aspetti metodologici la costruzione degli indicatori · relative famiglie si basa sulla...

Aspetti metodologici La costruzione degli indicatori Il triplice passaggio dai singoli indicatori semplici agli indicatori aggregati per famiglie, da questi ultimi alle variabili target e infine all’indicatore finale di Stato di Salute segue la logica di aggregazione per step successivi tipica degli indicatori compositi. Gli indicatori compositi Tali indicatori permettono di fornire informazioni non solo sugli aspetti facilmente misurabili e “di largo consumo” di un fenomeno, ma soprattutto su aspetti più originali, più complessi, difficilmente misurabili “in natura” e per questo spesso avvolti da penombra, a dispetto della rilevanza delle informazioni che trasmettono. Gli indici compositi di sintesi permettono quindi di sintetizzare in un unico “numero” le informazioni economiche non osservabili veicolate da un set di variabili osservabili distinte, ma tra loro affini. L’impiego delle componenti principali e dei modelli a fattori (di cui si parlerà più avanti) è la tecnica più diffusa e anche quella ottimale per ricostruire in via indiretta un fenomeno X, che non è direttamente misurabile, estraendo le informazioni ad esso relative da un set di variabili che lo approssimano anche parzialmente e in modo incompleto e convogliando tali informazioni in un indice composito di sintesi. Secondo tale metodologia di aggregazione si ha: indici compositi = combinazioni lineari ponderate degli indicatori di base. Un esempio di carattere generale può essere illuminante: si supponga di voler misurare il grado di competitività di un territorio, mediante la costruzione di un Indicatore Composito. Inizialmente occorrerà individuare quali, tra i fenomeni di livello più basso, contengono informazioni utili a misurare il fenomeno target.

Imprese Capitale umano

Servizi alle imprese e alla persona

Infrastrutture

Competitività

Tra questi potremmo considerare la dotazione di imprese e le loro caratteristiche, il patrimonio disponibile di capitale umano, il livello di infrastrutturazione, o ancora la disponibilità di Servizi alle imprese e alla persona. Aggregando in modo opportuno e statisticamente rigoroso tali informazioni (e molte altre ancora) è possibile ottenere un valido Indicatore Composito che misura il grado di competitività del territorio. Pertanto l’indice composito di competitività (ICC) è generato nel seguente modo:

ICC=β1*IND1+ β2*IND2+ β3*IND3+ β4*IND4…… In base alla procedura il β associato a ogni indicatore di livello più basso (generato tipicamente mediante analisi delle componenti principali e modelli a fattori) riflette il contributo che esso dà all’indice composito finale, ossia la quantità di informazione rilevante che da esso si può estrarre. I β assomigliano ai pesi usati nel calcolo di una media ponderata tradizionale, ma rispetto a questi ultimi presentano due differenze rilevanti: 1 Possono anche essere negativi; nulla vieta che uno o più indicatori di base influenzino

negativamente l’indice finale. 2 La loro somma non è necessariamente 1 (lo è la somma dei loro quadrati); nulla vieta infatti che

l’interazione dei diversi indicatori di base generi un effetto più (o meno) che proporzionale a carico dell’indice finale

I Modelli a Componenti Principali (PCM) e i Modelli a Fattori (FM) L’analisi PCM trova ampia applicazione nei contesti in cui occorre sintetizzare in un unico indicatore l’evidenza relativa a un fenomeno chiaramente identificabile (il target) veicolata da variabili diverse, ma accomunate dal fatto di fornire qualche contributo rilevante alla variabilità (temporale o longitudinale) del target stesso. Ad esempio PCM potrebbe consentire di ricavare una valida misura sintetica dell’intelligenza di un individuo (fenomeno target) sulla base delle informazioni contenute in numerose variabili che contribuiscono in proporzioni variabili a determinare l’intelligenza, quali la capacità di analisi, l’intensità della memoria eccetera. Similmente, una volta collezionate informazioni relative al fatturato delle aziende operanti in un dato territorio, ai depositi bancari, alle entrate tributarie comunali, alle dichiarazioni dei redditi (eccetera), sulla base di PCM è possibile generare una misura sintetica della ricchezza di quel territorio. I FM (Forni et alii, 2003) svolgono una funzione simile a PCM ma godono di due ulteriori interessanti caratteristiche: (a) sono utilmente applicabili anche a gruppi di variabili fortemente eterogenee per contenuto, rilevazione e oggetto cui sono riferite e (b) consentono di estrarre da tali variabili informazioni “nascoste” e relative a fenomeni target anche non chiaramente identificabili, e usualmente non direttamente misurabili “in natura”. Pertanto, se in PCM le variabili osservate nel database sono esse stesse le grandezze di interesse e PCM è utile a semplificare la loro interpretazione, nel contesto dei FM le variabili osservate sono poco rilevanti in sè, mentre assumono importanza i Fattori sottostanti che ne governano l’andamento. Nell’ambito

