open data e acquisti della pubblica amministrazione: analisi delle università italiane
TRANSCRIPT
Open data e acquisti della pubblica amministrazione: analisi delle università italiane
MASTER UNIVERSITARIO IN GESTIONE AZIENDALE E SVILUPPO ORGANIZZATIVO (PEGASO) livello II anno 2013-‐2015
Project work di Francesco Cavazzana
1. Introduzione: i dati pubblicati per la legge 190/2012 ........................................................................................................... 3 2. Possibili utilizzi degli open data sugli acquisti ........................................................................................................................... 4 3. Dettaglio dei dati a disposizione: cosa c’è e cosa manca ........................................................................................................ 5 4. Obiettivi dell’analisi ............................................................................................................................................................................... 7 5. Dati analizzati ........................................................................................................................................................................................... 7 6. Modalità di lettura e preparazione dei dati per le analisi ...................................................................................................... 8 7. Principali problemi riscontrati nella raccolta dei dati ............................................................................................................ 9 8. Modalità di analisi dei dati ............................................................................................................................................................... 11 9. Analisi descrittiva degli acquisti nelle università .................................................................................................................. 11 10. Distribuzione degli acquisti per importo ................................................................................................................................ 15 11. Confronto con i Comuni .................................................................................................................................................................. 17 12. Le determinanti dei comportamenti di acquisto nelle università: le dimensioni ................................................. 20 13. Ci sono differenze tra nord, centro e sud? .............................................................................................................................. 28 14. Clustering per comportamento di acquisto ........................................................................................................................... 34 15. Concentrazione e rotazione dei fornitori ................................................................................................................................ 43 16. Analisi delle procedure utilizzate ............................................................................................................................................... 53 17. Considerazioni organizzative sul modello di acquisto nelle università .................................................................... 60 18. Impatto del MEPA nel modello di acquisto delle università ........................................................................................... 61
ALLEGATO A – ELENCO UNIVERSITA’ ANALIZZATE ......................................................................................................................... 62 ALLEGATO B – ELENCO COMUNI ANALIZZATI ..................................................................................................................................... 63
1. Introduzione: i dati pubblicati per la legge 190/2012 La LEGGE 6 novembre 2012, n. 190 “Disposizioni per la prevenzione e la repressione della corruzione e dell'illegalità nella pubblica amministrazione” definisce la trasparenza come uno degli strumenti principali per la prevenzione della corruzione. L’Art.1 c.15 prevede che “Ai fini della presente legge, la trasparenza dell'attività amministrativa, che costituisce livello essenziale delle prestazioni concernenti i diritti sociali e civili ai sensi dell'articolo 117, secondo comma, lettera m), della Costituzione, secondo quanto previsto all'articolo 11 del decreto legislativo 27 ottobre 2009, n.150, è assicurata mediante la pubblicazione, nei siti web istituzionali delle pubbliche amministrazioni, delle informazioni relative ai procedimenti amministrativi, secondo criteri di facile accessibilità, completezza e semplicità di consultazione, nel rispetto delle disposizioni in materia di segreto di Stato, di segreto d'ufficio e di protezione dei dati personali. Nei siti web istituzionali delle amministrazioni pubbliche sono pubblicati anche i relativi bilanci e conti consuntivi, nonché i costi unitari di realizzazione delle opere pubbliche e di produzione dei servizi erogati ai cittadini. Le informazioni sui costi sono pubblicate sulla base di uno schema tipo redatto dall'Autorità per la vigilanza sui contratti pubblici di lavori, servizi e forniture, che ne cura altresì la raccolta e la pubblicazione nel proprio sito web istituzionale al fine di consentirne una agevole comparazione.” La legge prevede obblighi di trasparenza molto ampi, che coprono tutti gli ambiti di attività della pubblica amministrazione, ma sicuramente con un’attenzione particolare agli aspetti che abbiano rilevanza economica: “16. Fermo restando quanto stabilito nell'articolo 53 del decreto legislativo 30 marzo 2001, n. 165, come da ultimo modificato dal comma 42 del presente articolo, nell'articolo 54 del codice dell'amministrazione digitale, di cui al decreto legislativo 7 marzo 2005, n. 82, e successive modificazioni, nell'articolo 21 della legge 18 giugno 2009, n. 69, e successive modificazioni, e nell'articolo 11 del decreto legislativo 27 ottobre 2009, n. 150, le pubbliche amministrazioni assicurano i livelli essenziali di cui al comma 15 del presente articolo con particolare riferimento ai procedimenti di: a) autorizzazione o concessione; b) scelta del contraente per l'affidamento di lavori, forniture e servizi, anche con riferimento alla modalita' di selezione prescelta ai sensi del codice dei contratti pubblici relativi a lavori, servizi e forniture, di cui al decreto legislativo 12 aprile 2006, n.163; c) concessione ed erogazione di sovvenzioni, contributi, sussidi, ausili finanziari, nonche' attribuzione di vantaggi economici di qualunque genere a persone ed enti pubblici e privati; d) concorsi e prove selettive per l'assunzione del personale e progressioni di carriera di cui all'articolo 24 del citato decreto legislativo n.150 del 2009.” In particolare, la legge prevede anche obblighi informativi specifici per quanto riguarda gli acquisti: “Con riferimento ai procedimenti di cui al comma 16, lettera b), del presente articolo, le stazioni appaltanti sono in ogni caso tenute a pubblicare nei propri siti web istituzionali:
• la struttura proponente; • l'oggetto del bando; • l'elenco degli operatori invitati a presentare offerte; • l'aggiudicatario; • l'importo di aggiudicazione; • i tempi di completamento dell'opera, servizio o fornitura; • l'importo delle somme liquidate.
Entro il 31 gennaio di ogni anno, tali informazioni, relativamente all'anno precedente, sono pubblicate in tabelle riassuntive rese liberamente scaricabili in un formato digitale standard aperto che consenta di analizzare e rielaborare, anche a fini statistici, i dati informatici. Le amministrazioni trasmettono in formato digitale tali informazioni all'Autorità per la vigilanza sui contratti pubblici di lavori, servizi e forniture, che le pubblica nel proprio sito web in una sezione liberamente consultabile da tutti i cittadini, catalogate in base alla tipologia di stazione appaltante e per regione. L'Autorità individua con propria deliberazione le informazioni rilevanti e le relative modalità di trasmissione.” La legge ha dunque definito uno specifico obbligo di trasparenza relativamente ai dati sugli acquisti delle pubbliche amministrazioni, prevedendo in particolare:
• un set minimo di informazioni obbligatorie • l’obbligo di pubblicarle annualmente sul sito web • l’utilizzo di un formato aperto e standard definito dall’autorità
L’Autorità per la vigilanza sui contratti pubblici di lavori, servizi e forniture (d’ora in poi AVCP, dal 23/06/2014 assorbita dall’Autorità Nazionale Anticorruzione d’ora in poi ANAC, o semplicemente Autorità), con Deliberazione n. 26 del 22/05/2013 e Comunicato del Presidente del 22 maggio 2013 ha definito le modalità operative di pubblicazione dei dati relativi agli acquisti. La modalità prevista dall’Autorità consiste in file strutturati nel formato standard aperto XML che soddisfino lo schema di definizione XSD datasetAppaltiL190 definito dalla stessa Autorit e reperibile a questi indirizzi:
• http://dati.avcp.it/schema/datasetAppaltiL190.xsd • http://dati.avcp.it/schema/datasetIndiceAppaltiL190.xsd • http://dati.avcp.it/schema/TypesL190.xsd
A seguito di tale legge dunque, a partire da dicembre 2012, tutti gli acquisti effettuati dalla pubblica amministrazione, indipendentemente dall’importo e dalla procedura di selezione del fornitore utilizzata, devono essere pubblicati secondo un formato di dati definito ed unico per qualsiasi ente.
2. Possibili utilizzi degli open data sugli acquisti La legge 190 mette a disposizione della cittadinanza una enorme mole di dati relativi agli acquisti che offrono numerose possibilità di utilizzo molto interessanti. La legge, oltre a prevedere la pubblicazione sul sito in forma visibile dagli utenti, prevede anche la pubblicazione dei dati in “tabelle riassuntive rese liberamente scaricabili in un formato digitale standard aperto che consenta di analizzare e rielaborare, anche a fini statistici, i dati informatici”. Tali “tabelle”, secondo quanto poi specificato dall’AVCP, si concretizzano in un formato XML definito da uno schema XSD. Questa previsione di legge è molto rilevante, perché i dati semplicemente pubblicati sui siti web dagli enti, ad esempio in tabelle PDF o anche in pagine web con relativi motori di ricerca, offrono dati utili solo per alcuni utilizzi specifici, ma non per altri. La semplice pubblicazione sul sito in forma leggibile agli utenti è utile soprattutto per ricerche mirate, ad esempio per sapere se uno specifico fornitore ha lavorato con una pubblica amministrazione, o se una pubblica amministrazione ha fatto acquisti specifici relativamente ad un particolare oggetto. Tale forma di pubblicazione risulta tuttavia inutile per analisi aggregate o confronti, sia perché spesso in forma non esportabile ed analizzabile, sia perché ogni ente pubblica le informazioni con modalità differenti, sia pur nel rispetto dei contenuti informativi minimi previsti dalla legge. Va tenuto conto che la numerosità degli acquisti anche di un singolo ente può essere molto elevata, nell’ordine anche delle decine di migliaia di righe annue; risulta quindi evidente come un sistema di pubblicazione leggibile dagli utenti, ma non gestibile in un formato standard con strumenti informatici, risulta del tutto inutile se non per ricercare informazioni puntali e specifiche. La previsione di pubblicare tali dati anche in un formato XML definito apre invece a possibilità molto interessanti. Sebbene tale formato possa risultare apparentemente inutile alla maggior parte dei visitatori dei siti degli enti pubblici, infatti si presenta come un formato illeggibile ai comuni programmi di produttività personale, in realtà esso consente di sviluppare specifici software in grado di analizzare tale enorme quantità di dati confrontando agevolmente i dati di diversi enti pubblici. I potenziali utilizzi di tali dati, a condizione di sviluppare specifici strumenti software per raccoglierli ed analizzarli, sono moltissimi e non si limitano alla prevenzione della corruzione, pur essendo un ottimo strumento in tal senso. Questa mole di dati può dare informazioni molto interessanti per il controllo della spesa pubblica: benchmark per gli operatori del settore, controllo diffuso sulla spesa pubblica da parte della cittadinanza, prevenzione della corruzione, ma anche analisi di mercato e confronto con i concorrenti per aziende fornitori della pubblica amministrazione. Il controllo diffuso da parte della cittadinanza, dei mezzi di informazione, ma soprattutto delle stesse imprese concorrenti, forse le più interessate a spendere risorse per analizzare i dati alla ricerca di possibili illeciti, è infatti uno strumento sicuramente utile a combattere e prevenire la corruzione. Per fare un esempio, si potrebbero analizzare i dati di un settore di enti pubblici analizzando i partecipanti alle diverse gare e gli RTI costituiti al fine di cercare potenziali comportamenti anticoncorrenziali di cartello.
Aggregare gli acquisti per fornitore e analizzare i primi per numero di acquisti ripetuti o per importo totale acquistato può essere molto utile, sia a fini di prevenzione della corruzione, ma forse ancor più per identificare possibili ambiti di aggregazione degli acquisti per migliorare efficacia, efficienza ed economicità. Da questi esempi di applicazione si capisce come l’analisi di tali dati può essere utile in primo luogo alle stesse pubbliche amministrazioni, anche solo dei dati relativi all’ente stesso, ad esempio per individuare e guidare le attività previste dal proprio piano anticorruzione. I dati si prestano tuttavia anche ad utilizzi differenti, ad esempio le imprese potrebbero utilizzare tali dati per ricerche di mercato e analisi di posizionamento, analizzando quali dei propri competitor hanno vinto appalti con quali enti pubblici, quanti e per quali importi. In questo modo un’impresa potrebbe identificare ambiti di mercato potenzialmente interessanti, oppure scoprire con quali enti lavorano i propri competitor, e quindi indirettamente conoscere quali enti possono essere interessati ai propri prodotti o servizi. Un altro possibile utilizzo di tali dati, che si cerca di approfondire nel presente lavoro, è l’analisi dei comportamenti di acquisto di specifici settori della pubblica amministrazione. Tale analisi può essere utile in primo luogo alle pubbliche amministrazioni stesse, consentendo di conoscere meglio i propri modelli di spesa e quelli degli enti più simili, al fine di identificare best practices e di perseguire il continuo miglioramento dell’efficacia ed efficienza del proprio operato.
3. Dettaglio dei dati a disposizione: cosa c’è e cosa manca Per identificare in modo preciso le possibilità di analisi dei dati è in primo luogo utile analizzare brevemente i dati previsti dallo schema identificato dall’ANAC. Di seguito si riportano i campi, o più precisamente tag XML, disponibili per ciascun singolo acquisto.
• Cig: Codice Identificativo Gara rilasciato dall’Autorità Si tratta di un codice univoco a livello nazionale che identifica l’acquisto.
