Strumenti di incentivo all efficienza produttiva: meccanismi di sussidio e contratti di servizio (Parte 2)

Transcript

1 Università del Salento - Facoltà di Economia «A. de Viti de Marco» Master di II livello in Analisi dei Mercati e Sviluppo Locale A.A. 2006/2007 Moduli: Trasporti, Infrastrutture e Sviluppo Economico (M6) Economia dei servizi pubblici locali (M7) Docente: Massimiliano Piacenza m.piacenza@ceris.cnr.it piacenza@econ.unito.it Strumenti di incentivo all efficienza produttiva: meccanismi di sussidio e contratti di servizio (Parte 2) Discussione dello studio «Regulatory and Environmental Effects on Public transit Efficiency: A Mixed DEA-SFA Approach» (Journal of Regulatory Economics, Luglio 2007) Beniamina Buzzo Margari (HERMES) Fabrizio Erbetta (Università del Piemonte Orientale) Carmelo Petraglia (Università di Napoli Federico II ) Massimiliano Piacenza Ceris-CNR

2 Presentazione Motivazioni & finalità: Approccio metodologico Verifica dell efficacia della regolamentazione Descrizione del campione Metodologia Approccio three-stage DEA SFA: Specificazione del modello Stima e risultati Conclusioni Fattore X 1 Metodologia DEA P P Inefficienza ( funzione di distanza) = 0P/0P 1 Scostamento dalla frontiera interamente attribuito a inefficienza manageriale controllabile (quindi, deterministico)? In realtà non si può escludere a priori l azione di fattori esogeni e/o di componenti casuali 0 Isoquanto frontiera efficiente Fattore X 2 MOTIVAZIONI & FINALITA : aspetti metodologici Superamento delle limitazioni dell approccio Data Envelopment Analysis (DEA) nel valutare l efficienze di imprese in contesti regolamentati e condizionati pesantemente da fattori ambientali: DEA è un modello deterministico (non tiene conto di disturbi casuali) DEA è unicamente basato su input e output Le imprese possono operare in contesti di good/bad LUCKY o di favourable/non-favourable REGULATION & ENVIRONMENT Quindi, alti/bassi valori di efficienza potrebbero essere attribuiti all azione di fattori di contesto esogeni o casuali piuttosto che all abilità manageriale La nostra finalità è: controllare per l impatto di STATISTICAL NOISE e REGULATORY & ENVIRONMENTAL FACTORS in un contesto DEA usando un approccio misto DEA-SFA (Fried et al. 2002, JPA) Inoltre: distinguere le determinanti del sovra-utilizzo di specifici INPUT: 1) efficienza manageriale pura (managerial skills), 2) efficienza indotta da variabili esogene, 3) random noise

3 MOTIVAZIONI & FINALITA : aspetti di regolamentazione Focus sulle imprese italiane di Trasporto Pubblico Locale Nel settore l efficienza è pesantemente condizionata da elementi esogeni al di fuori del controllo dei manager Tra i fattori esogeni, focus sulla forma di regolamentazione schemi alternativi di regolamentazione utilizzati nella pratica test della New Theory of Regulation: Compared to firms run under cost-plus schemes, firms subject to fixed-price mechanisms face high-powered incentives towards a cost minimizing behavior (Laffont & Tirole, 1993) Scopo verificare input-by by-input se gli operatori in regime di contratti fixed-price sono più efficienti di quelli in regime di contratti cost-plus Metodologia Three-Stage DEA-SFA (Fried et al. 2002, JPA) Stage 1: Input-oriented VRS DEA Valutazione iniziale della performance (efficienza tecnica) basata su dati osservati di output e input Risultati score di efficienza e valutazione del sovra-utilizzo dei vari input non affidabile Stage 2: SFA regression (by input) Misure del sovra-uso degli input regredite su variabili di regolamentazione & caratteristiche ambientali con errore composito Risultati evidenza circa l impatto dei fattori esogeni (di regolazione e ambientali) e del random noise sull inefficienza input-specific Stage 3: Input-oriented VRS DEA usando input aggiustati Dati di input aggiustati sulla base dei risultati dello stage 2 Ricalcolo degli score DEA usando output osservati e input aggiustati Risultati score di efficienza manageriale depurati dall impatto di fattori esogeni e random noise Database Panel bilanciato di 42 operatori osservati nel periodo osservazioni totali: 15 urbane, 10 interurbane, 17 miste 23 al nord, 19 al centro-sud Politiche di sussidiazione (regolamentazione): Ante 1996: tutte le imprese in regime cost-plus Post 1996: alcune Autorità Locali hanno introdotto schemi di rimborso di tipo fixed-price Nel campione: cost-plus (218 obs.), fixed-price (76 obs.) Fonti: Principali dati economici e di offerta del servizio desunti dagli Annuari ASSTRA (associazione dei gestori del Trasporto Pubblico Locale) Informazioni circa le caratteristiche di regolamentazione e le variabili ambientali ottenute attraverso questionari