dell’econometria delle serie storiche applicata a problemi macroeconomici i FM sono frequentemente impiegati per ricavare da una moltitudine disomogenea di variabili indicazioni di sintesi sulle fluttuazioni cicliche dell’economia, spesso anche in ottica previsiva. Sul piano tecnico-metodologico entrambe le metodologie producono come output principale uno o più indicatori compositi (le cosiddette Componenti Principali nel primo caso, i Fattori nel secondo) che fanno sintesi delle variabili originariamente contenute nel database. In particolare PCM produce un set di Combinazioni lineari standardizzate e ortogonali (le Componenti Principali appunto) delle variabili del database; tali Componenti, considerate nel complesso, “spiegano” tutta la varianza dei dati originali e pertanto ne fanno sintesi senza alcuna perdita di informazioni. Sul piano strettamente tecnico, le componenti principali sono definite come segue (Mardia, Kent, and Bibby (1979)). Sia X un vettore di variabili casuali con media µ e matrice di varianza/covarianza Σ, allora le Componenti Principali Y sono esprimibili come:

)( μ−= XY Γ dove Γ è ortogonale e contiene i cosiddetti “loading”, ΛΣΓΓ =′ è diagonale e tutti gli autovalori di Λ sono non negativi. I loading forniscono una misura del contributo di ciascuna delle variabili di base alle componenti principali e possono quindi essere utili alla loro interpretazione. Operazione non troppo dissimile è svolta da FM. Formalmente se X è il solito vettore di variabili casuali con media µ e matrice di varianza/covarianza Σ, allora il modello a k-fattori vale per X se X può essere scritto come:

uf ++μ= ΛX dove { }ijλ=Λ è una matrice (n × k) di costanti chiamata matrice dei factor loading. Inoltre,

uf e rappresentano rispettivamente i k Fattori comuni sottostanti e gli n Fattori idiosincratici non comuni, ma specifici di ogni variabile originaria. Coerentemente, è possibile scomporre la matrice di varianza/covarianza totale in modo che ΨΛΛΣ +′= dove )(uVAR=Ψ . Appare chiaro che sia PCM sia i FM non producono semplici aggregazioni ponderate delle variabili di base, ma Combinazioni Lineari Standardizzate di queste ultime. Banalizzando, e a titolo esemplificativo, si ipotizzi che il database di riferimento sia costituito da 20 variabili di base (già precedentemente standardizzate) raccolte nel vettore riga [ ]2021 , ...,, xxx=X La generica Componente Principale o il generico Fattore Q vengono definiti nel seguente modo:

[ ] 2020221

20

2

1

202 ......

,, ...,, xxx

x

xx

α++α+α=

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

×ααα=′α= 11XQ

Gli elementi iα , i cosiddetti loading, non vanno pertanto visti come pesi di una qualche forma di media ponderata, ma come misure del contributo (segno e intensità) che ogni variabile di base dà alla variabilità del fenomeno target e quindi alla formazione dell’indicatore composito di sintesi. Per questo motivo non si applica ai loading il vincolo che la loro somma sia pari a 1 e nemmeno risulta

necessario che essi siano positivi in senso debole. Al contrario, è legittimo che un fenomeno di base dia un contributo negativo ( iα <0) a un indicatore composito ottenuto mediante PCM o FM: si pensi, ad esempio, a come l’incidenza dei laureati sulla popolazione totale di un territorio può incidere su un indicatore composito di disagio socio-culturale. Allo stesso modo ci si potrebbe attendere, ad esempio, che un’elevata incidenza delle piccole imprese sul totale imprese produca un contributo negativo rispetto a un indicatore composito di propensione alla brevettazione. Gli indicatori compositi di sintesi generati sia tramite PCM, sia tramite FM non hanno una propria unità di misura e pertanto sono utili nell’ambito di analisi di tipo relativo e di benchmarking. Nel caso delle serie storiche essi sono ampiamente utilizzati per datare e fasare i cicli economici e, pertanto, operare confronti intertemporali rispetto ad un periodo scelto come base. Nel contesto di analisi longitudinali esse consentono di definire ranking (e relativi rating) tra unità (imprese, consumatori, territori, entità amministrative, portafogli titoli) rispetto a fenomeni di interesse. La costruzione degli scenari inerziali e la simulazione delle policy I Modelli VAR di contesto L’apparato metodologico impiegato per produrre gli scenari inerziali sulle variabili target e le relative famiglie si basa sulla specificazione di un modello autoregressivo vettoriale (VAR), ossia un sistema di equazioni apparentemente non collegate, nel quale viene rappresentata l’intera struttura delle correlazioni dinamiche tra le variabili economiche di interesse. In tale tipologia di modelli e diversamente dai sistemi di equazioni simultanee tutte le variabili assumono natura endogena1. Da un punto analitico si consideri un vettore (n×1) di serie yt per il quale assumiamo l'esistenza di una rappresentazione autoregressiva vettoriale (VAR) di ordine finito. Tale assunzione è pienamente legittima non solo per serie vettoriali stazionarie, ma anche per variabili integrate in presenza di relazioni di cointegrazione. Il modello VAR di ordine finito (k) è consuetamente rappresentato come: yt = Φ dt + A1 yt -1 + A2 yt -2 + ... + Ak yt -k + εt , εt ~ VWN(0,Σ), (1) dove le matrici Ai contenenti i coefficienti autoregressivi sono quadrate e di dimensione n, mentre dt è un vettore (d ×1) di variabili esogene o deterministiche appropriate. L’ equazione (1) descrive il comportamento di ogni singola componente del vettore yt come guidato dal passato della variabile stessa e dal passato di tutte le altre variabili del processo; non viene esplicitamente modellata alcuna forma di legame istantaneo tra le variabili endogene, e, pertanto, il VAR si configura come la forma ridotta condizionata sul passato del seguente modello strutturale: Byt = Θ dt + Γ1 yt -1 + Γ2 yt -2 + ... + Γk yt -k + υt (2) dove Ai=B-1×Γi e Φ=B-1×Θi e εt=B-1×υ t Peraltro, legami simultanei tra le endogene esistono anche all’interno di un VAR e sono «nascosti» nella matrice di varianza/covarianza dei termini di errore, che è, in generale, una matrice non