• strutturaProponente: codice fiscale e denominazione Identifica per codice fiscale e denominazione la struttura proponente. Questa informazione si integra con il tag entePubblicatore che è previsto in una particolare sezione del file, comune a tutti gli acquisti contenuti, chiamata metadata. Tali informazioni potrebbero consentire analisi dettagliate degli acquisti fatti dalle diverse strutture organizzative, aree o dipartimenti, in cui è internamente diviso ciascun ente. Tuttavia, mancando una indicazione chiara su come tale divisione debba essere fatta, ciascun ente utilizza in modo differente questi campi, rendendo difficile una analisi dettagliata per sotto unità organizzative.
• Oggetto: Oggetto del lotto identificato dal CIG Si tratta della descrizione dell’acquisto. E’ una libera descrizione inserita dal compilatore, senza alcuna regola o linea guida. Non è inoltre prevista l’indicazione di una categoria merceologica o altre suddivisioni in merito all’oggetto, quindi rimane l’unica indicazione disponibile in merito all’oggetto dell’acquisto, ma difficilmente analizzabile automaticamente se non con strumenti avanzati di analisi semantica.
• sceltaContraente: Procedura di scelta del contraente Procedura utilizzata per la scelta del contraente, ad esempio affidamento diretto o gara aperta. Si tratta di una lista di valori predefinita e codificata dall’autorità, quindi facilmente analizzabile, almeno in teoria.
• partecipanti Per ciascuna azienda partecipante sono disponibili i tag: codiceFiscale, identificativoFiscaleEstero, ragioneSociale. E’ inoltre prevista una specifica struttura dati per descrivere i raggruppamenti di impresa (RTI) identificandone i singoli partecipanti e il ruolo ricoperto (mandante o mandataria). L’utilizzo del codice fiscale e la descrizione formalizzata degli RTI consente analisi puntuali relativamente agli operatori economici che partecipano alle gare di appalto. La definizione di legge, nonché il testo delle determinazioni e comunicazioni dell’Autorità, hanno tuttavia portato ad alcune difficoltà interpretative in merito a quali soggetti vadano indicati in questo tag.
In caso di gara aperta sembra infatti evidente che vadano elencati tutti gli operatori che hanno presentato un’offerta. In caso di gara ad inviti invece è inizialmente rimasto poco chiaro se andassero indicati tutti gli operatori invitati oppure solo quelli che avessero effettivamente presentato un’offerta. L’Autorità ha in seguito specificato nelle FAQ che si intendevano tutti gli operatori invitati, indipendentemente dal fatto che avessero o meno presentato un’offerta, tuttavia è lecito pensare che i diversi enti non abbiano tutti e fin da subito applicato tale criterio nella pubblicazione dei dati. Va anche considerato, in tal senso, che l’utilizzo del MEPA rende tale previsione non sempre di facile e ragionevole applicazione. Ad esempio se su MEPA si pubblica una RDO (giuridicamente una procedura di cottimo fiduciario, quindi una gara ad inviti) invitando tutti i fornitori iscritti a MEPA (migliaia in alcuni bandi) come sarebbe possibile indicarli in trasparenza? Del resto giuridicamente non sarebbe neppure possibile indicare tale procedura come gara aperta. Anche ipotizzando casi meno estremi (pur se non irrealistici, anzi comuni, dato che il MEPA prevede un’opzione per invitare tutti i fornitori), è possibile che per una procedura di acquisto magari da poche centinaia di euro vengano invitate anche decine di fornitori, dato che invitarli tramite MEPA è molto semplice e non costa molto tempo. Questo del resto è proprio uno dei principali vantaggi nell’utilizzo degli strumenti telematici di acquisto. A fronte di tale invito però, l’operatore della pubblica amministrazione si troverà poi a dover inserire sul proprio sistema informatico, ai fini della pubblicazione per la legge 190, decine di nomi e codici fiscali delle aziende invitate. Tale situazione piuttosto paradossale può portare o alla vanificazione dell’efficienza dell’utilizzo dello strumento telematico di acquisto, in quanto il tempo risparmiato nella procedura viene poi speso in questo inserimento dati, o, peggio ancora, nella diminuzione del numero di invitati, in quanto l’operatore sa che più ne invita più dovrà poi inserirne per la trasparenza. In questo senso la previsione di indicare solo le aziende che hanno effettivamente presentato offerta poteva forse risultare più funzionale sia all’efficienza della pubblica amministrazione che a prediligere una trasparenza sostanziale (invitare più imprese alle gare) rispetto ad una formale (pubblicare i nomi degli invitati). Va poi ulteriormente rilevato che il numero di offerte presentate è molto più significativo del numero di invitati per valutare l’effettiva apertura alla concorrenza dell’operato della pubblica amministrazione. Un numero di invitati anche grande, ma indifferenziato o addirittura scelto tra imprese che non forniscono i beni o servizi richiesti, sarebbe infatti fuorviante se non addirittura controproducente per una effettiva concorrenzialità. Un numero significativo di offerte ricevute dice invece di una corretta selezione degli invitati e di un capitolato che non limiti ad uno o a pochi gli effettivi possibili partecipanti. Potrebbe quindi essere forse preferibile, anche ai fini dell’anticorruzione e della trasparenza, conoscere il numero ed i nomi degli effettivi offerenti piuttosto che degli invitati.
• aggiudicatari L’aggiudicatario è identificato dai tag: codiceFiscale, identificativoFiscaleEstero, ragioneSociale. E’ inoltre prevista una specifica struttura dati per descrivere i raggruppamenti di impresa (RTI) identificandone i singoli partecipanti e il ruolo ricoperto (mandante o mandataria).
• importoAggiudicazione Importo di aggiudicazione al lordo degli oneri di sicurezza ed al netto dell’IVA.
• tempiCompletamento: dataInizio, dataUltimazione Tali dati dovrebbero dare le informazioni richieste dalla legge in merito ai tempi di completamento delle opere. Se tale previsione ha un significato evidente per i lavori, nell’ambito dei servizi e ancor più delle forniture non è sempre agevole identificarle. Inoltre, per acquisti di modico valore, non sempre le procedure organizzative ed informatiche sono predisposte per rilevare tali dati, rendendoli di difficile raccolta e dunque di difficile interpretazione per chi li voglia analizzare.
• importoSommeLiquidate: Importo complessivo dell’appalto al netto dell’IVA Si tratta dell’importo liquidato alla data di pubblicazione del dataset. Può dare informazioni in merito a importi liquidati maggiori dell’aggiudicato, in seguito ad esempio a varianti. A completamento dell’analisi delle singole informazioni disponibili è importante considerare alcune caratteristiche dei dati che tracciano i limiti delle possibili analisi da condurre. In primo luogo è importante rilevare che i dati analizzati sono relativi agli importi aggiudicati, non ai costi di competenza. Ad esempio se nel 2013 viene aggiudicata una gara per servizi di durata 5 anni, nel 2013 si vede l’importo degli interi 5 anni e negli anni successivi non si vede nulla relativamente a quel servizio.
Di conseguenza gli importi totali per anno di un ente non coincidono necessariamente con lo speso di quell’anno. E’ poi significativo tenere presente che i dati presentati riportano insieme beni, servizi e lavori, in quanto lo schema XML non prevede alcuna differenziazione per categoria merceologica.
4. Obiettivi dell’analisi Il presente lavoro si pone l’obiettivo di analizzare i dati sugli acquisti delle università statali italiane negli anni 2013 e 2014. I dati delle singole università saranno analizzati al fine di descrivere:
• la distribuzione degli acquisti per classe di importo • la concentrazione e rotazione dei fornitori • il tipo di procedure utilizzate, in particolare se competitive o no
Questi dati saranno confrontati con quelli di alcuni comuni di medio-‐grandi dimensioni, in modo da evidenziare eventuali caratteristiche peculiari dell’intero settore universitario. Si cercherà quindi di individuare le determinanti dei diversi comportamenti tra singole università con analisi di regressione rispetto ad alcune caratteristiche strutturali delle università esaminate.
5. Dati analizzati Sono stati analizzati i dati relativi a tutte le università statali italiane per le quali è stato possibile importarli. Si sottolinea che l’impossibilità ad importare i dati nell’ambito di questo lavoro non significa che gli obblighi di legge non siano stati correttamente adempiuti da parte degli enti qui non analizzati. L’elenco delle università statali è stato preso dal sito http://cercauniversita.cineca.it, mentre dal sito http://statistica.miur.it/scripts/personalediruolo/vdocenti0.asp sono stati rilevati i dati relativi al numero di docenti 2013 per ciascuna università. Sulla base di queste fonti sono stati identificati i siti web di 67 università. Per ciascuna università elencata è stato cercato l’indirizzo di pubblicazione dei dati XML previsti dalla legge 190/12 secondo il seguente percorso:
• Amministrazione trasparente • Bandi di gara e contratti
Infatti, come anche specificato dall’ANAC nella pagina di FAQ relativa agli adempimenti per la legge 190/12, le pubbliche amministrazioni “sono tenute a pubblicare le informazioni di cui all’art.1, comma 32, della legge n.190/2012 all’interno della sezione ‘Amministrazione trasparente’, sotto-‐sezione di primo livello ‘Bandi di gara e contratti’, prevista dall’allegato A del D.lgs. n.33/2013 e dall’allegato 1 della delibera CIVIT (ora A.N.AC.) n.50/2013.” Tali informazioni sono state successivamente integrate con i link agli XML pubblicati disponibili all’indirizzo https://dati.anticorruzione.it, relativi alle comunicazioni effettuate dagli enti a gennaio 2015, quindi nella maggior parte dei casi contenenti il link ai soli dati 2014. Partendo dall’elenco di 67 università è stato possibile importare i dati di 52 università ed in particolare:
• 38 università per il 2013 • 51 università per il 2014
L’elenco delle università analizzate è riportato nell’allegato A. Per le altre università non è stato trovato nella pagina sopra indicata un file XML conforme alle specifiche attese, sebbene nella quasi totalità dei casi fossero comunque disponibili i dati di trasparenza sugli acquisti. Tali dati erano però elencati in pagine web o esportabili in formato csv o in altri formati, non è invece stato trovato il formato XML secondo lo schema definito. In soli due casi è stato trovato un file XML redatto però secondo uno schema differente e quindi non utilizzabile. Si segnala che i dati 2013 dell’Università degli Studi di Brescia, Università degli Studi di Camerino, Università degli Studi del Salento e Università per Stranieri di Siena, pur se pubblicati nel corretto formato XML, non sono
stati ricompresi nella presente analisi in quanto relativi ai soli acquisti di importo superiore ai 40.000 €, dunque non confrontabili con i dati delle altre università. Per realizzare un confronto con un diverso settore della pubblica amministrazione, sono stati analizzati anche i dati relativi ai comuni capoluogo di provincia della Lombardia. Su 12 capoluoghi è stato possibile importare i dati di:
• 7 comuni per il 2013 • 10 comuni per il 2014
L’elenco dei comuni analizzati è riportato nell’allegato B. Complessivamente sono stati raccolti e analizzati:
• 30.087 file XML • 528.308 acquisti • 3.385.155.669,13 € di importo totale • 76.691 aziende partecipanti
Va infine evidenziato come molti degli enti analizzati mostrino un cambiamento nelle modalità di pubblicazione dei dati tra il 2013 e il 2014. Ad esempio in alcuni casi i link presenti sui siti istituzionali per i due periodi portano a sottodomini differenti, oppure si riscontra un cambiamento di numerosità degli acquisti censiti nell’ordine di 10 volte tanto, o ancora semplicemente dettagli nella compilazione degli XML fanno pensare che le modalità di compilazione siano cambiate tra i due periodi. Dato che la pubblicazione dei dati 2013 è stata predisposta tra giugno 2013 e gennaio 2014, quando già i dati degli acquisti di quasi tutto l’anno erano stati inseriti nei programmi gestionali, le amministrazioni hanno dovuto predisporre modalità di esportazione ex post. Al contrario per il periodo 2014 le modalità di esportazione erano conosciute fin dal principio e si sono dunque potute implementare soluzioni informatiche più strutturate, sia grazie al maggior preavviso che alla possibilità di inserire fin da subito tutti i dati richiesti per la pubblicazione. Ciononostante, va rilevato che non sempre la qualità dei dati 2014 è migliore di quella 2013, come sarebbe lecito aspettarsi.
6. Modalità di lettura e preparazione dei dati per le analisi Al fine di poter condurre le analisi descrittive e di regressione previste, è stato in primo luogo necessario leggere i dati contenuti nei file XML e riportarli in un database. La lettura dei file XML è stata realizzata mediante uno script, scritto in linguaggio Python e con l’utilizzo della libreria open source genropy, in grado di scaricare un file XML indice specificato e da esso ricavare gli url di tutti i file XML con i dati di uno specifico ente (in alcuni casi migliaia per singolo ente). Lo script quindi scarica i singoli file ed effettua il parsing dell’XML, ottenendo delle strutture dati interrogabili gerarchicamente che replicano esattamente la struttura del file XML. I dati del singolo acquisto vengono letti ed analizzati, effettuando alcune operazioni di normalizzazione meglio descritte nel prossimo paragrafo, poi scritti in un database. Tutte queste operazioni sono state parallelizzate con tecniche di multiprocessing per velocizzare l’importazione, in particolare di alcuni indici che puntano a migliaia di file contenenti a volte un solo acquisto. Per raccogliere i dati è stato predisposto un database relazionale SQL, utilizzando il database open source PostgreSQL, la cui struttura è riportata nella seguente figura.