4 Specificazione del modello (Stage 1) Specificazione input/output 1 OUTPUT: posti-km annualmente offerti (PKM) 4 INPUT: N autisti (empldr) N dipendenti indiretti (emplind) Energia carburante ed energia equivalente (FUEL) Altri costi operativi (CMS) deflazionati IPP/ISTAT INPUT-ORIENTED VRS DEA (Banker et al. 1984) Applicazione della DEA su campioni distinti per categoria di servizio (per evitare incroci tecnologici impropri ): Score di efficienza (max( = 100) Per ciascun input e per ciascuna osservazione calcolo del sovra-utilizzo rispetto alla best-practice derivata dalla stima Risultati (Stage 1) Valori iniziali di efficienza Network Urbani Network Misti Network Interurbani Efficienza Media Minimum quartile quartile quartile Varianza Specificazione del modello (Stage 1) 4 regressioni separate SFA (una per ogni input-slack) Per i -esima obs. e n -esimo input-slack: s ni = f(z i, β n ) + v ni + u ni f(z i, β n ) parte deterministica dello slack spiegato da un insieme Zdi fattori esogeni di POLICY (regolamentazione) & AMBIENTALI (caratteristiche del network) v ni ~ N(0, σ 2 nυ ) statistical noise u ni ~ N + (0, σ 2 nu ) inefficienza manageriale pura : u nit = u nit x e [-η(t-t)] (specificazione time-varying, Battese & Coelli 1992) σ n2 = (σ 2 nu + σ2 nv ); γ = (σ2 nu /σ2 ) proporzione della varianza complessiva dell errore spiegata da variabilità delle condizioni di efficienza manageriale pura (skills dei manager pubblici) (β n, σ 2 nu, η, σ2 nυ ) parametri da stimare attraverso ML

5 Specificazione del modello (Stage 2) Variabili ambientali Z Caratteristiche del network: Velocità commerciale (SPEED( SPEED): congestione traffico Densità di popolazione (DENS( DENS) popolazione per km 2 Altre variabili fuori dal controllo del management: Età media dei veicoli (AGE( AGE): finanziamenti destinati Stock di capitale (FLEET): numero veicoli Categorie dimensionali (dempl1( dempl1, dempl2, dempl3, dempl4) time trend (TR( technological change) Categoria di servizio (du( du, dintc, dmix) Regolamentazione: variabile dummy REG = 1 dopo l introduzione l del regime contrattuale fixed-price e 0 altrove Risultati (Stage 2) Table 2: SFA Parameter Estimates of Input Slack Equations slack-empldr slack-emplind slack-fuel slack-cms t-stat Coefficient t-stat t-stat t-stat Variable Coefficient p-value p-value Coefficient p-value Coefficient p-value SPEED DENS REG TR FLEET AGE dempl dempl dempl dintc dmix η γ LR test γ = Wald χ 2 test observations log-likelihood -1, , , , Principali evidenze (Stage 2) Caratteristiche del network: Maggiore SPEED Maggiore efficienza tecnica BENEFICI DA UNA MINORE CONGESTIONE (spec. per empldr e fuel) Regime di regolamentazione: Il segno negativo relativo a REG nelle equazioni di empldr e CMS è una conseguenza dell introduzione di schemi di regolamentazione più incentivanti (fixed-price) LA REGOLAMENTAZIONE HA PROMOSSO UN PROCESSO DI RAZIONALIZZAZIONE DEGLI INPUT MAGGIORMENTE FLESSIBILI E DOVE l ASIMMETRIA l INFORMATIVA E E PIU MARCATA Stock di capitale: Il segno negativo e significativo per empldr e CMS indica un migliore utilizzo dei fattori in presenza di un rilassamento del vincolo sul fattore fisso Dimensione: Al crescere della categoria dimensionale, l efficienza l peggiora PROBLEMA DI SOVRACAPITALIZZAZIONE PER I NETWORK PIU CONGESTIONATI E PIU SUSSIDIATI