1 Per una completa trattazione sui VAR si veda: Sims C.A. (1980).

diagonale; un processo VAR può quindi essere visto anche come sistema di equazioni apparentemente non collegate (modello SUR; Zellner, (1962)). Se non si impongono restrizioni sullo spazio parametrico il modello VAR (1) può facilmente essere stimato per mezzo dei minimi quadrati ordinari (OLS). Lo stimatore OLS coincide con lo stimatore di massima verosimiglianza (ipotizzando la normalità di εt) quando si condizioni sulle prime k osservazioni, e con lo stimatore SUR. In presenza di variabili cointegrate, il sistema può essere stimato tramite il metodo di massima verosimiglianza imponendo o meno il vincolo di rango ridotto implicato dalla presenza di cointegrazione. Le stime risultanti sono chiaramente consistenti e il modello VAR stimato può essere facilmente utilizzato a fini previsivi e per simulazioni dinamiche. I Modelli BVAR per la previsione Accanto alle menzionate caratteristiche che fanno dei VAR uno strumento di analisi elegante e concettualmente semplice, il più grande problema che si incontra nelle applicazioni dei VAR è connesso alla loro inefficiente parametrizzazione, che sembra precludere la possibilità di analizzare sistemi di medie e grandi dimensioni. Anche in modelli con un numero limitato di variabili, l'uso delle tecniche consuete di stima dei VAR conduce spesso a stime inefficienti e a insoddisfacenti prestazioni previsive. La ricerca di metodi di stima più efficienti e di previsioni maggiormente affidabili è la principale motivazione dei lavori di R.T. Litterman (1979) e Doan, Litterman e Sims (1984) che propongono la trattazione bayesiana dei modelli VAR (modelli Bayesian VAR, o BVAR). L' idea fondamentale sottostante a tale approccio è molto semplice: il ricercatore considera i parametri del modello come variabili casuali ed utilizza distribuzioni a priori informative sui parametri autoregressivi da combinare con la funzione di verosimiglianza per ottenere stime più efficienti basate sulla distribuzione a posteriori dei parametri stessi. Si consideri un’opportuna riscrittura della i-esima equazione del VAR (1): yit = xt’βi +εit, εit ~N(0, σ 2i) (3) Le informazioni a priori sui parametri possono essere tradotte in un sistema di vinoli lineari non omogenei del tipo: R βi= d + e0, E(e0) = 0, var(e0 e0')= Q0. (4) Questa formulazione differisce da quella usuale per i vincoli lineari non omogenei sui parametri per il fatto che l'informazione extra-campionaria su βi è soggetta ad errore, cioè si ha incertezza a priori. Per questo motivo, i vincoli sono detti stocastici. Considerando l'informazione extra-campionaria alla stregua di p osservazioni addizionali, si ricava lo stimatore misto GLS (Theil-Goldberger, 1961), che descrive a tutti gli effetti una stima bayesiana: ~

β i = [σ -2 X'X+ R' Q01− R]-1[σ -2X'y+ R' Q0

1− d], var( ~

β )= [σ -2 X'X + R' Q01− R]-1 . (5)

Adottando l’approccio BVAR è stato possibile in questo lavoro produrre stime efficienti e risultati relativamente affidabili anche in presenza di serie storiche piuttosto brevi (solo 16 dati annuali). Al fine di rendere operativa la procedura di stima bayesiana, abbiamo specificato una distribuzione a priori per i parametri del modello seguendo la letteratura BVAR standard secondo la quale la maggior parte delle serie macroeconomiche è influenzata soprattutto dal proprio passato recente e solo marginalmente dal proprio passato lontano e dal passato delle altre variabili e modificando questa letteratura secondo quanto già fatto in (Amisano, Serati e Giannini, (1997)). Questa specificazione è divenuta standard nella letteratura BVAR e la risultante distribuzione a priori viene generalmente chiamata Minnesota prior (di qui in avanti MP): le sue caratteristiche sono agilmente gestibili, perché indicizzate ad un piccolo set di “iperparametri”, la cui calibrazione è effettuata in modo da ottimizzare la performance del modello.

