saturi.

Distanza approssimativa in chilometri dei diversi paesi  La variabile “distanza” è utile in quanto va ad influire nei rapporti tra le aziende. La Gianneschi ad esempio ha molti più clienti in Europa rispetto al resto del mondo e ciò è dovuto al fatto che è molto più facile e veloce intervenire in paesi vicini per riparazioni, azioni commerciali ecc. rispetto a paesi lontani che richiedono maggiore dispendio di tempo e di denaro.

Per l’individuazione dei gruppi abbiamo utilizzato il metodo non gerarchico delle k medie. Con questo sistema bisogna seguire alcuni passi:

1. Scegliere il numero di gruppi che si vogliono individuare in modo tale che ogni gruppo presenti omogeneità al suo interno ed eterogeneità con gli altri gruppi.

2. Calcolo delle medie di ciascun gruppo con riferimento alle variabili selezionate.

3. Confronto tra i valori delle singole unità statistiche e i valori delle medie dei gruppi utilizzando un indice di distanza.

4. Ricomposizione dei gruppi tramite l’inserimento delle unità statistiche all’interno del “Cluster” che presenta una minore distanza

5. Si ricalcolano le medie dei gruppi e le distanze con le unità statistiche finché ogni dato non si trova esattamente nel gruppo a lui più simile.

88

Per le prime due variabili si è scelto un arco temporale di tre anni in modo tale da avere a disposizione i dati più attuali, ma allo stesso tempo tenere in considerazione anche l’anno 2008 che ha registrato gli ultimi segnali positivi prima dell’arrivo della crisi.

89

In questo caso si è scelto un arco temporale maggiore (5 anni) poiché se avessimo scelto, come per le altre variabili, un intervallo di tre anni la crescita si sarebbe riferita solamente al periodo di crisi e non avrebbe tenuto in considerazione la reale dinamica osservata anche negli anni precedenti

117 Al termine avremo i diversi gruppi composti, al loro interno, dalle unità statistiche con caratteristiche simili tra loro90.

3.2.1 Individuazione dei gruppi

Per individuare dei gruppi di partenza con un’omogeneità al loro interno si è utilizzata, inizialmente, un’analisi Cluster di tipo gerarchico partendo dalla matrice delle distanze91 tra le diverse unità oggetto dell’analisi. L’individuazione dei gruppi passa attraverso alcune fasi:

1) All’interno della matrice delle distanze si individuano le due unità tra loro più simili (con minore distanza) e si uniscono a formare il primo gruppo.

2) Si ricalcola, adottando un certo criterio92, la distanza del gruppo ottenuto dagli altri, ricavando una nuova matrice delle distanze.

3) Si individua la coppia di unità (o gruppi) con minore distanza e la si unisce in un unico gruppo.

4) Si ripetono le fasi 2) e 3) fino a che non si ha a disposizione il numero desiderato di gruppi93.

Nel caso studiato si è deciso di fermarsi all’individuazione di cinque gruppi applicando la gerarchizzazione attraverso l’utilizzo del metodo del legame medio94.

Di seguito possiamo osservare il dendogramma che fornisce una visione sintetica del raggruppamento gerarchico effettuato sui paesi:

90

SERGIO ZANI, Analisi dei dati Statistici II, Ed. Giuffrè, 2000, pagg. 240-247 91

Si è utilizzata la distanza euclidea:

∑

= − = p k jk ik ij x x d 1 2 ) ( 92

E’ stato utilizzato il criterio del legame medio 93

SERGIO ZANI, Analisi dei dati Statistici II, Ed. Giuffrè, 2000, pag.199 94

La distanza tra due gruppi è definita come la media aritmetica tra le distanze di ciascuna unità di un gruppo e ciascuna unità dell’altro gruppo.

118

Figura 3.8 – Dendogramma della classificazione gerarchica dei paesi

Fonte: Elaborazione propria

Va fatto notare che talvolta è stata inserita un’intera area geografia piuttosto che la singola nazione poiché, in certi casi, ha più senso considerare unitamente alcuni paesi. Ad esempio all’interno della voce “Oceania” sono state inserite Australia e Nuova Zelanda e questo a causa della vicinanza dei paesi, della similarità nella legislazione e nella tassazione, nell’utilizzo di simili competenze e conoscenze tecniche per l’installazione dei prodotti ecc. che ha fatto propendere per considerare i due paesi come uno unico. Inoltre bisogna sottolineare che si sono utilizzate le variabili standardizzate in maniera tale da poter confrontare variabili con unità di misura diverse.