6 Principali evidenze (Stage 2) Per empldr e CMS il parametro γ è basso (15.6% e 2.1%) anche se LR test rigetta H 0 : γ = 0 Fattori esogeni e noise sono prevalenti L inefficienza manageriale pura appare alquanto limitata Il parametro η è positivo e significativo per empldr (0.372) and CMS (0.483), identificando un trend positivo (decrescente) del termine di inefficienza U effetto di cambio nella GOVERNANCE? Specificazione del modello (Stage 3) Aggiustamento degli input osservati X ni : x A ni = x ni + [max i { z i βn } z i β n ] + [max i {v ni } v ni ] [max i { z i β n } z i β n ] allinea tutte le imprese al contesto ambientale e regolatorio meno favorevole osservato nel campione [max i {v ni } v ni ] forza tutte le imprese ad operare nella situazione meno fortunata osservata nel campione In tal modo, è possibile livellare il contesto operativo ponendo le imprese in una cornice operativa comune (network e regulatory policy) e in un comune stato di natura (random noise) Nuova stima DEA (per comparto) usando x A ni al fine di ottenere misure di efficienza NETTE la valutazione dell efficienza a livello di singola osservazione non è più influenzata da situazioni di contesto favorevole, traducibili in migliori caratteristiche del network, schemi di regolamentazione incentivanti e good luck Risultati (Stage 3) Score di efficienza DEA originali e aggiustati Network Urbani Network Misti Network Interurb. Efficienza media Agg. Orig. Agg. Orig. Agg. Orig Minimum Varianza Una volta controllati gli effetti del random noise, delle caratteristiche del network e del tipo di regime regolatorio, l efficienza media cresce e la varianza si riduce Ciò rende l idea dell entità dell aggiustamento apportato

7 Conclusioni Abbiamo controllato gli effetti di statistical noise e fattori esogeni all interno di un approccio DEA, utilizzando lo strumento SFA nel 2 stadio dell analisi Nuovaevidenzacirca il ruolo esercitato da differenti meccanismi di sussidiazione nella spiegazione dei divari di efficienza delle imprese TPL Dalen & Gomez-Lobo (1997, 2003), Gagnepain & Ivaldi (2002), Kerstens (1996) e Piacenza (2006) concludono che la teoria della regolamentazione incentivante è una componente necessaria per l analisi microeconomica della produzione nel settore del TPL; tuttavia, non sono in grado di separare il ruolo esercitato dai fattori di policy (meccanismi di sussidio) e ambientali (caratteristiche di network) da quello svolto dagli skills dei manager utile l applicazione dell approccio misto DEA-SFA Gagnepain & Ivaldi (2002) and Dalen & Gomez-Lobo (1997) hanno identificato a priori nelle carenze di produttività del fattore lavoro (drivers) la causa principale dell inefficienza (maggiore asimmetria informativa tra regolatore e impresa). Qui è confermata empiricamente tale assunzione teorica, mostrando che la regolamentazione incentivante esplica maggiori effetti sugli input più razionalizzabili