I Modelli SVAR per la simulazione delle policy. Una volta ottimizzato il nucleo degli iperparametri e stimatolo efficientemente, il BVAR può essere utilizzato per la valutazione dell’impatto socio-economico di interventi di policy. A tal fine è necessario poter risalire dai coefficienti stimati della (1) a quelli della (2), ossia risolvere il cosiddetto problema dell’identificazione. Tale operazione in letteratura ha generato diversi filoni di analisi, tutti riconducibili alla letteratura sui cosiddetti modelli VAR strutturali (SVAR)2. La logica di fondo è quella di esplicitare la struttura di correlazioni istantanee tra le variabili, nascosta nella matrice di varianza/covarianza dei termini di disturbo del VAR, “organizzando” tali correlazioni secondo uno schema strutturale e imprimendo ad esse una direzione di causalità. In sostanza si cerca di “identificare” un insieme di shock indipendenti e di analizzare la reazione nel tempo di tutte le variabili del sistema rispetto a tali shock. A questo fine è necessario pre-moltiplicare il VAR della (1) per l’inversa (P-1) del fattore di Cholesky di Σ (esatta identificazione) A0

*yt = A1*

yt -1 + A2*

yt -2 + ... + Ak*

yt -k + et , et ~ VWN(0,Ιn), (6) dove A0

*=P-1, Ai*= P-1Ai e PP’=Σ. Chiaramente A0

* è triangolare inferiore e i valori della sua diagonale principale sono tutti uguali ad 1. Ciò equivale a modellare le relazioni contemporanee tra le variabili di interesse in modo ricorsivo, ossia imporre che gli shock ortogonali et abbiano effetti di impatto sugli elementi di yt secondo lo schema triangolare descritto da P3. Una volta resa diagonale la matrice di varianza/covarianza dei termini di errore del modello è possibile simulare il sistema e calcolare le funzioni di risposta ad impulso (IRF) che descrivono il profilo temporale delle reazioni di ciascuna variabile del sistema rispetto a shock sui termini di disturbo. In questo caso si è scelto di imporre al sistema shock unitari cosicchè le IRF descrivono la variazione percentuale nel tempo di tutte le endogene del sistema. Accanto alle risposte puntuali lungo un orizzonte di 10 anni sono state calcolate anche le risposte cumulate ossia i moltiplicatori di medio e lungo periodo associati allo shock.

2 Per una rassegna: Amisano e Giannini (1997). 3 Si osservi che la scomposizione di Cholesky è unica dato l’ordinamento prescelto per le variabili di interesse all’interno del vettore y. Permutazioni in tale ordinamento possono modificare i risultati dell’analisi e pregiudicarne la robustezza.

Metodologia di lavoro

1. Definizione del set di indicatori e delle variabili target ;

2. Individuazione dei fattori che concorrono a definire l’evolversi delle variabili target;

3. Misurazione dei target e dei fattori che li determinano mediante predisposizione di indicatori quantitativi integrati da valutazioni qualitative;

4. Ricostruzione dell’architettura di interconnessione tra target e tra target e i fattori di influenza;

Metodologia degli indicatori sintetici e compositi

Definizione del set informativo . Approntamento di una folta batteria di indicatori economici a livello comunale che, complessivamenteconsiderati, forniscono un quadro esauriente della situazione economica di un’area locale, permettendo di distinguere tra le aree che si trovano in situazione di relativa difficoltà e quelle che versano in buonstato di salute economica.

Allineamento. Poiché ogni indicatore ha una sua propria metrica di misurazione (i depositi bancari si misurano in milioni di Euro, le unità locali in migliaia, i consumi elettrici in KW e via dicendo), al fine di rendere omogenee le misurazioni sono state definite solo grandezze relative (normalizzando rispetto alla popolazione, al numero addetti, alla superficie territoriale e altro), o tassi di variazione %.

… segue Metodologia degli Indicatori Compositi e Sintetici

Ponderazione. Definizione di un sistema di pesi. Il sistema di pesi deve contemplare considerazioni a-priori di carattere strettamente economico, sociale, statistico (la qualità e la disponibilità dei dati) e matematico (Componenti Principali). Aggregazione. Costruzione, tramite aggregazione ponderata dei singoli indicatori di cui al punto e sulla base di pesi di cui al punto, delle variabili Target e dell’Indicatore Sintetico di previsione dell’evoluzione territoriale, che sintetizza “in un numero” tutte le informazioni veicolate dai diversi singoli indicatori in merito alle caratteristiche rilevanti delle varie componenti delle variabili target.