Nella seguente tabella si possono osservare i raggruppamenti emersi dalla classificazione gerarchica con i relativi valori standardizzati.

119

Tabella 3.9 – Raggruppamento delle unità statistiche e valori standardizzati delle variabili

STANDARDIZZAZIONE Media fatt. Ultimi 3 anni Megayachts prodotti '08-'10 Crescita annua 05-10 Distanza(Km) da LU CL 1 TURCHIA 4,56 1,64 0,52 -0,31 REGNO UNITO 2,11 1,60 -0,06 -0,64 SPAGNA 1,71 -0,30 -0,64 -0,70 FRANCIA 1,97 0,29 -0,03 -0,76 CL 2 U.S.A. 0,28 4,04 -0,24 1,59 OLANDA 0,00 2,47 -0,24 -0,59 CL 3 TAIWAN 0,87 1,78 0,01 1,42 OCEANIA -0,12 0,51 -0,06 2,73 CENTROAMERICA -0,50 -0,55 -0,39 1,70 GIAPPONE -0,55 -0,51 -0,39 1,87 CINA -0,06 0,72 0,11 1,32 CL 4 EGITTO -0,23 -0,26 0,44 -0,23 POLONIA -0,53 -0,40 2,23 -0,51 MEDIO ORIENTE 0,60 -0,04 0,91 -0,11 UCRANIA -0,34 -0,51 2,23 -0,39 OCEANO INDIANO -0,11 -0,44 2,23 1,14 SUDAMERICA -0,30 0,14 2,23 2,12 SUDAFRICA -0,23 -0,30 2,23 1,84 CL 5 SVIZZERA -0,46 -0,55 -0,39 -0,84 CROAZIA 0,07 -0,48 -0,39 -0,81 GRECIA 0,05 -0,44 -0,39 -0,51 SCANDINAVIA -0,14 -0,19 -0,39 -0,39 GERMANIA -0,10 0,58 -0,39 -0,64 SERBIA -0,49 -0,55 -0,39 -0,76 RUSSIA -0,26 -0,11 -0,39 -0,31 ISLANDA -0,49 -0,55 -0,39 -0,11 MALTA -0,51 -0,55 -0,39 -0,64 PRINCIPATO DI MONACO -0,53 -0,55 -0,39 -0,87 ESTONIA -0,51 -0,55 -0,39 -0,45 LUSSEMBURGO -0,51 -0,55 -0,39 -0,76 BULGARIA -0,55 -0,55 -0,39 -0,51 SLOVENJA -0,48 -0,55 -0,39 -0,81 PORTOGALLO -0,50 -0,55 -0,39 -0,39 BELGIO -0,55 -0,55 -0,39 -0,67 REPUBBLICA SLOVACCA -0,47 -0,51 -0,39 -0,62 TUNISIA -0,50 -0,55 -0,39 -0,56 DANIMARCA -0,54 -0,48 -3,00 -0,48 MAROCCO -0,54 -0,55 -0,39 -0,25 LIBANO -0,55 -0,55 -0,39 0,02 CIPRO -0,55 -0,55 -0,39 -0,11

120

3.2.2 Calcolo delle medie

Media Fatt. Media Prod. Media Crescita Media Distanza CLUSTER 1 2,59 0,81 -0,05 -0,60 CLUSTER 2 0,14 3,26 -0,24 0,50 CLUSTER 3 -0,08 0,39 -0,14 1,81

CLUSTER 4 -0,15 -0,26 2,01 0,68 CLUSTER 5 -0,41 -0,44 -0,46 -0,51

Osservando le medie per ciascun gruppo, osserviamo che in ognuno si può individuare una variabile dominante che lo caratterizza:

CLUSTER 1: Paesi in cui si raggiungono alti livelli di fatturato.

CLUSTER 2: Paesi con elevati livelli di produzione.

CLUSTER 3: Paesi extraeuropei caratterizzati dalla elevata distanza dall’Italia CLUSTER 4: Paesi emergenti dal punti di vista nautico, con un’alta crescita

dei livelli produttivi negli ultimi anni.

CLUSTER 5: Paesi in via residuale, perlopiù europei, che non presentano particolari punti di forza.