7. Principali problemi riscontrati nella raccolta dei dati Nella lettura dei file XML dei diversi enti si sono riscontrati diversi problemi relativi al formato dei file o alle metodologie e convenzioni adottate nella scrittura dei dati. In primo luogo si sono riscontrati problemi puramente formali, per cui il file XML risultava non corretto, pur se contenente tutti i dati in forma corretta. Ad esempio tutti i dati devono essere contenuti, secondo lo schema dettato dall’Autorità, in un tag chiamato “legge190:pubblicazione”: tuttavia alcuni file riportano tag con nomi differenti, quali ad esempio 'ns2:pubblicazione' o 'leg:pubblicazione'. Occasionalmente sono stati riscontrati anche altri tag scritti in modo non corretto, che sono stati corretti in sede di importazione. Parimenti sono stati identificati diversi errori ricorrenti nella formattazione di numeri e date: ad esempio riportando il simbolo di € nei numeri o utilizzando la virgola come separatore decimale anziché il punto come previsto dallo schema dell’Autorità. Ove possibile anche questi errori sono stati corretti in sede di importazione. Una difficoltà riscontrata, ben più sostanziale, è stata quella di identificare correttamente l’anno di riferimento per i singoli acquisti. Esistono due diverse fonti per l’anno di riferimento: i metadati del singolo file XML e i metadati del file di indice che elenca tutti i file XML dell’ente. Tuttavia tali dati spesso non sono coerenti, sono assenti, o palesemente sono errati (ad esempio nel link sul sito si indica il file con i dati 2014, il nome del file riporta 2014, ma nei metadati l’anno di riferimento è 2013), in un caso addirittura nel tag dell’anno di riferimento è riportato un valore negativo. E’ stato quindi necessario introdurre diversi correttivi per riportare correttamente l’anno di riferimento al singolo acquisto, considerando gli anni riportati nell’indice e nei singoli file per determinare l’anno corretto e in alcuni casi forzandoli manualmente sulla base delle indicazioni leggibili sul sito web dell’Ente.
dati190_area
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTdenominazione TEXTente_id TEXT
dati190_acquisto
__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTcig CHARACTER VARYING(100)oggetto TEXTdata_inizio DATEimporto NUMERICdeserta BOOLEANtipo_procedura_id TEXTente_id TEXTarea_id TEXTdb_xml_id TEXTanno_riferimento NUMERIC
dati190_db_xml
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTente_id TEXTurl TEXTindex_id CHARACTER VARYING(100)titolo TEXTanno_riferimento NUMERICultimo_aggiornamento DATEultimo_check TIMESTAMP(6) WITHOUT TIME ZONEsorgente_xml TEXT
dati190_ente
__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTcodice_fiscale CHARACTER VARYING(100)denominazione TEXTtipo_ente_id TEXT
dati190_tipo_procedura
__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTcodice TEXTdescrizione TEXTcompetitiva BOOLEAN
dati190_aggiudicatario
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTfornitore_id CHARACTER VARYING(100)acquisto_id CHARACTER VARYING(100)rti BOOLEAN
dati190_fornitore
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTcodice_fiscale CHARACTER VARYING(100)denominazione TEXT
dati190_tipo_ente
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTdescrizione TEXTordine INTEGER
dati190_fonte_xml
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTente_id TEXTurl TEXTultimo_aggiornamento DATEultimo_check TIMESTAMP(6) WITHOUT TIME ZONE
dati190_partecipante
id CHARACTER(22)__ins_ts TIMESTAMP(6) WITHOUT TIME ZONE__del_ts TIMESTAMP(6) WITHOUT TIME ZONE__mod_ts TIMESTAMP(6) WITHOUT TIME ZONE__ins_user TEXT__mod_user TEXTfornitore_id CHARACTER VARYING(100)acquisto_id CHARACTER VARYING(100)
In altre situazioni l’anno di riferimento riportato nel file non era utilizzabile in quanto il file raggruppava insieme più anni: in questi casi l’anno di riferimento è stato ricavato dalla data di inizio lavori. Nonostante le analisi fatte e i correttivi apportati, l’anno di riferimento rimane un dato poco affidabile e di difficile determinazione: ad esempio alcuni enti riportano i medesimi acquisti (CIG) in diversi file relativi ad anni diversi. In questo caso è stata garantita la non duplicazione del dato, in quanto il CIG deve essere sempre un dato univoco quindi un nuovo acquisto con il medesimo CIG sovrascrive il precedente. L’anno di riferimento tuttavia in queste situazioni non è sempre correttamente deducibile. Sono stati riscontrati altri errori nella compilazione dei file XML come ad esempio lo slittamento dei tag, per cui sistematicamente i dati di un tag venivano inseriti nel tag successivo: in questi casi di ripetizione sistematica dell’errore è stato possibile identificare manualmente lo schema dell’errore e correggerlo prima di inserire i dati nel database. Si sono rilevate anche scelte di compilazione dei file xml che è stato necessario correggere per riportare il dato ad una forma confrontabile con le altre università. Ad esempio alcuni enti hanno compilato solo il tag importoSommeLiquidate e non il tag importoAggiudicazione: in questi casi si è assunto che l’importo di aggiudicazione fosse coincidente con l’importo liquidato. In altri casi si sono riscontrati più acquisti di un unico fornitore (un elenco di cig differenti) riportati in un unico tag: in questo caso i cig sono stati divisi in più acquisti, supponendo una divisione dell’importo in parti uguali per ciascun cig. Sono stati rilevati in alcuni casi importi inseriti senza il separatore decimale, dunque moltiplicati per 100. A seguito di verifica manuale dei singoli CIG sul sito http://portaletrasparenza.avcp.it gli importi sono stati corretti in fase di importazione. Tale verifica però, dovendo essere effettuata manualmente su tale sito web, è stata possibile solo per pochi CIG di importo molto rilevante, tale da portare a risultati palesemente anormali in sede di analisi aggregata degli importi dell’intera università (acquisti che figuravano da decine di milioni di €, portando il totale degli acquisti di una università a decuplicare rispetto al valore reale). Una tipologia di errore piuttosto comune, riscontrata nei file di molti enti, è una saltuaria incoerenza dei dati relativi ai partecipanti e all’aggiudicatario. Ad esempio capita a volte che l’aggiudicatario non figuri tra i partecipanti: nel qual caso in sede di importazione è stato aggiunto ai partecipanti. Viceversa sono state riscontrati numerosissimi acquisti per cui viene indicato un solo partecipante e nessun affidatario, e che tuttavia non sembrano relativi a procedure deserte, perché sono indicate le somme aggiudicate: in questo caso l’unico partecipante è stato assunto come aggiudicatario. Relativamente all’importazione delle ditte partecipanti e aggiudicatarie, va rilevato che in molti casi non viene indicato il codice fiscale: in sede di importazione è quindi stato necessario utilizzare come chiave per identificare il fornitore sia il codice fiscale, primariamente, sia, in mancanza, la denominazione. Un’altra segnalazione importante relativa ai fornitori, per cui non è stato possibile però apportare alcun correttivo, è che alcuni enti hanno inserito partecipanti fittizi per indicare l’invito di molte ditte, in particolare per procedure di RDO MEPA. Ad esempio sono stati inseriti fornitori fittizi che hanno come denominazione “Aziende invitate MEPA numero:10" o similari. Tale scelta, pur comprensibile in ottica di sveltimento delle operazioni di pubblicazione dei dati per l’ente, ha reso molto difficoltosa e sicuramente più limitata l’analisi degli invitati alle procedure di acquisto. La stessa identificazione dell’ente di riferimento in alcuni casi non è stata agevole. Infatti, purtroppo, lo schema dell’autorità non prevede l’indicazione del codice fiscale nei metadati dei file, ma soltanto una descrizione generica dell’ente pubblicatore. Lo schema, in letterale esecuzione della previsione di legge, prevede invece che il codice fiscale dell’ente (struttura proponente) sia riportato per ogni singolo acquisto. Accade così che in alcune righe di acquisto il codice fiscale sia riportato in modo non corretto, ad esempio elidendo degli zeri iniziali, oppure che in alcune righe sia riportato il codice fiscale dell’ente ed in altre la partita iva (differente). Tramite una analisi manuale di queste incoerenze si è cercato di identificare gli errori ripetuti per correggerli in sede di importazione. Probabilmente sarebbe stato più funzionale prevedere nello schema l’indicazione del codice fiscale dell’ente solo in testata dei file, mentre per singola riga acquisto potrebbe essere indicato non più l’ente, ma la sotto struttura organizzativa che ha gestito l’acquisto (servizio, area, dipartimento, ecc…), cosa che peraltro molti enti fanno, ma con modalità differenti l’uno dall’altro, mancando una chiara indicazione.
Infine va rilevato che il tag sceltaContraente, pur essendo molto ben specificato dall’Autorità che ha fornito un preciso elenco di valori che esso può assumere, è stato in molti casi utilizzato in modo errato. In primo luogo non sempre sono stati utilizzati i codici forniti dall’Autorità, per cui è stato necessario ricodificare i valori riportati per renderli omogenei. Ad esempio sono state riportate al codice “'23-‐AFFIDAMENTO IN ECONOMIA -‐ AFFIDAMENTO DIRETTO” tutte le seguenti diciture: "affidamanto diretto", "affidamento in ecomia", "affidamento in economia", "affidamento servizio in economia", "in economia". Oltre a problemi meramente formali, si riscontra una difficoltà degli operatori ad individuare correttamente la tipologia di acquisto. Ad esempio si riscontrano, sia pur con numerosità poco significative, casi palesemente impossibili come procedure aperte effettuate per poche centinaia di euro. Per tali casi non è stato possibile tuttavia alcun correttivo, in quanto si trattava di sospetti errori, ma non sarebbe stato corretto modificare i dati non conoscendo la reale procedura seguita. In un caso tuttavia si è deciso di adoperare una correzione forzata ai dati al fine di renderli confrontabili tra i diversi enti per quanto possibile, ovvero nel caso di RDO MEPA. La RDO (Richiesta di Offerta) effettuata tramite il MEPA (Mercato Elettronico della Pubblica Amministrazione di CONSIP spa) è, come peraltro esplicitato sul sito MEPA stesso, una procedura di cottimo fiduciario. Tuttavia, proprio grazie ai vantaggi dell’utilizzo di un mercato elettronico, tale procedura viene frequentemente svolta non da addetti dell’ufficio gare dell’ente, avvezzi a riconoscere e nominare correttamente le diverse procedure di acquisto, ma da addetti amministrativi, contabili, in alcuni casi anche da tecnici o direttamente da docenti, quindi da utenti meno abituati al gergo delle gare d’appalto di importi elevati. Quindi, in merito alle RDO, si è riscontrata l’indicazione di diverse procedure con convenzioni diverse da ente ad ente se non addirittura per singola riga. Si è quindi cercato di rendere confrontabili questi dati con la convenzione di attribuire forzatamente il codice procedura '08'-‐AFFIDAMENTO IN ECONOMIA -‐ COTTIMO FIDUCIARIO' a tutti gli acquisti che nell’oggetto riportassero la parola “RDO”.
8. Modalità di analisi dei dati I dati raccolti nel database postgresql sono stati analizzati tramite uno script appositamente realizzato in linguaggio python utilizzando le librerie scipy e numpy per l’analisi numerica e statistica. Ulteriori analisi sono state realizzate utilizzando il linguaggio statistico R, integrato con lo script python tramite la libreria rpy2. I risultati delle analisi, sia numerici che grafici, sono scritti in un foglio excel realizzato tramite la libreria xlsxwriter. La realizzazione di uno script per l’analisi dei dati ha consentito di ripetere molteplici volte l’analisi dei dati, ad esempio nella fase iniziale del lavoro utilizzando solo i dati 2013, dato che i dati 2014 non erano ancora disponibili, e in seguito ricalcolando le analisi per entrambi gli anni. Inoltre questa modalità realizzativa ha consentito di variare con molta flessibilità gli ambiti di analisi in termini di importo dei singoli acquisti: è stato infatti reso parametrico il range di importo dei singoli acquisti da considerare, consentendo di avere in breve tempo fotografie specifiche di tutti gli enti, limitate ad esempio ai micro acquisti, oppure considerando tutti gli acquisti che richiedono gara, ecc…
9. Analisi descrittiva degli acquisti nelle università La tabella seguente riporta i principali dati dimensionali analizzati per le università.