Un tentativo di schema riassuntivo

IND FAM.

IND BASE IND BASE IND BASE IND BASE IND BASE

IND FAM. IND FAM.

IND TARGET IND TARGET

Definizione dello scenario inerziale vs scenario di policy

Definizione della Matrice di Policy

GOVERNANCE

Gli indicatori

Ciascun fenomeno socio-economico è misurato mediante uno o più indicatoriLa loro aggregazione ragionata per blocchi definisce l’andamento delle famiglie che influenzano i targetGli indicatori hanno profondità temporale (almeno dieci anni) e spaziale (Varese, Lombardia, Italia)Alcuni fenomeni (e i rispettivi indicatori) possono entrare in più di una famigliare e influenzare target diversiIn alcuni dei casi del punto (4) è possibile che un medesimo fenomeno abbia impatto “desiderabile” su un target e “indesiderabile” su un altro

TREND STORICO

POLICY

SCENARIO STATICO

SCENARIO INERZIALE

NUOVO INERZIALE

SCENARIO DI POLICY

Policy sui singoli fenomeni (indicatori)

Trasmissione agli indicatori di Sezione

Trasmissione alla variabile target

Policy direttamente sugli indicatori di sezione

LO SCHEMA “VISIVAMENTE”

Le variabili target

Le variabili target individuate come obiettivi da “scenarizzare”:

Competitività (territorio e sistema economico)

Performance Economica e Benessere (compresa qualità della vita)

Attrattività (capitali, persone, imprese)

Efficienza (buon funzionamento dei mercati)

Innovazione (e intensità tecnologica)

L’articolazione delle variabili target

Ogni target è articolato in macro-famiglie.Ciascuna di esse è dedicata a una specifica “componente” tra quelle che concorrono a determinare il fenomeno targetCiascuna di esse è pertanto riassunta da un Indicatore Composito alimentato da singoli indicatori semplici.Ciò consente, al contempo:

flessibilità di ragionamento sulle specifiche componenti e dimensioni;connessione con “misure e interventi” previste nella matrice di policy.

Articolazione delle variabili TargetCompetitività

Imprese Capitale Umano (C.U.)Servizi InfrastrutturePubblica Amministrazione (P.A.)

Ogni famiglia ospita indicatori misuranti i fenomeni che concorrono a determinare e riflettere lo specifico tipo di competitività territoriale considerato. Esempi:

Imprese.%imprese operanti nei settori ad elevata crescita; C.U. %professionalità qualificate sul totaleServizi. # sportelli bancari per 1000 ab.Infra. dotazione rete viaria P.A. Efficienza servizi di sicurezza

Performance e benessere

EconomicoSocialeAmbientale

Ogni famiglia ospita indicatori misuranti i fenomeni che concorrono a determinare e riflettere lo specifico tipo di benessere territoriale considerato. Esempi:

Economico. Crescita %i PIL procapite; Sociale. %lavoratori in mobilitàAmbientale. Congestione rete viaria

Articolazione delle variabili TargetAttrattività

ProduttivaMercato del Lavoro e PersoneReddituale e FiscaleTuristica Servizi e Sicurezza

Ogni famiglia ospita indicatori misuranti i fenomeni che concorrono a determinare e riflettere lo specifico tipo di attrattività territoriale considerato. Esempi:

Produttiva. %i imprese di servizi; Mkt lavoro. Indice costo abitazioni; immigrazioneReddituale/Fiscale. Fatturato per impresaTuristica. Dotazione di attrattivitàServizi e sicurezza: Dotazione istituti scolastici

Efficienza e Matching/GapQuesta variabile target non è stata oggetto di articolazione ulteriore

InnovazioneR&SModello specializzazione produttivaCapitale Umano

Ogni famiglia ospita indicatori legati a uno dei 3 specifici fenomeniinerenti il tema dell’innovazione. Esempi:

R&S.#brevetti per impresa; Modello specializzazione produttiva. % addetti delle imprese settori high tech sul totale addettiCapitale umano. % assunzioni professionalità altamente qualificate o specializzate sul totale

Gli indicatori semplici

Ciascun fenomeno socio-economico è misurato mediante uno o più indicatori sempliciL’aggregazione ponderata di questi ultimi definisce l’andamento dei macro-fenomeni (famiglie) che influenzano la variabile targetGli indicatori hanno profondità temporale (almeno dieci anni) e spaziale (Varese, Lombardia, Italia)Alcuni fenomeni (e i rispettivi indicatori) possono entrare in più di una famiglia e influenzare target diversi In alcuni dei casi del punto (4) è possibile che un medesimo fenomeno abbia impatto “desiderabile” (algebricamente positivo) su un target e “indesiderabile” (algebricamente negativo) su un altro