3.2.3 Confronto tra le unità statistiche e le medie di ciascun gruppo

A questo punto bisogna utilizzare un indice di distanza tramite il quale poter confrontare ogni singolo paese con i cinque gruppi determinati. La metrica utilizzata nel calcolo di queste distanze è solitamente quella euclidea in quanto garantisce la convergenza della procedura iterativa95.

∑

=

−

=

p k jk ik ij

x

x

d

1 2

)

(

Dove i rappresenta l’unità statistica i-esima e j il Cluster j-esima, k rappresenta invece la variabile e p è il numero di variabili prese in considerazione, ossia quattro.

95

121 Per trovare, ad esempio, la distanza tra il paese “Turchia” ed il “Cluster 1” occorre risolvere la seguente equazione:

2 2 2 2 1 ,CL = (4,56−2,59) +(1,64−0,81) +(0,52+0,05) +(−0,31+0,60) TU d = = 2,231

La stessa operazione deve essere svolta per ogni paese con riferimento a tutti e cinque i gruppi.

3.3.4 Inserimento delle unità statistiche nel gruppo più simile

Dalla tabella ottenuta con le distanze tra unità statistiche e gruppi dobbiamo osservare, per ogni paese, qual è il Cluster con la distanza minima e, nel caso non fosse lo stesso in cui si trova, bisogna spostarlo e ripetere i passaggi 2 e 3 visti in precedenza. Vediamo un esempio del primo passaggio:

Tabella 3.10 – Individuazione del gruppo più “vicino” a ciascuna variabile

DISTANZE CL 1 CL 2 CL 3 CL 4 CL 5 TURCHIA 2,231 4,829 5,284 5,310 5,490 REGNO UNITO 0,925 2,820 3,501 3,666 3,283 SPAGNA 1,528 4,082 3,192 3,306 2,141 FRANCIA 0,822 3,710 3,282 3,136 2,549 U.S.A. 4,537 1,348 3,676 4,884 5,016 OLANDA 3,079 1,348 3,178 3,587 2,965 TAIWAN 2,829 1,899 1,731 3,022 3,263 OCEANIA 4,306 3,557 0,936 2,955 3,431 CENTROAMERICA 4,098 4,046 1,066 2,494 2,228 GIAPPONE 4,221 4,074 1,053 2,578 2,396 CINA 3,278 2,692 0,642 2,091 2,296 OCEANO INDIANO 4,127 4,497 2,598 0,762 3,211 SUDAMERICA 4,624 4,312 2,413 1,682 3,844

122 MEDIO ORIENTE 2,409 3,574 2,333 1,358 1,834 POLONIA 4,045 4,576 3,434 1,211 2,733 EGITTO 3,075 3,672 2,218 1,553 1,024 UCRANIA 3,943 4,618 3,368 1,089 2,735 SUDAFRICA 4,505 4,542 2,471 1,364 3,617 CROAZIA 2,848 3,961 2,774 2,581 0,582 GRECIA 2,844 3,836 2,472 2,428 0,484 SCANDINAVIA 2,927 3,571 2,289 2,366 0,419 GERMANIA 2,717 2,926 2,471 2,614 1,089 SERBIA 3,385 4,062 2,773 2,570 0,293 RUSSIA 3,027 3,493 2,198 2,339 0,441 PRINCIPATO DI MONACO 3,426 4,104 2,882 2,633 0,397 SVIZZERA 3,357 4,083 2,845 2,609 0,357 ISLANDA 3,413 3,910 2,192 2,310 0,442 MALTA 3,399 4,032 2,673 2,517 0,221 ESTONIA 3,398 3,980 2,494 2,430 0,196 LUSSEMBURGO 3,405 4,065 2,776 2,573 0,299 BULGARIA 3,432 4,000 2,552 2,459 0,206 SLOVENJA 3,374 4,077 2,822 2,597 0,336 PORTOGALLO 3,395 3,966 2,443 2,407 0,220 BELGIO 3,433 4,046 2,705 2,536 0,255 REPUBBLICA SLOVACCA 3,346 3,983 2,628 2,495 0,174 TUNISIA 3,391 4,007 2,595 2,477 0,184 DANIMARCA 4,484 4,793 3,785 4,908 2,496 MAROCCO 3,444 3,944 2,326 2,362 0,335 LIBANO 3,488 3,901 2,084 2,283 0,584 CIPRO 3,471 3,922 2,206 2,320 0,458