TOTALE Università 2013 TOTALE Università 2014
Numero università analizzate 38,00 51,00
Numero docenti 35.023,00 43.030,00
Numero acquisti totale 222.666,00 283.479,00
Importo acquisti totale 792.922.368,98 1.135.543.218,93
Numero acquisti/docente 5,10 6,50
Importo acquisti/docente 18.178,79 26.033,82
min 0,00 -585,10
max 20.061.000,00 46.825.234,00
media 3.561,04 4.005,74
mediana 445,16 475,60
deviazione standard 86.774,80 142.860,54
coefficiente di variazione 24,37 35,66 Da questa primi indicatori risulta immediatamente rilevante come gli importi medi degli acquisti siano particolarmente bassi, addirittura la mediana evidenzia come metà degli acquisti siano di valore inferiore a 450 € circa. Per approfondire questo valore si procede con il calcolo dei percentili del numero di acquisti per valore e con il calcolo della concentrazione del valore degli acquisti. Percentili su numero acquisti 2013 2014 range interquartile 1.040,79 1.058,88
5%: <= 24,99 36,36
25%: <= 169,21 190,32
50%: <= 445,16 475,60
75%: <= 1.210,00 1.249,20
95%: <= 6.734,23 7.200,00
Concentrazione del valore 2013 2014
5% del valore dato da % acquisti 0,00 % 0,00 %
25% del valore dato da % acquisti 0,02 % 0,01 %
50% del valore dato da % acquisti 0,25 % 0,21 %
75% del valore dato da % acquisti 3,86 % 3,26 %
95% del valore dato da % acquisti 35,41 % 34,43 % Tali dati evidenziano in modo inequivocabile l’estrema rilevanza dei micro acquisti nelle università: si noti come il 75% degli acquisti effettuati sia di valore inferiore ai 1.250 € in entrambi i periodi considerati e addirittura il 95% di valore inferiore ai 7.200 €. Lo stesso fenomeno si può apprezzare, al contrario, osservando la concentrazione del valore degli acquisti: il 75% del valore acquistato è concentrato in meno del 4% delle procedure di acquisto. Va notato tuttavia che questa media è il risultato di realtà in parte differenti: la seguente tabella mostra i valori minimi e massimi tra le varie università rispetto alle principali grandezze fin qui analizzate.
Università 2013 min max Università 2014 min max
Numero docenti 35.023 12 3.734 43.030 12 3.734
Numero acquisti totale 222.666 432 36.931 283.479 108 29.423
Importo acquisti totale 792.922.368,98 304.561,93 144.763.796,14 1.135.543.218,93 414.003,89 81.934.978,15
Numero acquisti/docente 5,10 0,94 36,00 6,50 0,35 41,92
Importo acquisti/docente 18.178,79 2.702,26 74.620,51 26.033,82 1.756,28 214.412,50
media 3.561,04 705,00 22.444,24 4.005,74 823,07 44.007,94
mediana 445,16 250,00 1.822,75 475,60 239,80 2.131,01
75%: <= 1.210,00 700,29 8.976,00 1.249,20 662,28 4.855,50
75% del valore dato da % acquisti 3,86 0,12 26,16 3,26 0,00 25,93
I seguenti grafici mostrano il posizionamento di tutte le università analizzate per numero di acquisti e per importo speso complessivo. Le linee verticali mostrano le medie complessive di settore. Distribuzione università 2013
Distribuzione università 2014
I grafici mostrano una certa dispersione ed anche una variabilità tra i due anni, si noti che la scala relativa agli importi è quasi doppia nel 2013 rispetto al 2014.
Tuttavia questa variabilità è molto probabilmente dovuta principalmente alla natura dei dati analizzati, che come illustrato rappresentano valori aggiudicati, non spesi. Quindi la costruzione ad esempio di un nuovo edificio, evento evidentemente straordinario e di portata pluriennale, può per un singolo anno spostare drasticamente al posizionamento di una specifica università. Di seguito sono riportati i medesimi grafici, riferiti però solo agli acquisti di valore inferiore a 207.000 €, ovvero alla soglia per l’acquisto in economia di beni e servizi, quindi una soglia di importo per cui si può immaginare che l’orizzonte di spesa sia per lo più ordinario ed annuale. Questi secondi grafici, molto più concentrati intorno alla bisettrice e simili tra i due anni, confermano che la variabilità nel posizionamento delle singole università è determinato per lo più dal casuale scadere di un grosso contratto pluriennale nell’anno di analisi o da investimenti immobiliari. Distribuzione università 2013 – acquisti di valore < 207.000 €
Distribuzione università 2014 – acquisti di valore < 207.000 €
Provando quindi a concentrare l’attenzione sugli acquisti sotto i 207.000 €, in modo da neutralizzare eventuali effetti dovuti a gare pluriennali o investimenti straordinari, la tabella seguente mostra la distribuzione degli acquisti per importo. ANALISI QUARTILI 1€ -207.000 € 2013 2014
Numero acquisti 221.273,00 281.550,00
Totale aggiudicato 437.509.467,32 598.885.681,98
Numero acquisti/docente 5,07 6,45
Totale aggiudicato/docente 10.030,48 13.730,24
min 1,00 1,00
max 206.872,71 206.870,25
media 1.977,24 2.127,10
mediana 448,32 479,25
deviazione standard 8.244,38 8.815,47
coefficiente di variazione 4,17 4,14
Percentili su numero acquisti
range interquartile 1.038,00 1.055,50
5%: <= 27,50 40,00
25%: <= 172,00 194,50
50%: <= 448,32 479,25
75%: <= 1.210,00 1.250,00
95%: <= 6.581,76 7.000,00
Concentrazione del valore
5% del valore dato da % acquisti 0,05 % 0,06 %
25% del valore dato da % acquisti 0,53 % 0,53 %
50% del valore dato da % acquisti 2,83 % 2,68 %
75% del valore dato da % acquisti 12,76 % 12,27 %
95% del valore dato da % acquisti 48,88 % 49,44 % Anche in questo contesto si conferma come i piccoli importi rappresentino la quasi totalità degli acquisti per numero, addirittura il 95% è di valore inferiore a 7.000 €. Tuttavia anche in questo caso, pur limitando l’importo massimo degli acquisti considerati e quindi escludendo le gare di importo elevato, si conferma come gli importi siano molto concentrati: il 50 % del valore è dato da meno del 3% degli acquisti e il 75 % del valore da meno del 13 % del numero.
10. Distribuzione degli acquisti per importo Si procede ad analizzare la distribuzione degli acquisti per classi di importo. Per definire le classi di importo si utilizzano le soglie definite dalla legge per l’acquisto di beni e servizi:
• Oltre 207.000 €: soglia di rilevanza europea e obbligo di effettuare procedure di gara aperta o ristretta • Tra 40.000 e 207.000 €: possibilità di effettuare procedure di acquisto in economia (cottimo fiduciario)
invitando almeno 5 operatori economici • Tra 2.000 e 40.000 €: possibilità di effettuare affidamento diretto • Sotto i 2.000 €: tale soglia non ha nessuna particolare rilevanza normativa, ma è stata selezionata per
analizzare specificatamente i micro acquisti, differenziandoli da acquisti sempre potenzialmente in affidamento diretto, ma di importo più significativo.
2013 2014
Importo acquisti 1-2000 92.536.708,95 121.501.677,23
Importo acquisti 2000-40000 230.611.010,64 305.445.769,22
Importo acquisti 40000-207000 114.361.747,73 171.938.235,54
Importo acquisti > 207000 355.412.808,56 536.659.556,65
Distribuzione importo acquisti Numero acquisti 1-2000 185.548,00 234.942,00
Numero acquisti 2000-40000 34.428,00 44.605,00
Numero acquisti 40000-207000 1.297,00 2.003,00
Numero acquisti > 207000 310,00 440,00
Distribuzione numero acquisti
Nei grafici successivi sono messi a confronto la distribuzione degli importi, evidenziando la notevole sproporzione esistente tra la distribuzione in numero degli acquisti e quella per importo. Distribuzione numero acquisti / importo acquisti – Università 2013
Distribuzione numero acquisti / importo acquisti – Università 2014
11. Confronto con i Comuni Si è voluto confrontare i dati emersi dall’analisi del settore universitario con un campione di enti di un altro settore, in particolare comuni di medio grande dimensione. ANALISI QUARTILI 2013 2014 Numero acquisti 6.010,00 10.776,00 Totale aggiudicato 718.149.878,16 702.133.346,08 min 0,00 -1.229,00 max 173.378.149,00 74.344.160,02 media 119.492,49 65.157,14 mediana 1.997,29 2.238,50 deviazione standard 2.893.208,64 952.710,42 coefficiente di variazione 24,21 14,62 Fin dai primi dati aggregati si vede una differenza notevole tra i due settori: a fronte di un importo speso totale di dimensione paragonabile, in particolare nel 2013 piuttosto simile, il numero di acquisti delle università è oltre trenta volte più grande di quello dei comuni. I valori di media dei comuni, per estremamente differenti nei due anni, risultano sicuramente significativi e ben lontani dai 3.500-‐4.000 € delle università. Altrettanto significativa la differenza tra le mediane dei due settori: la mediana dei comuni è oltre 5 volte più alta di quella nelle università, e si avvicina quasi ai valori di media delle università. Percentili su numero acquisti 2013 2014 range interquartile 9.442,00 € 9.618,55 € 5%: <= 110,98 € 46,53 € 25%: <= 558,00 € 574,46 € 50%: <= 1.997,29 € 2.238,50 € 75%: <= 10.000,00 € 10.193,01 €
95%: <= 214.771,71 € 130.072,12 €
Concentrazione del valore 2013 2014 5% del valore dato da % acquisti 0,00 % 0,00 % 25% del valore dato da % acquisti 0,02 % 0,05 % 50% del valore dato da % acquisti 0,07 % 0,33 % 75% del valore dato da % acquisti 1,11 % 1,88 % 95% del valore dato da % acquisti 9,28 % 14,78 % L’analisi dei quartili conferma quanto emerso dall’analisi dei dati aggregati: i quartili dei comuni sono sfalsati rispetto a quelli delle università di un intero quartile: ad esempio i comuni hanno il primo quartile intorno a 550 € mentre le università hanno il secondo quartile intorno a 450 €. La concentrazione del valore da invece un segnale opposto: nonostante gli importi medi degli acquisti nei comuni sia decisamente più importante che nelle università, allo stesso tempo la concentrazione del valore è molto più spinta, addirittura il 95% del valore è dato dal 9-‐15% del numero di acquisto (contro il 35% circa delle università). Questo si può probabilmente spiegare da un lato con l’importanza di alcuni lavori e dall’altra con la sproporzione tra le dimensioni del comune di Milano rispetto agli altri comuni.
Comuni 2013 min max Comuni 2014 min max
Numero acquisti totale 6.010 31 2.929 10.776 316 3.695
Importo acquisti totale 718.149.878,1
6 1.466.468,6
8 600.739.308,2
8 702.133.346,0
8 19.335.011,6
1 358.762.310,3
2
media 119.492,49 10.951,35 625.138,55 65.157,14 28.491,64 105.349,86
mediana 1.997,29 1.092,97 109.800,00 2.238,50 0,00 7.500,00
75%: <= 10.000,00 3.840,00 325.025,00 10.193,01 7.778,92 29.954,13 75% del valore dato da % acquisti 1,11 0,85 33,33 1,88 0,00 10,76
La tabella precedente mette in evidenza appunto la grande sproporzione esistente tra i diversi comuni e anche la grande variabilità tra i due anni analizzati. Anche in questo caso risulta evidente come l’impatto di grandi investimenti operati in un particolare anno da alcuni comuni sia in grado di spostare significativamente tutti i valori. Distribuzione numero acquisti / importo acquisti – Comuni 2013
Distribuzione numero acquisti / importo acquisti – Comuni 2014
Il confronto diretto tra numero di acquisti per classe di importo e importo cumulato mostra una situazione estremamente differente da quella mostrata dalle università. Il numero di micro acquisti, pur se importante, è quasi la metà che nelle università e il numero di acquisti > 40.000 € supera il 10%, contro circa l’1% delle università. Guardando gli importi si nota come il peso % dei micro acquisti sia sostanzialmente irrilevante, mentre nelle università pesa oltre il 10%. Inoltre nei comuni l’importo degli acquisti < ai 207.000 € pesa circa il 15% contro il 55% delle università. Se si pensa che il MEPA è utilizzabile per beni e servizi di importo < 207.000 €, pur tenendo conto che si tratta di una stima per eccesso perché non tutte le categorie merceologiche sono comprese in MEPA, si rileva come l’obbligo di utilizzo di MEPA potenzialmente impatta fino al 55% del valore degli acquisti in università, mentre sicuramente meno del 15% nei comuni. Di seguito si riportano i principali valori limitando l’analisi alla classe di importo 1 – 207.000 €. ANALISI QUARTILI Comuni 1 – 207.000 € 2013 2014 Numero acquisti 5.632,00 9.999,00 Totale aggiudicato 70.169.709,40 120.838.394,25 min 1,00 1,10 max 203.427,82 206.875,00 media 12.459,11 12.085,05 mediana 1.780,00 2.250,00 deviazione standard 30.393,95 27.576,88 coefficiente di variazione 2,44 2,28
Percentili su numero acquisti range interquartile 6.953,23 8.522,96
5%: <= 135,00 139,00 25%: <= 549,00 650,00 50%: <= 1.780,00 2.250,00 75%: <= 7.502,23 9.172,96 95%: <= 74.895,14 65.156,41
Concentrazione del valore
5% del valore dato da % acquisti 0,30 0,30 25% del valore dato da % acquisti 1,78 1,86 50% del valore dato da % acquisti 4,71 5,45 75% del valore dato da % acquisti 11,68 14,40 95% del valore dato da % acquisti 37,94 42,54 Limitando l’analisi agli acquisti che rientrano sotto la soglia dell’affidamento in economia (per beni e servizi, pur ricordando che tra gli acquisti analizzati sono ricompresi anche i lavori e non è possibile scorporarli), si nota come la dimensione media e mediana rimangono molto elevate rispetto alle università, valutazione che anche l’analisi dei percentili conferma. L’analisi di concentrazione conferma nuovamente una maggiore concentrazione degli acquisti nei comuni rispetto alle università, anche se in misura molto più blanda di quanto visto considerando gli acquisti di qualsiasi importo.