Declinazione degli indicatori semplici

Anni Livelli Varese Livelli Lombardia Delta Varese Gap (Varese - Lobardia) Delta Gap (Varese - Lobardia)2000 0,2500 0,1250 -0,0061 0,1250 -0,01102001 0,2500 0,1250 -0,0061 0,1250 -0,01102002 0,2500 0,1250 -0,0061 0,1250 -0,01102003 0,2500 0,1250 -0,0061 0,1250 -0,01102004 0,2500 0,1250 -0,0061 0,1250 -0,01102005 0,2439 0,1299 -0,0061 0,1140 -0,01102006 0,2703 0,1471 0,0264 0,1232 0,00922007 0,2941 0,1639 0,0238 0,1302 0,00702008 0,2703 0,1493 -0,0238 0,1210 -0,00922009 0,1852 0,1282 -0,0851 0,0570 -0,06402010 0,1852 0,1282 -0,0851 0,0570 -0,0640

IND 1

Per ogni indicatore di base si è proceduto a calcolare A) il valore provinciale e regionale, B) l’evoluzione temporale, C) il gap tra provincia di Varese e il dato regionale e D)l’evoluzione nel tempo del gap.

A

B

C D

Struttura degli Indicatori sempliciper famiglie e target

Target COMPETITIVITA‘

Ind 1 % popolazione 24-54 sul totale Capitale UmanoInd 2 tasso dipendenza dai giovani Capitale UmanoInd 3 1/ "ass"(%maschi (15-54)-%femmine(15-54)) Capitale UmanoInd 4 tasso attività Capitale UmanoInd 5 1/ "ass"(tasso att maschi- tasso att femmine) Capitale UmanoInd 6 tasso di occupazione Capitale UmanoInd 7 1/ "ass"(tasso occ maschi- tasso occ femmine) Capitale UmanoInd 8 % forze lavoro su pop attiva Capitale UmanoInd 9 1/ "ass"(% maschi forze -% femmine forze lavoro) Capitale UmanoInd 10 % iscritti superiori/pop under 24 Capitale UmanoInd 11% diplomati superiori/pop Capitale UmanoInd 12 % iscritti tot corsi/pop under 24 Capitale UmanoInd 13 % professionalità qualificate sul totale Capitale UmanoInd 14% Spese per formazione su V.A. provinciale Capitale Umano

…segue Struttura degli Indicatori semplici per famiglie e target

Ind 15 numero imprese totali attive ImpreseInd 16 % imprese attive nei settori elevata crescita ImpreseInd 17 dimensione media impresea ImpreseInd 18 1/varianza (% imprese per settore) ImpreseInd 19 % exp in paesi a elevata crescita ImpreseInd 20 importazioni /V.A. provinciale ImpreseInd 21 exp/imp ImpreseInd 22 % fallimenti (o procedure concorsuali)/tot imprese ImpreseInd 23 % protesti su imprese e persone ImpreseInd 24 impieghi/depositi ImpreseInd 25 costo medio del debito ImpreseInd 26 indicatori di accessibilità ImpreseInd 27 sofferenze/impieghi ImpreseInd 28 saldo annuale (avviamenti/cessazioni) Imprese

Ind 29 Networking: numero associati/tot imprese del bacino ImpreseInd 30 n.brevetti / n.imprese ImpreseInd 31 % Spesa per ricerca su V.A. ImpreseInd 32 Prezzi al Consumo: inverso (cioè 1/X) di DELTA prezzi prov; ImpreseInd 33 Prezzi al Consumo: inverso (cioè 1/X) di (delta prezzi prov - delta prezzi regione)

ImpreseInd 34 numero Istituti scolastici e sanitari/popolazione ServiziInd 35 numero Istituti scolastici e sanitari/superficie ter ServiziInd 36 numero musei, cinema, biblioteche/popolazione ServiziInd 37 numero musei, cinema, biblioteche/superficie ter ServiziInd 38 numero sportelli bancari/popolazione ServiziInd 39 numero sportelli bancari/superficie ter ServiziInd 40 Reati: inverso (cioè 1/X) di reati/popolazione P.A.Ind 41 Km rete viairia/sup territoriale Infrastrutture


Target BENESSERE E PERFORMANCE• Ind 1 delta V.A Economico

Ind 2 delta fatturato EconomicoInd 3 delta Occupazione EconomicoInd 4 delta produzione EconomicoInd 5 delta consumi EconomicoInd 6 varianza monte redditi e monte consumatori rispetto alle fasce EconomicoInd 7 % redditi inferiori a soglia predefinita EconomicoInd 8 delta percentuale Investimenti produttivi delle imprese EconomicoInd 9 delta percentuale Popolazione Attiva EconomicoInd 10 delta percentuale Occupati EconomicoInd 11 delta percentuale Ore lavorate EconomicoInd 12 % tasso di occupazione EconomicoInd 13 inverso (cioè 1/x) di tasso di disoccupazione EconomicoInd 14 quotazioni medie prezzi mercato immobiliare EconomicoInd 15 delta percentuale Imprese attive EconomicoInd 16 delta percentuale addetti EconomicoInd 17 % produttivo e commerciale / superficie totale EconomicoInd 18 gettito IRPEF / popolazione EconomicoInd 19 exp-imp EconomicoInd 20 inverso (cioè 1/X) di DELTA% sofferenze Economico