Nella tabella sono state evidenziate le caselle di ogni nazione corrispondenti alla distanza minima tra i Cluster. Nel caso la distanza minima corrisponda al Cluster all’interno del quale è inserita la nazione si è indicato il valore con il colore verde, in caso contrario si è utilizzato il rosso. I valori contrassegnati dal valore rosso perciò devono essere spostati all’interno del Cluster corrispondente. In questo caso l’unico valore “fuori posto” è l’Egitto che dovrà essere spostato nel Cluster 5

3.3.5 Risultati finali

Una volta individuata le nuova composizione di ciascun gruppo è necessario ripetere le operazioni svolte in precedenza, occorre perciò ricalcolare le medie dei nuovi

123 gruppi, ricalcolare le distanze sulle nuove medie ottenute e riallocare le nazioni seguendo il medesimo principio di similarità utilizzato in precedenza. Quando otterremo che ciascuna nazione si trova esattamente all’interno del Cluster che presenta la minima distanza con le sue variabili allora il procedimento sarà finito.

In questo caso, essendo già stata effettuata in precedenza una classificazione gerarchica, è stata necessaria una sola iterazione per giungere ai risultati finali.

Vediamo dunque le caratteristiche finali che emergono da ciascun Cluster in modo tale da poterli identificare con un’etichetta:

Media Fatt. Media Prod. Media Crescita Media Distanza CLUSTER 1 2,59 0,81 -0,05 -0,60 CLUSTER 2 0,14 3,26 -0,24 0,50 CLUSTER 3 -0,08 0,39 -0,14 1,81 CLUSTER 4 -0,16 -0,26 1,78 0,55 CLUSTER 5 -0,41 -0,45 -0,50 -0,52

La tabella finale delle medie è molto simile a quella già vista in precedenza dato che è stato spostata una sola unità.

Il primo gruppo è composto dai “Paesi Consolidati” ossia quelli che generano le maggiori quote di fatturato. Al tempo stesso possiamo affermare che questi sono paesi dislocati in aree vicine all’Italia e realizzano volumi di produzione buoni.

Il secondo gruppo è invece costituito dai “Paesi ad Alto Potenziale”. Al suo interno si possono identificare quegli Stati che realizzano i maggiori volumi dal punto di vista della produttività nautica. Va però sottolineato il basso fatturato che apportano alla Gianneschi Pumps and Blowers in relazione ai volumi produttivi.

Il terzo Cluster è caratterizzato dai “Paesi Extraeuropei”. Qui possiamo trovare delle aree che generano buoni volumi di produzione e fatturati modesti per la Gianneschi. In questo caso la distanza rappresenta il più grosso limite per lo sviluppo di strategie commerciali in quelle zone.

Nel quarto gruppo possiamo trovare i “Paesi emergenti” che sono caratterizzati dall’elevata crescita dei volumi di produzione realizzata negli ultimi anni. Al suo interno ci sono paesi, europei e non che non, che si stanno affacciando sul mercato nautico e che potrebbero rappresentare ottime opportunità future.

124

Infine troviamo i “Paesi Residuali” ossia nazioni che presentano pochi elementi interessanti ma, considerati nel loro complesso, riescono a generare delle entrate significative per l’azienda.

Vediamo, riassumendo, la composizione di ciascun gruppo:

PAESI CONSOLIDATI PAESI AD ALTO POTENZIALE PAESI EXTRAEUROPEI PAESI

EMERGENTI PAESI RESIDUALI

TURCHIA U.S.A. TAIWAN MEDIO ORIENTE CROAZIA REGNO UNITO OLANDA OCEANIA POLONIA GRECIA

SPAGNA CENTROAMERICA EGITTO SCANDINAVIA

FRANCIA GIAPPONE UCRANIA GERMANIA

CINA SUDAFRICA SERBIA

OCEANO INDIANO RUSSIA

SUDAMERICA PR. DI MONACO SVIZZERA ISLANDA MALTA ESTONIA LUSSEMBURGO BULGARIA SLOVENJA PORTOGALLO BELGIO REP. SLOVACCA TUNISIA DANIMARCA MAROCCO LIBANO CIPRO

Adesso abbiamo a disposizione dei gruppi di paesi che presentano caratteristiche simili e per i quali sarà necessario adottare strategie commerciali differenti. Anche gli obiettivi della ricerca variano da gruppo a gruppo in quanto essa dev’essere funzionale alle richieste ed alle esigenze dell’area commerciale. Per questo, sulla base delle caratteristiche del gruppo, il ricercatore dovrà porre maggiore attenzione agli aspetti cruciali che devono emergere da ogni determinata zona.