12. Le determinanti dei comportamenti di acquisto nelle università: le dimensioni Per ricercare le possibili determinanti dei diversi comportamenti di acquisto delle università sono state effettuate analisi di regressione rispetto ad alcune grandezze di riferimento. In primo luogo è stata considerata la dimensione delle università, misurata sulla base del numero di docenti strutturati. Le università sono state suddivise in 4 categorie dimensionali così definite: Numero di docenti Numero di università 2013 Numero di università 2014 (0,500] 13 21 (500,1000] 14 16 (1000,1500] 5 7 (1500,4000] 6 7 Le seguenti analisi sono svolte considerando solo gli acquisti tra 1 e 207.000 €, salvo dove diversamente specificato, in modo da neutralizzare gli effetti distorsivi dati da grandi appalti non ripetitivi, ma concentrando l’attenzione sulle modalità di gestione degli acquisti ordinari e ripetitivi. Per le classi dimensionali sopra specificate, si riporta il valor medio del totale per università degli acquisti di importo inferiore a 207.000 €. Media dell’importo complessivo acquisti < 207.000 € -‐ 2013
(0,500] (500,1000] (1000,1500] (1500,4000] 3.210.838 7.957.346 14.121.268 35.626.565
Media dell’importo complessivo acquisti < 207.000 € -‐ 2014
(0,500] (500,1000] (1000,1500] (1500,4000] 3.568.063 9.152.232 19.919.571 34.011.952
In primo luogo si è cercato di verificare se esiste una correlazione tra la dimensione delle università e l’importo medio degli acquisti:
Distribuzione importo medio acquisti 2013
Distribuzione importo medio acquisti 2014
Dalle analisi risulta una pendenza leggermente negativa, ma non significativa con un pvalue > 0,05. Non si può quindi affermare con certezza che all’aumentare delle dimensioni delle università l’importo medio diminuisca, tuttavia osservando il grafico risulta evidente come tra le università più piccole vi siano comportamenti molto differenziati, anche estremi, mentre le università più grandi si concentrano su valori più vicini alla media di settore. Distribuzione importo mediano acquisti 2013
Distribuzione importo mediano acquisti 2014
L’analisi di correlazione tra dimensione e mediana rende risultati equivalenti a quelli sulla media, con una pendenza non significativa, con un pvalue > 0,05. Ciò che viene confermato è la più grande varietà di comportamenti negli atenei con meno di 1000 docenti, mentre i più grandi anche per la mediana si concentrano su valori vicini alla media di settore. Il fatto che questo comportamento sia confermato per la mediana, e non solo per la media, porta a pensare che non sia dovuto semplicemente a casuali acquisti vicini ai 200.000 €, magari per investimenti non ripetitivi, ma a comportamenti strutturalmente differenti oppure a diverse modalità nella raccolta e pubblicazione dei dati. Ad esempio la mediana più elevata per l’anno 2014, pari a 2.131 €, corrisponde al valore dell’Università della Basilicata per cui per il 2014 sono stati importati solo 108 acquisti, contro i 1.052 del 2013, facendo quindi pensare a qualche problema nella generazione del file XML. L’intercetta sia della media che della mediana risultano invece pienamente significative, confermando la grande differenza tra media e mediana. Di seguito l’analisi dell’importo medio e mediano per categorie dimensionali. Distribuzione importo medio acquisti 2013
Distribuzione importo medio acquisti 2014
2013 Call: lm(formula = importo_medio ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -1595.9 -875.9 -274.4 557.9 6482.4 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2300.9 415.2 5.542 0.00000339 *** dim_docenti_cat_2(500,1000] 330.8 576.5 0.574 0.570 dim_docenti_cat_2(1000,1500] -368.1 787.7 -0.467 0.643 dim_docenti_cat_2(1500,4000] -145.2 738.8 -0.197 0.845 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1497 on 34 degrees of freedom Multiple R-squared: 0.02855, Adjusted R-squared: -0.05717 F-statistic: 0.3331 on 3 and 34 DF, p-value: 0.8015
2014 Call: lm(formula = importo_medio ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -1937.3 -1062.7 -502.1 473.0 9983.7 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2760.41 420.86 6.559 0.0000000382 *** dim_docenti_cat_2(500,1000] -74.34 640.01 -0.116 0.908 dim_docenti_cat_2(1000,1500] -95.53 841.73 -0.113 0.910 dim_docenti_cat_2(1500,4000] -294.60 841.73 -0.350 0.728 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1929 on 47 degrees of freedom Multiple R-squared: 0.002616, Adjusted R-squared: -0.06105 F-statistic: 0.04109 on 3 and 47 DF, p-value: 0.9888
Distribuzione importo mediano acquisti 2013
Distribuzione importo mediano acquisti 2014
2013 Call: lm(formula = importo_mediano ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -312.69 -198.89 -76.17 80.62 1166.61 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 520.39 94.79 5.490 0.00000396 *** dim_docenti_cat_2(500,1000] 143.00 131.63 1.086 0.285 dim_docenti_cat_2(1000,1500] -46.07 179.85 -0.256 0.799 dim_docenti_cat_2(1500,4000] -34.92 168.68 -0.207 0.837 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 341.8 on 34 degrees of freedom Multiple R-squared: 0.05699, Adjusted R-squared: -0.02622 F-statistic: 0.6849 on 3 and 34 DF, p-value: 0.5675
2014 Call: lm(formula = importo_mediano ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -358.77 -127.71 -31.40 37.14 1532.44 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 598.57 61.64 9.710 0.00000000000082 *** dim_docenti_cat_2(500,1000] -67.07 93.74 -0.715 0.478 dim_docenti_cat_2(1000,1500] -101.75 123.29 -0.825 0.413 dim_docenti_cat_2(1500,4000] -70.83 123.29 -0.575 0.568 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 282.5 on 47 degrees of freedom Multiple R-squared: 0.02025, Adjusted R-squared: -0.04228 F-statistic: 0.3239 on 3 and 47 DF, p-value: 0.8081
Entrambe le analisi di regressione di media e mediana rispetto alle categorie dimensionali confermano che, pur essendo presenti notevoli differenze tra le varie università e anche tra le categorie dimensionali proposte, non è possibile rilevare una correlazione significativa e con un segno definito. Le differenze tra categorie infatti, oltre ad evidenziare un pvalue non significativo, addirittura in alcuni casi cambiano segno nei due periodi considerati. Quello che si può rilevare da un’analisi più empirica dei boxplot è come le categorie superiori riportino una minore variabilità interna, sia dovuta al minor numero di università raggruppate che ad una maggiore uniformità dei comportamenti. % acquisti < 2.000 (numero) 2013
% acquisti < 2.000 (numero) 2014
2013 Call: lm(formula = num_micro_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.28398 -0.03741 0.02275 0.04868 0.09112 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.820917 0.024741 33.181 <0.0000000000000002 dim_docenti_cat_2(500,1000] -0.023729 0.034358 -0.691 0.494 dim_docenti_cat_2(1000,1500] 0.022122 0.046943 0.471 0.640 dim_docenti_cat_2(1500,4000] 0.003079 0.044027 0.070 0.945 (Intercept) *** dim_docenti_cat_2(500,1000] dim_docenti_cat_2(1000,1500] dim_docenti_cat_2(1500,4000] --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.0892 on 34 degrees of freedom Multiple R-squared: 0.03323, Adjusted R-squared: -0.05207 F-statistic: 0.3896 on 3 and 34 DF, p-value: 0.7612
2014 Call: lm(formula = num_micro_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.31691 -0.02263 0.01452 0.04741 0.12736 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.78914 0.01671 47.222 <0.0000000000000002 dim_docenti_cat_2(500,1000] 0.03486 0.02541 1.372 0.177 dim_docenti_cat_2(1000,1500] 0.04203 0.03342 1.258 0.215 dim_docenti_cat_2(1500,4000] 0.02740 0.03342 0.820 0.417 (Intercept) *** dim_docenti_cat_2(500,1000] dim_docenti_cat_2(1000,1500] dim_docenti_cat_2(1500,4000] --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.07658 on 47 degrees of freedom Multiple R-squared: 0.05391, Adjusted R-squared: -0.006482 F-statistic: 0.8927 on 3 and 47 DF, p-value: 0.4519
% acquisti < 2.000 (importo) 2013
% acquisti < 2.000 (importo) 2014
2013 Call: lm(formula = imp_micro_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.18660 -0.06750 -0.00018 0.04766 0.32268 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.2363947 0.0270786 8.730 0.000000000335 *** dim_docenti_cat_2(500,1000] -0.0124427 0.0376049 -0.331 0.743 dim_docenti_cat_2(1000,1500] -0.0005595 0.0513781 -0.011 0.991 dim_docenti_cat_2(1500,4000] -0.0309766 0.0481867 -0.643 0.525 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.09763 on 34 degrees of freedom Multiple R-squared: 0.01358, Adjusted R-squared: -0.07346 F-statistic: 0.156 on 3 and 34 DF, p-value: 0.9251
2014 Call: lm(formula = imp_micro_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.20361 -0.06102 -0.01207 0.05031 0.24321 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.193562 0.020557 9.416 0.00000000000215 *** dim_docenti_cat_2(500,1000] 0.042456 0.031260 1.358 0.181 dim_docenti_cat_2(1000,1500] -0.004655 0.041113 -0.113 0.910 dim_docenti_cat_2(1500,4000] 0.003445 0.041113 0.084 0.934 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.0942 on 47 degrees of freedom Multiple R-squared: 0.04631, Adjusted R-squared: -0.01457 F-statistic: 0.7607 on 3 and 47 DF, p-value: 0.5218
Anche l’analisi dell’importanza dei micro acquisti, sia per numero che per valore, non risultano pvalue significativi. Si può tuttavia osservare come i valori di intercetta si siano ridotti sia per le percentuali di numero che di importo tra il 2013 e il 2014. Sarebbe interessante poter verificare se questo comportamento sia dovuto a processi di aggregazione degli acquisti, magari facilitati da un più maturo utilizzo del MEPA nel secondo anno di pieno obbligo di utilizzo. Questa ipotesi può essere suffragata per il Politecnico di Milano, dove tra il 2013 e il 2014 sono state attuate diverse azioni volte ad aggregare categorie di acquisto comuni come ad esempio cancelleria, materiale igienico sanitario, toner, biglietteria aerea e ferroviaria, servizi di corriere espresso. I dati raccolti tuttavia non consentono di verificare questa ipotesi. Importo medio acquisti per docente 2013
Importo medio acquisti per docente 2014
2013 Call: lm(formula = imp_doc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -12043 -6043 -1898 4912 24935 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 14898.6 2229.4 6.683 0.000000113 *** dim_docenti_cat_2(500,1000] -4661.8 3096.0 -1.506 0.141 dim_docenti_cat_2(1000,1500] -3933.6 4230.0 -0.930 0.359 dim_docenti_cat_2(1500,4000] 441.6 3967.2 0.111 0.912 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 8038 on 34 degrees of freedom Multiple R-squared: 0.08521, Adjusted R-squared: 0.004489 F-statistic: 1.056 on 3 and 34 DF, p-value: 0.3807
2014 Call: lm(formula = imp_doc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -15958 -6576 -507 4037 37867 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 17715 2079 8.520 0.0000000000431 *** dim_docenti_cat_2(500,1000] -5365 3162 -1.697 0.0963 . dim_docenti_cat_2(1000,1500] -2655 4158 -0.638 0.5263 dim_docenti_cat_2(1500,4000] -3016 4158 -0.725 0.4719 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 9528 on 47 degrees of freedom Multiple R-squared: 0.05838, Adjusted R-squared: -0.001722 F-statistic: 0.9714 on 3 and 47 DF, p-value: 0.4142
Pur non essendo, neppure in questo caso, possibile rilevare pvalue significativi, risulta ancora una volta evidente come i piccoli atenei presentino i comportamenti più vari, con range di importi spesi per docente che presentano i valori minimi e massimi dell’intero settore. Mentre gli atenei tra i 500 e i 1500 docenti presentano valori più concentrati intorno alla media di settore, in questo caso gli atenei più grandi fanno registrare una più ampia variabilità. Numero acquisti per docente 2013
Numero acquisti per docente 2014
2013 Call: lm(formula = num_doc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -6.622 -3.517 -2.537 2.285 27.088 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 8.912 1.914 4.656 0.0000478 *** dim_docenti_cat_2(500,1000] -3.608 2.658 -1.357 0.184 dim_docenti_cat_2(1000,1500] -3.530 3.632 -0.972 0.338 dim_docenti_cat_2(1500,4000] -1.295 3.406 -0.380 0.706 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 6.902 on 34 degrees of freedom Multiple R-squared: 0.05975, Adjusted R-squared: -0.02322 F-statistic: 0.7201 on 3 and 34 DF, p-value: 0.5469
2014 Call: lm(formula = num_doc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -8.886 -4.630 -1.171 1.687 32.684 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 9.233 1.658 5.570 0.0000012 *** dim_docenti_cat_2(500,1000] -2.825 2.521 -1.121 0.268 dim_docenti_cat_2(1000,1500] -2.858 3.315 -0.862 0.393 dim_docenti_cat_2(1500,4000] -2.361 3.315 -0.712 0.480 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 7.596 on 47 degrees of freedom Multiple R-squared: 0.03312, Adjusted R-squared: -0.02859 F-statistic: 0.5367 on 3 and 47 DF, p-value: 0.6594
L’analisi del numero di acquisti per docente conferma quanto visto in merito all’importo per docente. La più alta variabilità nel numero di acquisti per docente registrata dagli atenei più grandi può far pensare, oltre ad un effetto dovuto alla variabilità registrata nell’importo di spesa, anche ad una maggior frammentazione degli acquisti dovuta al più alto numero di strutture decentrate.