Ind 21 rapporto sofferenze/impieghi EconomicoInd 22 numero ore Cassa integrazione/occupati EconomicoInd 23 numero ore Cassa Integrazione in deroga/occupati EconomicoInd 24 saldo avviamenti e cesazioni EconomicoInd 25 rapporto consumi produttivo elettrici/ numero imprese EconomicoInd 26 rapporto consumi residenziale elettrici / numero persone EconomicoInd 27 numero veicoli circolanti/popolazione EconomicoInd 28 (depositi+impieghi)/popolazione EconomicoInd 29 delta percentuale popolazione SocialeInd 30 immigrazione/popolazione tot SocialeInd 31 numero lavoratori in mobilità/ tot occupati SocialeInd 32 numero esercizi commerciali/superficie territoriale SocialeInd 33 numero istituti scolastici e sanitari/superficie SocialeInd 34 numero istituti scolastici e sanitari/popolazione SocialeInd 35 numero museu cinama e biblioteche/superficie SocialeInd 36 numero sportelli bancari/superficie SocialeInd 37 inverso di (numero reati/popolazione) SocialeInd 39 dotazione monitor + dati ambientali (li ho) AmbientaleInd 40 inverso di numero veicoli circolanti/km rete viaria Ambientale


Target ATTRATTIVITA’Ind 1 Tasso di occupazione Mercato del lavoroInd 2 Tasso di disoccupazione Mercato del lavoroInd 3 Migrazione: (in-out)/popolazione*1000 Mercato del lavoroInd 4 Costo abitazione: Indice Prezzi Istat capitolo 4 Mercato del lavoroInd 5 PIL procapite Reddituale - fiscaleInd 6 V.A procapite Reddituale - fiscaleInd 7 Fatturato per impresa Reddituale - fiscaleInd 8 Inverso delta prezzi complessivi Reddituale - fiscaleInd 9 numero veicoli circolanti procapite Reddituale - fiscaleInd 10 (depositi+impieghi)/popolazione Reddituale - fiscaleInd 11 Consumi procapite Reddituale - fiscaleInd 12 Varianza redditi per scaglioni Reddituale - fiscaleInd 13 Varianza contribuenti per scaglioni Reddituale - fiscaleInd 14% Redditi bassi sul tot reddito Reddituale - fiscale


Ind 15 % imprese servizi alla persona su tot imprese Mercato del lavoroInd 16 % addetti imprese servizi alla persona su tot addetti Mercato del lavoroInd 17 %imprese servizi alla imprese su tot imprese ProduttivaInd 18 % addetti imprese servizi alle imprese su tot addetti ProduttivaInd 19 % aree dismesse su sup territoriale Mercato del lavoroInd 20 Arrivi turistici/popolazione Turistica Ind 21 Presenze turistiche/arrivi TuristicaInd 22 dotazione infrastrutture trasporto e logistiche su superficie; TuristicaInd 23 inverso rapporto veicoli dotazione rete viaria TuristicaInd 24 dotazione istituti scolastici (numero classi) e sanitari (numero posti letto) su popolazione Servizi e sicurezzaInd 25 addetti alle imprese ricreativo-culturali/superf. Servizi e sicurezzaInd 26 imprese attività ricreativo-culturali per 1000 abitanti Servizi e sicurezzaInd 27 sportelli bancari per 1000 abitanti Servizi e sicurezzaInd 28 reati per 1000 abitanti Servizi e sicurezza


Target EFFICIENZAInd 1 delta V.A. ProduttivaInd 2 V.A./ o addetti ProduttivaInd 3 Capacità produttiva utilizzata ProduttivaInd 4 % Popolazione Attiva su pop totale ProduttivaInd 5 gap maschi attivi /femmine attive ProduttivaInd 6 varianza classi di età pop attiva ProduttivaInd 7 % Popolazione occupatia su pop totale ProduttivaInd 8 gap maschi occupati /femmine occupati ProduttivaInd 9 varianza classi di età pop occupati ProduttivaInd 10 gap maschi/femmine tasso di disoccupazione ProduttivaInd 11 varianza classi di età tasso di disoccupazione ProduttivaInd 12 varianza addetti tra settori ProduttivaInd 13 varianza esportazioni tra settori ProduttivaInd 14 % fallimenti (o procedure concorsuali)/tot imprese; ProduttivaInd 15 % protesti su imprese Finanziaria