125

Tabella 3.11 – Caratteristiche associate ai cluster individuati

Cluster Caratteristiche Obiettivi della Ricerca Obiettivi commerciali

Paesi Consolidati - Alto Fatturato - Ottima conoscenza del territorio - Vicinanza geografica

- Monitorare gli operatori presenti

- Individuare nuove zone - Individuare nuovi segmenti (barche da lavoro)

- Mantenere le quote di mercato

- Visite frequenti nelle principali zone

- Valutare possibilità di collaborazioni con distributori del luogo

Paesi ad Alto Potenziale - Basso Fatturato - Alti livelli di produzione - Mercati stabili - Scarsa conoscenza degli operatori

- Individuare i motivi che portano il fatturato a non raggiungere livelli sufficienti

- Ricerca concentrata in primo luogo sul segmento “diporto” che dev’essere migliorato - Creazione di nuovi contatti commerciali - Penetrazione nel mercato - Valutare la possibilità di aprire sedi “in loco” visto l’alto potenziale dei mercati

Paesi Extraeuropei

- Modesto Fatturato - Buona crescita negli ultimi anni - Buon potenziale - Elevata distanza geografica

- Individuare fiere di settore per far conoscere il proprio marchio - Individuare i principali distributori che possono offrire servizi sul luogo

- Partecipare alle fiere internazionali per conoscere il maggior numero possibile di aziende - Partecipare alle missioni organizzate dall’ICE Paesi Emergenti - Modesto Fatturato - Ottima crescita registrata negli ultimi anni

- Potenziale in crescita

- Individuare i potenziali clienti che si stanno distinguendo sul mercato mondiale

- Ricercare quali sono i principali distretti nautici

- Stringere rapporti stabili con le principali aziende prima che lo facciano altri - Inviare offerte e materiale informativo per far conoscere il marchio ai nuovi operatori Paesi Residuali - Basso Fatturato - Bassa Crescita - Basso Potenziale - Vicinanza Geografica - Individuare altri segmenti - Ricercare solo i principali clienti

- Ricercare eventuali zone nautiche particolarmente concentrate

- Mantenere i contatti che si hanno senza investirci più di tanto - Provare ad investire sulle barche da lavoro

126

3.3

Indici di concentrazione sul fatturato aziendale

Nell’analisi dei gruppi, abbiamo notato che ci sono paesi con caratteristiche diverse e l’azienda Gianneschi ha sviluppato in alcuni di essi delle relazioni che si sono consolidate nell’arco di molti anni. Abbiamo visto che le nazioni che generano fatturato a livello mondiale sono più di cinquanta, tuttavia solo poche aree sono in grado di generare dei livelli soddisfacenti in termini di ritorno economico.

Figura 3.10 – Curva ABC del fatturato cumulato per nazione

Fonte: Elaborazione propria su dati aziendali

Si osserva dal grafico che nel triennio 2008-2010 meno del 20% delle nazioni-cliente ha generato l’80% del fatturato del periodo. In termini assoluti significa che circa dieci nazioni hanno contribuito ad alimentare l’80% del fatturato estero96.

Grazie al rapporto di concentrazione di Gini97, possiamo ricavare un indice che ci fornisca un valore descrittivo del fenomeno di concentrazione osservato. La formula per calcolare il rapporto è la seguente:

96

127

∑

∑

− = − = − = ₁ 1 1 1 ) ( n i i n i i i p q p R

dove pi sono le frazioni cumulate delle n unità osservate:

1 ; ; 2 ; 1 2 1 = = = = n n p n p n p KK _n

e qi sono le frazioni cumulate del carattere:

1 ; ; ; 1 1 1 2 1 2 1 1 1 = = = =

∑

∑

∑

∑

∑

= = = = = n j j n j j n n j j j j n j j x x q x x q x x q KK

Risolvendo, in base ai valori del fatturato relativi alle diverse nazioni, otteniamo un rapporto di concentrazione pari a:

R = 0,77

tale dato va a confermare l’alta concentrazione che si era osservata dalla curva ABC. Di seguito possiamo vedere la curva di concentrazione di Lorenz, che si ricava ponendo sule ascisse i valori pi e sulle ordinate i valori qi ottenendo una serie di punti

che, uniti, formano la curva di concentrazione di un dato carattere.