13. Ci sono differenze tra nord, centro e sud? Nella ricerca delle determinanti dei diversi comportamenti di acquisto si sono suddivise le università per regione geografica. Zona Numero di università 2013 Numero di università 2014 Nord 15 21 Centro 7 11 Sud 16 19 Si riportano le dimensioni medie delle università in termini di totale acquistato, sempre considerando solo gli acquisti di importo unitario < 207.000 €. Media dell’importo complessivo acquisti < 207.000 € per università -‐ 2013 Nord Centro Sud 18.754.391 7.361.238 6.541.559 Media dell’importo complessivo acquisti < 207.000 € per università -‐ 2014 Nord Centro Sud 15.878.682 9.232.395 8.625.106 Si nota come le università del Nord siano mediamente di dimensione quasi doppia rispetto a quelle del centro sud, in termini di importo speso.
Numero medio di docenti per università -‐ 2013 Nord Centro Sud 986 940 852 Numero medio di docenti per università -‐ 2014 Nord Centro Sud 899 843 781 Il numero medio di docenti per area geografica tuttavia non mostra una differenza così significativa tra le diverse aree geografiche. La differenza tra il 2013 e il 2014 è data esclusivamente dal maggior numero di università analizzate nel 2014, il dato relativo al numero di docenti per singola università è disponibile solo per il 2013. Distribuzione importo medio acquisti per docente 2013
Distribuzione importo medio acquisti per docente 2014
2013 Call: lm(formula = imp_doc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -10583.7 -4599.5 -920.2 2688.6 21062.9 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 18771 1684 11.150 0.000000000000456 *** area_geograficaC -10981 2984 -3.679 0.000780 *** area_geograficaS -9535 2343 -4.069 0.000256 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 6520 on 35 degrees of freedom Multiple R-squared: 0.3804, Adjusted R-squared: 0.345 F-statistic: 10.75 on 2 and 35 DF, p-value: 0.00023
2014 Call: lm(formula = imp_doc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -14940 -5188 -549 2549 38637 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 18285 1980 9.236 0.00000000000319 *** area_geograficaC -1340 3376 -0.397 0.6933 area_geograficaS -7361 2872 -2.563 0.0136 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 9072 on 48 degrees of freedom Multiple R-squared: 0.1281, Adjusted R-squared: 0.09181 F-statistic: 3.527 on 2 and 48 DF, p-value: 0.03721
L’analisi dell’importo speso medio per docente conferma quanto già evidenziato dai dati dimensionali delle università in termini di acquisti complessivi e numero di docenti. Le università del Sud presentano una media di acquisti per docente decisamente inferiore a quelle del Nord, con significatività statistica in entrambi i periodi, anche se più debole nel 2014, a seguito del maggior numero di università analizzate. Sembra quindi evidenziarsi una differenza tra le università del Nord e del Sud in termini di strutturazione della spesa tra personale e approvvigionamenti, anche se per tale tipo di analisi sarebbero sicuramente più utili dati aggregati di bilancio rispetto a quelli qui analizzati. Distribuzione importo medio acquisti 2013
Distribuzione importo medio acquisti 2014
2013 Call: lm(formula = importo_medio ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -1756.5 -821.3 -411.1 411.1 6652.5 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2461.5 385.7 6.382 0.000000243 *** area_geograficaC -213.0 683.8 -0.311 0.757 area_geograficaS -168.4 536.9 -0.314 0.756 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1494 on 35 degrees of freedom Multiple R-squared: 0.003958, Adjusted R-squared: -0.05296 F-statistic: 0.06954 on 2 and 35 DF, p-value: 0.933
2014 Call: lm(formula = importo_medio ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -2617.4 -746.2 -272.8 289.9 9082.9 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2219.4 386.1 5.748 0.000000606 *** area_geograficaC -210.0 658.5 -0.319 0.7512 area_geograficaS 1367.5 560.2 2.441 0.0184 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1769 on 48 degrees of freedom Multiple R-squared: 0.1428, Adjusted R-squared: 0.1071 F-statistic: 3.997 on 2 and 48 DF, p-value: 0.02479
L’analisi per area geografica dell’importo medio di acquisto presenta una significatività nel 2014 con pvalue < 0,05 per un importo medio delle università del Sud superiore di 1367,50 € rispetto ai 2.219,40 € delle università del Nord. Per indagare ulteriormente questo risultato si ripete l’analisi considerando l’intero acquistato, non solo gli acquisti di valore inferiore a 207.000 €.
Distribuzione importo medio acquisti 2013 – importo totale
Distribuzione importo medio acquisti 2014 – importo totale
2013 Call: lm(formula = importo_medio ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -4034.6 -2304.3 -1619.1 689.9 18160.9 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 4739.65 1147.67 4.130 0.000214 *** area_geograficaC -43.95 2034.60 -0.022 0.982888 area_geograficaS -1058.08 1597.49 -0.662 0.512091 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 4445 on 35 degrees of freedom Multiple R-squared: 0.01441, Adjusted R-squared: -0.04191 F-statistic: 0.2558 on 2 and 35 DF, p-value: 0.7757
2014 Call: lm(formula = importo_medio ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -8690 -3374 -1156 960 34757 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 4098 1754 2.336 0.0237 * area_geograficaC -1161 2992 -0.388 0.6998 area_geograficaS 5562 2545 2.185 0.0338 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 8038 on 48 degrees of freedom Multiple R-squared: 0.1226, Adjusted R-squared: 0.08602 F-statistic: 3.353 on 2 and 48 DF, p-value: 0.04335
Anche considerando gli importi complessivi si assiste al medesimo fenomeno: il 2014 vede l’importo medio delle università del sud decisamente più elevato rispetto alle altre regioni.
Distribuzione importo mediano acquisti 2013
Distribuzione importo mediano acquisti 2014
2013 Call: lm(formula = importo_mediano ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -403.47 -176.55 -73.75 35.85 1259.83 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 562.93 88.00 6.397 0.000000232 *** area_geograficaC 118.04 156.00 0.757 0.454 area_geograficaS -55.03 122.49 -0.449 0.656 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 340.8 on 35 degrees of freedom Multiple R-squared: 0.03465, Adjusted R-squared: -0.02051 F-statistic: 0.6281 on 2 and 35 DF, p-value: 0.5395
2014 Call: lm(formula = importo_mediano ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -277.52 -114.22 -34.61 57.98 1458.21 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 513.08 57.60 8.907 0.00000000000973 *** area_geograficaC -86.90 98.25 -0.884 0.381 area_geograficaS 159.73 83.58 1.911 0.062 . --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 264 on 48 degrees of freedom Multiple R-squared: 0.1262, Adjusted R-squared: 0.08979 F-statistic: 3.466 on 2 and 48 DF, p-value: 0.03926
L’analisi della mediana conferma la differenziazione nel 2014 dei valori registrati per il sud rispetto alle altre regioni. La differenza tra 2013 e 2014 può essere spiegata, sia con riferimento alla media che alla mediana, con la disponibilità dei dati per il 2014 del Politecnico di Bari e dell’Università del Salento, i cui dati non sono disponibili per il 2013. Entrambe le università infatti presentano valori di media e mediana dell’importo degli acquisti sicuramente superiori alla media nazionale. Considerando dunque il solo 2014 come dato più completo, risulta interessante la differenziazione riscontrata rispetto alle altre regioni.
% acquisti < 2.000 (numero) 2013
% acquisti < 2.000 (numero) 2014
2013 Call: lm(formula = num_micro_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.29739 -0.03445 0.03228 0.05169 0.11461 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.81060 0.02282 35.522 <0.0000000000000002 *** area_geograficaC -0.01590 0.04046 -0.393 0.697 area_geograficaS 0.01876 0.03176 0.591 0.559 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.08838 on 35 degrees of freedom Multiple R-squared: 0.0231, Adjusted R-squared: -0.03272 F-statistic: 0.4138 on 2 and 35 DF, p-value: 0.6643
2014 Call: lm(formula = num_micro_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.30546 -0.03421 0.01142 0.04565 0.11604 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.82217 0.01600 51.391 <0.0000000000000002 *** area_geograficaC 0.01858 0.02729 0.681 0.4992 area_geograficaS -0.04449 0.02321 -1.916 0.0613 . --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.07331 on 48 degrees of freedom Multiple R-squared: 0.1145, Adjusted R-squared: 0.07756 F-statistic: 3.102 on 2 and 48 DF, p-value: 0.05408
L’analisi del peso percentuale dei micro acquisti non rileva particolari significatività per regione, se non un dato ai limiti della significatività per il sud nel 2014 che presenta un dato leggermente inferiore alla media nazionale. Questa osservazione risulta peraltro in linea con le medie e mediane più elevate osservate nella medesima zona e periodo.
% acquisti < 2.000 (importo) 2013
% acquisti < 2.000 (importo) 2014
2013 Call: lm(formula = imp_micro_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.19449 -0.07162 0.00082 0.05900 0.32724 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.231840 0.024923 9.302 0.0000000000543 *** area_geograficaC 0.005275 0.044183 0.119 0.906 area_geograficaS -0.014169 0.034691 -0.408 0.685 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.09653 on 35 degrees of freedom Multiple R-squared: 0.007485, Adjusted R-squared: -0.04923 F-statistic: 0.132 on 2 and 35 DF, p-value: 0.8768
2014 Call: lm(formula = imp_micro_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.14237 -0.05652 -0.01244 0.04649 0.27695 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.228871 0.020065 11.406 0.00000000000000287 *** area_geograficaC -0.009296 0.034223 -0.272 0.7871 area_geograficaS -0.054088 0.029114 -1.858 0.0693 . --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.09195 on 48 degrees of freedom Multiple R-squared: 0.07203, Adjusted R-squared: 0.03336 F-statistic: 1.863 on 2 and 48 DF, p-value: 0.1663
L’analisi del peso percentuale degli importi spesi con micro acquisti conferma quanto già osservato per il numero % di micro acquisti.
14. Clustering per comportamento di acquisto Si è cercata tramite un algoritmo di clustering la più precisa suddivisione delle università in funzione della similitudine tra le distribuzioni degli acquisti totali per classe d’importo. Si è definito di cercare 3 cluster con l’algoritmo Hartigan and Wong (1979) utilizzando come dati il totale dello speso per le seguenti classi di importo:
• da 1 € a 2.000 € • da 2.000 € a 40.000 €
• da 40.000 € a 207.000 € • 207.000 € e oltre
Si sono fatti tentativi anche con un numero maggiore di cluster obiettivo, ma i gruppi risultanti erano spesso di 2 o 3 università risultando poco significativi. I seguenti grafici mostrano il posizionamento di tutte le università analizzate per numero di acquisti e per importo speso complessivo, come già visti all’inizio dell’analisi, ma colorati per mostrare il diverso posizionamento dei tre cluster individuati. Le linee verticali mostrano le medie complessive di settore. La divisione in cluster è stata separatamente ripetuta sui due periodi, quindi i tre gruppi di università individuati non coincidono nei due anni. Distribuzione università 2013
Per il periodo 2013 vengono individuati i seguenti 3 gruppi di cui vengono riportate le medie (centri). Gruppo Numerosità Importo 1-‐2.000
(i_2) 2.000 – 40.000 (i_40)
40.000 – 207.000 (i_207)
> 207.000 (i_inf)
1 (nero) 3 7.951.576 22.466.166 15.404.900 65.807.748 2 (rosso) 45 972.790 2.373.097 994.242 1.305.236 3 (verde) 5 4.981.282 11.284.630 4.681.226 19.850.790
I tre cluster sono sostanzialmente suddivisi sulla base delle dimensioni di importo, infatti anche sul grafico sono posizionati in modo piuttosto omogeneo. Va tuttavia ricordato che l’algoritmo di cluster cerca di individuare la maggiore vicinanza tra università considerando tutte e 4 le diverse classi di importo, non il totale dello speso, il che spiega perché università apparentemente vicine sul grafico sopra riportate non siano ricomprese nel medesimo gruppo. Distribuzione università 2014
Gruppo Numerosità Importo 1-‐2.000
(i_2) 2.000 – 40.000 (i_40)
40.000 – 207.000 (i_207)
> 207.000 (i_inf)
1 (nero) 35 1.085.964 2.493.305 1.282.626 2.095.385 2 (rosso) 8 4.469.267 11.838.840 8.267.599 38.673.970 3 (verde) 10 4.773.879 12.346.936 6.090.554 15.392.931
La divisione in gruppi del periodo 2014 risultante dall’applicazione dell’algoritmo di clustering è più particolare e per certi versi più interessante di quella emersa per il 2013. Se infatti il primo gruppo continua ad identificare le università medio piccole, il secondo ed il terzo non sono semplicemente altri due livelli dimensionali.