Ind 16 impieghi/depositi FinanziariaInd 17 costo medio del debito FinanziariaInd 18 accessibilita al credito FinanziariaInd 19 inverso di DELTA sofferenze FinanziariaInd 20 inverso di rapporto sofferenze/impieghi o depositi FinanziariaInd 21 saldo avviamenti-cessazioni ProduttivaInd 22 Successo formativo qualificati corsi di formazione profess a un anno dalla qualifica per qualifica professionale Domanda Offerta di lavoroInd 23 inverso di varianza (Apprendisti assunti attivi e formati per settore e qualifica e tipologia di formazione) rispetto ai settori e qualifiche Domanda Offerta di lavoroInd 24 matching % tra Professionalità richiestee somma laureati+diplomati per tipologia

Domanda Offerta di lavoroInd 25 numero associati/tot imprese del bacino GovernanceInd 26 inverso di rapporto consumi elett produttivo/ numero imprese ProduttivaInd 27 inverso di consumi elett residenziale/ numero persone ProduttivaInd 28 Inverso di numero veicoli/km rete viaria ProduttivaInd 29 Km/sup territoriale; InfrastrutturaleInd 30 (addetti/popolazione)/(km rete viaria+ferroviaria); InfrastrutturaleInd 31 impieghi/depositi Finanziaria


Target INNOVAZIONE

Ind 1 %fatturato (o prod) dei settori high tech sul totale fatturato SettoriInd 2 % imprese attive settori high tech sul totale SettoriInd 3 dimensione media imprese SettoriInd 4 % addetti delle imprese settori high tech sul totale addetti SettoriInd 5 % exp in aree high tech sul totale exp SettoriInd 6 %exp prodotti high tech sul totale exp; SettoriInd 7 %imp prodotti high tech sul totale imp; SettoriInd 8 % importazioni da aree high tech sul totale imp SettoriInd 9 (exp-imp) high tech SettoriInd 10 % popolazione 25-54; Capitale umanoInd 11 tasso dipendenza dai giovani Capitale umanoInd 12 % attiva su totale popolazione; Capitale umanoInd 13 % 25-54 sul totale attiva Capitale umano


Ind 14 % 25-54 su totale occupati Capitale umanoInd 15 % occupati con elevato titolo studio o mansione o contratto sul totale

Capitale umanoInd 16 % iscritti superiori/pop under 24 Capitale umanoInd 17 % diplomati superiori/pop Capitale umanoInd 18 % professionalità qualificate sul totale Capitale umanoInd 19 % spese formazione su V.A. provinciale Capitale umanoInd 20 % laureati/popolazione; % laureati facoltà high tech/laureati totali

Capitale umanoInd 21 Numero brevetti/n.imprese R&SInd 22 % Spese ricerca e sviluppo su V.A. R&SInd 23 Numero centri ricerca/superficie territoriale R&SInd 2 Numero addetti centri/popolazione R&SInd 25 Indice completezza e numero addetti filiere tecnologiche su addetti totali

R&S


L’aggregazione degli indicatori semplici in famiglie e in target

Utilizzando la logica degli indicatori compositi (metodologia dei modelli a fattori e delle componenti principali), gli indicatori semplici di base sono stati aggregati in Indicatori Sintetici relativi alle macro-famiglie e successivamente questi ultimi in Indicatori Sintetici relativi alle variabili target

Bibliografia

Amisano G. e Giannini C. (1997), “Topics in structural VAR Econometrics”, 2nd enlarged version New York: Springer-Verlag

Amisano G., Serati M. e Giannini C. (1997), “Tecniche BVAR per la costruzione di modelli previsivi mensili e trimestrali”, Temi di discussione del Servizio Studi, Banca d’Italia, No 302, Aprile.

Doan T., R.B. Litterman e C.Sims (1984): "Forecasting and conditional projections using realistic prior distributions", Econometric Reviews, 3, 1-100.

Forni, M., M. Hallin, M. Lippi and L. Reichlin (2003), “The generalized dynamic factor model: one-sided estimation and forecasting”, Journal of the American Statistical Association 100 830-40.

Litterman R.B. (1979): A Bayesian procedure for forecasting with vector autoregressions", Working paper, Massachusetts Institute of Technology.

Mardia, K. V., J. T. Kent, J. M. Bibby (1979), “Multivariate Analysis”, Academic Press, London-New York-Toronto-Sydney-San Francisco.

Sims C.A. (1980), “Macroeconomics and reality”, Econometrica, 48, 1-48. Theil H. e Goldberger A.S. (1961): "On pure and mixed statistical estimation in economics",

International Economic Review, 2, 65-78. Zellner A. (1962), “An efficient method of estimating seemingly unrelated regressions and tests

for aggregation bias”, Journal of American Statistical Association, 57, 348-368.

aspetti metodologici la costruzione degli indicatori · relative famiglie si basa sulla...

Documents