97

BORRA SIMONE - DI CIACCIO AGOSTINO, Statistica, Metodologia per le scienze economiche e sociali,

128

Figura 3.11 – Curva di concentrazione di Lorenz osservato sul fatturato delle nazioni

Fonte: Elaborazione propria

La retta di equidistribuzione congiunge il punto (0,0) al punto (1,1) ed è il luogo dei punti in corrispondenza dei quali la concentrazione sarebbe minima, nel qual caso tutte le osservazioni avrebbero lo stesso ammontare.

Quando invece la concentrazione del fenomeno è massima, tutto l’ammontare del fenomeno risulterebbe concentrato in un solo punto, quindi tutti i punti della curva ricadrebbero sull’asse delle ascisse fatta eccezione per l’ultimo che avrebbe coordinate (1,1).

L’area compresa tra la retta di equidistribuzione e la curva di concentrazione del fenomeno è detta area di concentrazione che può variare da un minimo di zero (equidistribuzione) ad un massimo di 1/2 (massima concentrazione).

Esaminiamo adesso la concentrazione dei due principali mercati esteri di sbocco della Gianneschi Pumps and Blowers, la Turchia ed il Regno Unito. Abbiamo scelto questi due Paesi in quanto presentano caratteristiche opposte e per questo gli indici di concentrazione aiutano a dare un’immagine sintetica della composizione dei rispettivi mercati. Lo studio della concentrazione di un mercato può avere importanti

129 riflessi dal punto di vista distributivo in quanto in un mercato molto concentrato può essere raggiunto tramite canali diretti mentre un mercato con molta dispersione necessita l’ausilio di figure intermedie.

3.3.1 Indici di concentrazione in Turchia

Figura 3.12 – Curva di Lorenz per la produzione turca

Per prima cosa risulta opportuno studiare i valori della produzione degli yacht. Dal database del sito

Superyacht Times98 emerge che nel triennio 2008-2010 sono state costruite 61 imbarcazioni, con lunghezza maggiore o uguale a 30 metri, da 37 cantieri diversi, con una media µ = 1,65 barche per

cantiere ed una varianza σ = 1,74. Il rapporto di concentrazione di Gini assume un valore R = 0,33. Possiamo desumere da questi dati che il mercato turco si delinea come un agglomerato di molti cantieri navali che hanno una produzione annua piuttosto bassa.

Tutto ciò si rispecchia anche negli andamenti del fatturato aziendale in Turchia. Osservando il fatturato dei clienti turchi per il triennio ’08-’10 notiamo un indice di Gini più alto R = 0,62 ma sicuramente non rappresentativo di un mercato concentrato. Analizzando più nello specifico la tipologia dei clienti, ci accorgiamo che i primi quattro, per ammontare di fatturato, sono dei rivenditori di materiale nautico. Questo riesce a spiegare la strategia aziendale di avvalersi maggiormente di una rete distributiva indiretta per poter raggiungere un mercato composto da una moltitudine di clienti.

98

www.superyachttimes.com , il sito comprende circa il 70% del parco nautico degli yacht con lunghezza uguale o superiore a trenta metri.

130

3.3.2 Indici di concentrazione nel Regno Unito

Figura 3.13 – Curva di Lorenz per la produzione inglese

Nel Regno Unito la situazione che si delinea è esattamente l’opposto di quella osservata per il mercato turco. In questo caso abbiamo 26 barche derivanti dall’attività produttiva di quattro cantieri navali di cui uno solo ha prodotto 21 yachts. La media della produzione per cantiere è µ = 6,5 ma la varianza

ammonta a σ = 70,25 evidenziando la presenza di valori che si discostano maggiormente dal punto medio. A questo punto risulta evidente la maggiore concentrazione produttiva all’interno del mercato inglese rispetto a quello turco. Il rapporto di Gini assume un valore R = 0,76.

Se analizziamo il fatturato realizzato dalla Gianneschi Pumps and Blowers nel Regno Unito, notiamo che il rapporto di Gini misura R = 0,94 in quanto la quasi totalità dei ricavi monetari deriva proprio dalle vendite fatte registrare presso il principale cantiere navale inglese.

Nel caso del Regno Unito risulta perciò evidente la strategia aziendale di concentrarsi su un unico cliente importante creando un rapporto stabile diretto. In questo modo, con un solo cliente, si riesce a coprire la quasi totalità della domanda inglese ed il rapporto diretto consente di monitorare con maggiore attenzione le richieste del cliente.