Il gruppo 3 ha le medie più elevate per le spese sotto i 40.000 €, mentre ha medie più basse per importi superiori: questo gruppo identifica università medio grandi o anche molto grandi, che però non abbiano effettuato spese di investimento particolarmente elevate e straordinarie nell’anno. Il gruppo 2 invece ricomprende università anche di media dimensione, quindi con medie di spesa sulle classi di importo inferiore meno elevate, che però nel 2014 presentano un picco di spesa particolare nelle fasce di importo più elevato, ad esempio investimenti immobiliari. Sulla base dei cluster individuati si ripetono alcune delle analisi di regressione viste, per verificare l’adeguatezza di questa clusterizzazione a spiegare i comportamenti di acquisto. A differenza delle analisi precedenti, in questo caso le analisi 2013 e 2014 sono presentati e commentati separatamente, a ragione del fatto che i cluster nei due periodi sono differenti. Distribuzione importo medio acquisti 2013
Call: lm(formula = importo_medio ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -5115 -2042 -1153 1146 19303 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 6187 2453 2.522 0.0164 * cluster2 -2589 2573 -1.006 0.3211 cluster3 1090 3103 0.351 0.7276 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 4249 on 35 degrees of freedom Multiple R-squared: 0.09946, Adjusted R-squared: 0.048 F-statistic: 1.933 on 2 and 35 DF, p-value: 0.1599
Pur se i pvalue non garantiscono significatività all’analisi, il grafico mostra una differenziazione delle medie di acquisto tra i tre gruppi piuttosto ben visibile, e sicuramente più accentuata di quanto osservabile dalla analisi condotta per classi dimensionali (numero di docenti).
Distribuzione importo medio acquisti 2014
Call: lm(formula = importo_medio ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -9866 -2659 -1734 125 39853 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 4563 1404 3.251 0.00211 ** cluster2 7932 3178 2.496 0.01605 * cluster3 570 2911 0.196 0.84561 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 8065 on 48 degrees of freedom Multiple R-squared: 0.1168, Adjusted R-squared: 0.08 F-statistic: 3.174 on 2 and 48 DF, p-value: 0.05075
Si nota come il gruppo 2, quello come si diceva caratterizzato da alti investimenti “straordinari” sulle fasce di importo alto, si differenzi per valor medio degli acquisti in modo piuttosto evidente e confermato da un pvalue prossimo a 0,01.
Il fatto che i gruppi 1 e 3 presentino sostanzialmente lo stesso valor medio per singolo acquisto, pur se composti come visto da università di dimensioni e con importi complessivi di spesa molto diversi, conferma l’ipotesi di spiegazione data per i tre gruppi: infatti le università dei gruppi 1 e 2, pur se di dimensioni diverse, presentano comportamenti di acquisto simili, cioè le università più grandi ripetono per un maggior numero di volte acquisti unitariamente simili a quelli fatti dalle università più piccole. Le università del gruppo 2 invece hanno effettuato alcuni acquisti di un valore particolarmente elevato rispetto alla normalità per dimensione della singola università, tali da spostare il valore della media. Distribuzione importo mediano acquisti 2013
Call: lm(formula = importo_mediano ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -383.66 -174.28 -89.27 28.04 1427.73
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 427.4 205.8 2.076 0.0453 * cluster2 124.9 215.9 0.579 0.5665 cluster3 316.3 260.3 1.215 0.2325 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 356.5 on 35 degrees of freedom Multiple R-squared: 0.04734, Adjusted R-squared: -0.007099 F-statistic: 0.8696 on 2 and 35 DF, p-value: 0.428
Distribuzione importo mediano acquisti 2014
Call: lm(formula = importo_mediano ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -331.34 -140.70 -65.13 33.13 1559.87 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 571.14 49.72 11.487 0.00000000000000223 *** cluster2 -92.23 112.56 -0.819 0.417 cluster3 7.19 103.10 0.070 0.945 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 285.6 on 48 degrees of freedom Multiple R-squared: 0.01506, Adjusted R-squared: -0.02598 F-statistic: 0.367 on 2 and 48 DF, p-value: 0.6947
La distribuzione delle mediane non presenta differenze significative in entrambi i periodi, confermando ancora una volta come la propensione ad un elevato numero di micro acquisti sia una caratteristica strutturale che accomuna tutte le università. % acquisti < 2.000 (numero) 2013
Call: lm(formula = num_micro_perc ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -0.31466 -0.02797 0.03327 0.05335 0.09460
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.83083 0.05175 16.055 <0.0000000000000002 *** cluster2 -0.01339 0.05427 -0.247 0.807 cluster3 -0.04667 0.06546 -0.713 0.481 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.08963 on 35 degrees of freedom Multiple R-squared: 0.01971, Adjusted R-squared: -0.0363 F-statistic: 0.3519 on 2 and 35 DF, p-value: 0.7058
% acquisti < 2.000 (numero) 2014
Call: lm(formula = num_micro_perc ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -0.32993 -0.02534 0.00988 0.04472 0.11435 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.802153 0.013680 58.636 <0.0000000000000002 *** cluster2 0.027395 0.030970 0.885 0.381 cluster3 0.006022 0.028368 0.212 0.833 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.07859 on 48 degrees of freedom Multiple R-squared: 0.01605, Adjusted R-squared: -0.02495 F-statistic: 0.3915 on 2 and 48 DF, p-value: 0.6782
L’analisi del peso dei micro acquisti non presenta differenze significative, ad ulteriore conferma di quanto già osservato in merito al valori di mediana. L’unica informazione rilevante è come il gruppo delle università medio piccole (gruppo 2 per il 2013, 1 per il 2014) presenti la maggiore variabilità e differenziazione di comportamenti, pur se centrati su un valor medio comune a quello delle università più grandi. % acquisti < 2.000 (importo) 2013
Call: lm(formula = imp_micro_perc ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max
-0.18091 -0.05876 -0.01404 0.05721 0.36360 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.07135 0.05979 1.193 0.2408 cluster2 0.12413 0.06270 1.980 0.0557 . cluster3 0.03451 0.07562 0.456 0.6510 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1036 on 35 degrees of freedom Multiple R-squared: 0.1547, Adjusted R-squared: 0.1064 F-statistic: 3.202 on 2 and 35 DF, p-value: 0.05284
Pur con pvalue ai limiti della significatività statistica , si può osservare come il gruppo 2, quello che raggruppa le università medio piccole, presenti un peso dell’importo dei micro acquisti sul totale tendenzialmente più elevato di quello degli altri due gruppi. Questo valore non è necessariamente in contrasto con il precedente, che vedeva il peso percentuale del numero di micro acquisti sostanzialmente allineato, in quanto si è già osservato come pochissimi acquisti di importo elevato possano pesare molto più di migliaia di micro acquisti. % acquisti < 2.000 (importo) 2014
Call: lm(formula = imp_micro_perc ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -0.16229 -0.05003 -0.02029 0.04177 0.28057 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.17116 0.01618 10.577 0.0000000000000391 *** cluster2 -0.10690 0.03664 -2.918 0.00535 ** cluster3 -0.05500 0.03356 -1.639 0.10778 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.09296 on 48 degrees of freedom Multiple R-squared: 0.1666, Adjusted R-squared: 0.1319 F-statistic: 4.799 on 2 and 48 DF, p-value: 0.01259
L’analisi 2014 aggiunge ulteriori dettagli a quanto osservato rispetto al 2013: poiché i cluster 2014 non sono semplicemente divisi per dimensione, ma separano le università con importi di investimento particolari da quelle più allineate a comportamenti standard, indipendentemente dalle dimensioni, è interessante osservare come le università del gruppo 1 (medio piccole) e del gruppo 3 (le più grandi) siano quasi allineate, mentre sono solo quelle del gruppo 2 (di varie dimensioni, ma con investimenti di elevato valore) a discostarsi dalla media, con un pvalue significativo < 0,01.
Importo medio per docente 2013
Call: lm(formula = imp_doc ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -22143 -8794 -3528 5340 54242 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 59407 8205 7.241 0.0000000187 *** cluster2 -42946 8605 -4.991 0.0000164972 *** cluster3 -27159 10378 -2.617 0.013 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 14210 on 35 degrees of freedom Multiple R-squared: 0.4439, Adjusted R-squared: 0.4122 F-statistic: 13.97 on 2 and 35 DF, p-value: 0.00003464
L’analisi dell’importo medio per docente in questo caso presenta una correlazione positiva e significativa (pvalue < 0,001) tra dimensioni delle università ed importo medio. Si ricorda come le analisi precedenti, limitate ad importi inferiori a 207.000 €, non mostravano invece alcuna correlazione.
Risulta quindi interessante osservare come le spese di importo ordinario presentino medie per docente molto simili indipendentemente dalle dimensioni delle università, mentre sono le singole spese di importo elevato a differenziare le università. Importo medio per docente 2014
Call: lm(formula = imp_doc ~ cluster, data = data) Residuals: Min 1Q Median 3Q Max -36196 -12452 -6436 4846 149900 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 20472 4971 4.118 0.000150 *** cluster2 44041 11254 3.913 0.000286 *** cluster3 13807 10309 1.339 0.186774 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 28560 on 48 degrees of freedom Multiple R-squared: 0.2451, Adjusted R-squared: 0.2136 F-statistic: 7.791 on 2 and 48 DF, p-value: 0.001174
Anche in questo caso il cluster 2014 arricchisce e conferma quanto osservato con il cluster 2013. Infatti il gruppo 2, caratterizzato da investimenti straordinari, presenta una differenziazione del valor medio per docente molto significativa (pvalue < 0,001). Il gruppo 3 invece, che pur comprende università tra le più grandi, ha uno scostamento rispetto al gruppo 1 (università medio piccole) decisamente più ridotto e non statisticamente significativo.
15. Concentrazione e rotazione dei fornitori Dopo aver cercato di analizzare e spiegare i comportamenti delle università in merito alla suddivisione degli acquisti per classi di importo, si prova ad analizzare i comportamenti delle università in termini di apertura al mercato, ovvero di comportamento nei confronti dei fornitori. Va anticipato tuttavia che questa analisi è limitata, in particolare per quanto riguarda gli invitati / partecipanti alle procedure, sia da quanto già illustrato in merito alle difficoltà di interpretazione della norma, sia ad un livello qualitativo dei dati riscontrati non ottimale: ad esempio alcune università hanno sistematicamente omesso di indicare gli invitati / partecipanti alle procedure. Ad esempio il valore massimo che compare nella seguente tabella (ovvero il valore massimo che è stato complessivamente aggiudicato da tutte le università ad un singolo fornitore) corrisponde al “fornitore sconosciuto”, ovvero ad acquisti senza indicazione dell’aggiudicatario. Tra i primi 10 inoltre compare un fornitore con codice fiscale "00000000000" e denominazione "Aziende invitate MEPA numero:10". Pur coscienti di queste forti limitazioni dovuti ad una qualità del dato in questo ambito davvero limitata, si procede con alcune analisi nella speranza di identificare modelli di comportamento differenziati. Analisi fornitori università per importo 1€ -‐ 207.000 € Analisi fornitori per valore acquisto 2013 2014 Numero fornitori 27.646,00 34.326,00 Totale aggiudicato 437.509.467,32 598.885.681,98 min 1,00 1,00 max 22.806.522,82 36.550.033,36 media 15.825,42 17.447,00 mediana 1.735,12 1.766,64 deviazione standard 162.590,48 222.836,08 coefficiente di variazione 10,27 12,77
range interquartile 6.415,31 6.887,40 5%: < 100,00 111,00 25%: < 494,20 500,00 50%: < 1.735,12 1.766,64 75%: < 6.909,51 7.387,40 95%: <= 53.554,90 60.538,07 Importo totale primi 10 fornitori: 52.467.399,40 76.213.277,80 Analisi fornitori per numero acquisti 27.646,00 34.326,00 Numero fornitori 221.273,00 281.550,00 Numero acquisti 0,12 0,12
Numero fornitori / numero acquisti 0,63 0,79 Numero fornitori / numero docenti 1,00 1,00 min 12.702,00 23.000,00 max 8,00 8,20 media 1,00 1,00 mediana 108,29 147,18 deviazione standard 13,53 17,94 coefficiente di variazione
Percentili su numero acquisti per fornitore
range interquartile 2,00 2,00 5%: < 1,00 1,00 25%: < 1,00 1,00 50%: < 1,00 1,00 75%: < 3,00 3,00 95%: <= 20,00 21,00 Numero totale primi 10 fornitori: 40.454,00 54.996,00 ANALISI INVITATI
Numero inviti per fornitore min 1,00 1,00
max 7.896,00 10.326,00 media 7,18 7,37 mediana 1,00 1,00 deviazione standard 75,32 76,58 coefficiente di variazione 10,48 10,39
Numero inviti per gara Numero acquisti 221.273,00 281.550,00
Numero acquisti competitivi 4.635,00 6.985,00 Totale inviti 174.078,00 239.579,00 min 0,00 0,00 max 606,00 470,00 media 0,79 0,85 mediana 1,00 1,00 deviazione standard 2,32 2,10 coefficiente di variazione 2,95 2,47 Il valore di mediana ed l’analisi dei percentili confermano l’elevata importanza dei micro acquisti, tanto che il 50% dei fornitori ricevono dalle università meno di 1.800 € all’anno. Questo dato tuttavia aggiunge un elemento molto importante a quanto visto finora: l’importanza dei micro acquisti non è data, almeno non principalmente, dal frazionamento di piccoli acquisti ripetuti nei confronti dei medesimi fornitori, bensì da piccoli acquisti effettuati presso fornitori diversi. L’analisi del numero di acquisti per fornitore conferma tale evidenza: infatti il 50% dei fornitori riceve meno di 1 acquisto all’anno dalle università e il 75% meno di 3. E’ vero anche che un limitato numero di fornitori riceve invece un numero molto elevato di acquisti, ma tale dato è sicuramente sovradimensionato a causa dei fornitori fittizi che risultano aggiudicatari multipli come prima evidenziato.
Ciononostante, risulta evidente che esista un ristretto numero di fornitori, ad esempio di strumentazione per laboratorio, reagenti, vetreria, ma anche pubblicazioni scientifiche, che ricevono acquisti da molte università e spesso si tratta di micro acquisti disaggregati per singolo laboratorio. Indice di rotazione dei fornitori / Numero docenti 2013
Call: lm(formula = rotForn ~ num_docenti, data = data) Residuals: Min 1Q Median 3Q Max -0.30484 -0.05673 0.01086 0.06230 0.21681 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.32828321 0.02841383 11.554 0.000000000000114 *** num_docenti -0.00006604 0.00002354 -2.806 0.00805 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1131 on 36 degrees of freedom Multiple R-squared: 0.1794, Adjusted R-squared: 0.1566 F-statistic: 7.872 on 1 and 36 DF, p-value: 0.008049
Indice di rotazione dei fornitori / Numero docenti 2014
Call: lm(formula = rotForn ~ num_docenti, data = data) Residuals: Min 1Q Median 3Q Max -0.30709 -0.05999 -0.02181 0.07311 0.33252 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.36352888 0.02473580 14.696 < 0.0000000000000002 *** num_docenti -0.00009447 0.00002188 -4.317 0.0000766 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1176 on 49 degrees of freedom Multiple R-squared: 0.2756, Adjusted R-squared: 0.2608 F-statistic: 18.64 on 1 and 49 DF, p-value: 0.00007657
L’analisi dell’indice di rotazione dei fornitori presenta in entrambi i periodi un’intercetta significativa (pvalue < 0,001) e una pendenza negativa pure significativa (pvalue < 0.01). Le università più grandi quindi tendono a fare più acquisti nei confronti dei medesimi fornitori rispetto alle università più piccole. Questo dato può trovare una ragionevole spiegazione nel maggior numero di strutture, autonome negli acquisti, presenti nelle università più grandi, unito al numero ristretto di fornitori possibili in alcune categorie merceologiche di uso specifico per l’università. Se si suppone che ogni laboratorio acquisti da se i materiali necessari, eventualmente anche simili tra loro, risulta naturalmente probabile che in università con più laboratori siano effettuati più acquisti ai medesimi fornitori. Indice di rotazione dei fornitori / Numero acquisti 2013
Call: lm(formula = rotForn ~ numero, data = data) Residuals: Min 1Q Median 3Q Max -0.299426 -0.051283 0.001417 0.055267 0.203194 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.317943300 0.021762958 14.609 < 0.0000000000000002 *** numero -0.000008677 0.000002301 -3.771 0.000584 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1057 on 36 degrees of freedom Multiple R-squared: 0.2832, Adjusted R-squared: 0.2633 F-statistic: 14.22 on 1 and 36 DF, p-value: 0.0005845
Indice di rotazione dei fornitori / Numero acquisti 2014
Call: lm(formula = rotForn ~ numero, data = data) Residuals: Min 1Q Median 3Q Max -0.30967 -0.06487 -0.02224 0.07249 0.31228 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.355793998 0.020714764 17.176 < 0.0000000000000002 *** numero -0.000013038 0.000002491 -5.234 0.00000346 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1106 on 49 degrees of freedom Multiple R-squared: 0.3586, Adjusted R-squared: 0.3455 F-statistic: 27.39 on 1 and 49 DF, p-value: 0.000003456
L’analisi dell’indice di rotazione dei fornitori presenta per entrambi i periodi un’intercetta significativa (pvalue < 0,001) e una pendenza negativa pure significativa (pvalue < 0.001). Questo dato conferma quanto già visto analizzando la rotazione rispetto al numero di docenti. Si conferma sostanzialmente la difficoltà riscontrata dalle università ad aggregare la spesa, per cui al crescere del numero di docenti crescono proporzionalmente il numero di acquisti e quindi anche gli acquisti ripetuti verso i medesimi fornitori, pur se magari non dai medesimi soggetti, ma da strutture diverse della medesima università. Numero fornitori / Numero docenti 2013
Rotazione fornitori / Numero docenti 2014
2013 Call: lm(formula = rotForn ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.31764 -0.05293 0.00275 0.06507 0.23644 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.31764 0.03261 9.739 0.0000000000228 *** dim_docenti_cat_2(500,1000] -0.04530 0.04529 -1.000 0.324 dim_docenti_cat_2(1000,1500] -0.08173 0.06188 -1.321 0.195 dim_docenti_cat_2(1500,4000] -0.14426 0.05804 -2.486 0.018 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1176 on 34 degrees of freedom Multiple R-squared: 0.1624, Adjusted R-squared: 0.08849 F-statistic: 2.197 on 3 and 34 DF, p-value: 0.1063
2014 Call: lm(formula = rotForn ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.227661 -0.048915 -0.003044 0.044037 0.279054 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.38761 0.02332 16.624 < 0.0000000000000002 dim_docenti_cat_2(500,1000] -0.15995 0.03546 -4.511 0.0000430 dim_docenti_cat_2(1000,1500] -0.17769 0.04663 -3.810 0.000403 dim_docenti_cat_2(1500,4000] -0.21292 0.04663 -4.566 0.0000359 (Intercept) *** dim_docenti_cat_2(500,1000] *** dim_docenti_cat_2(1000,1500] *** dim_docenti_cat_2(1500,4000] *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1069 on 47 degrees of freedom Multiple R-squared: 0.426, Adjusted R-squared: 0.3894 F-statistic: 11.63 on 3 and 47 DF, p-value: 0.00000804
L’analisi per categorie dimensionali dell’indice di rotazione dei fornitori conferma come al crescere della dimensione delle università cresca anche la probabilità di assegnare più acquisti ai medesimi fornitori. I pvalue, in particolare nel 2014, risultano significativi per tutte le categorie mostrando che ogni 500 docenti aggiuntivi l’indice diminuisce di oltre 0,15. % acquisti primi 10 fornitori (numero) 2013
% acquisti primi 10 fornitori (numero) 2014
2013 Call: lm(formula = num_top10_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.17894 -0.10121 -0.02940 0.01677 0.69111 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.35772 0.05253 6.810 0.0000000779 *** dim_docenti_cat_2(500,1000] -0.04882 0.07295 -0.669 0.508 dim_docenti_cat_2(1000,1500] -0.15789 0.09966 -1.584 0.122 dim_docenti_cat_2(1500,4000] -0.10831 0.09347 -1.159 0.255 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1894 on 34 degrees of freedom Multiple R-squared: 0.0826, Adjusted R-squared: 0.001656 F-statistic: 1.02 on 3 and 34 DF, p-value: 0.3957
2014 Call: lm(formula = num_top10_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.17890 -0.08501 -0.02573 0.01427 0.63197 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.26674 0.03636 7.335 0.00000000254 *** dim_docenti_cat_2(500,1000] 0.10129 0.05530 1.832 0.0733 . dim_docenti_cat_2(1000,1500] -0.01451 0.07273 -0.199 0.8427 dim_docenti_cat_2(1500,4000] -0.01724 0.07273 -0.237 0.8137 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1666 on 47 degrees of freedom Multiple R-squared: 0.09018, Adjusted R-squared: 0.03211 F-statistic: 1.553 on 3 and 47 DF, p-value: 0.2133
Pur non potendosi rilevare pvalue significativi, i boxplot mostrano una evidente minore incidenza del numero di acquisti verso i primi 10 fornitori nelle università di dimensione 1000-‐1500 docenti. Si può ipotizzare che questo dato dipenda da una maggiore incidenza dei fornitori di beni e servizi basilari nelle università medio piccole e dalla già vista maggiore frammentazione che caratterizza le università molto grandi. % acquisti primi 10 fornitori (importo) 2013
% acquisti primi 10 fornitori (importo) 2014
2013 Call: lm(formula = imp_top10_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.20356 -0.11510 -0.02996 0.05214 0.65650 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.43597 0.05138 8.486 0.000000000655 *** dim_docenti_cat_2(500,1000] -0.09246 0.07135 -1.296 0.2037 dim_docenti_cat_2(1000,1500] -0.23433 0.09748 -2.404 0.0218 * dim_docenti_cat_2(1500,4000] -0.21868 0.09143 -2.392 0.0224 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1852 on 34 degrees of freedom Multiple R-squared: 0.2075, Adjusted R-squared: 0.1376 F-statistic: 2.968 on 3 and 34 DF, p-value: 0.04559
2014 Call: lm(formula = imp_top10_perc ~ dim_docenti_cat_2, data = data) Residuals: Min 1Q Median 3Q Max -0.22558 -0.11659 -0.03285 0.06103 0.61883 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.372551 0.038760 9.612 0.00000000000113 *** dim_docenti_cat_2(500,1000] 0.008618 0.058941 0.146 0.8844 dim_docenti_cat_2(1000,1500] -0.158485 0.077519 -2.044 0.0465 * dim_docenti_cat_2(1500,4000] -0.135144 0.077519 -1.743 0.0878 . --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1776 on 47 degrees of freedom Multiple R-squared: 0.1357, Adjusted R-squared: 0.08051 F-statistic: 2.459 on 3 and 47 DF, p-value: 0.07434
L’analisi del peso percentuale dell’importo aggiudicato ai primi 10 fornitori conferma quanto ipotizzato dall’analisi sul numero di acquisti. Nelle università medio piccole si vede infatti confermato il maggior peso % dei primi fornitori, le università con 1000 – 1500 docenti confermano il valore particolarmente ridotto rispetto alla media di settore, mentre per le grandi università si conferma l’ipotesi della maggiore frammentazione, infatti a fronte di un peso % del numero di acquisti simile a quello delle università più piccole, il peso % dell’importo è invece decisamente inferiore. Rotazione fornitori / Zona geografica 2013
Rotazione fornitori / Zona geografica 2014
2013 Call: lm(formula = rotForn ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.258603 -0.072127 -0.007376 0.087316 0.250165 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.23663 0.03067 7.715 0.00000000468 *** area_geograficaC 0.11690 0.05438 2.150 0.0386 * area_geograficaS 0.02198 0.04269 0.515 0.6100 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1188 on 35 degrees of freedom Multiple R-squared: 0.12, Adjusted R-squared: 0.06974 F-statistic: 2.387 on 2 and 35 DF, p-value: 0.1067
2014 Call: lm(formula = rotForn ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.31888 -0.10007 -0.01069 0.09997 0.34779 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.24207 0.02939 8.235 0.0000000000973 *** area_geograficaC 0.06089 0.05013 1.215 0.230 area_geograficaS 0.07681 0.04265 1.801 0.078 . --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1347 on 48 degrees of freedom Multiple R-squared: 0.06845, Adjusted R-squared: 0.02963 F-statistic: 1.763 on 2 and 48 DF, p-value: 0.1824
L’analisi della rotazione dei fornitori per zona geografica non sembra dare risultati significativi. Nonostante il 2013 sembri mostrare, con un pvalue al limite della significatività, una maggiore rotazione dei fornitori nelle università del centro Italia, questo valore non è confermato dai dati 2014 e potrebbe forse essere semplicemente un effetto del diverso elenco di università censite nei due anni e del cambiamento di qualità dei dati (non sempre necessariamente in senso migliorativo) tra i due periodi. % acquisti primi 10 fornitori (numero) 2013
% acquisti primi 10 fornitori (numero) 2014
2013 Call: lm(formula = num_top10_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.21356 -0.08457 -0.03895 0.02838 0.63641 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.27413 0.04801 5.710 0.00000186 *** area_geograficaC -0.05399 0.08511 -0.634 0.530 area_geograficaS 0.08946 0.06683 1.339 0.189 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1859 on 35 degrees of freedom Multiple R-squared: 0.08971, Adjusted R-squared: 0.03769 F-statistic: 1.725 on 2 and 35 DF, p-value: 0.1931
2014 Call: lm(formula = num_top10_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.15838 -0.08666 -0.03407 0.01670 0.69741 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.302592 0.037394 8.092 0.00000000016 *** area_geograficaC -0.050385 0.063779 -0.790 0.433 area_geograficaS 0.006541 0.054256 0.121 0.905 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1714 on 48 degrees of freedom Multiple R-squared: 0.01751, Adjusted R-squared: -0.02343 F-statistic: 0.4276 on 2 and 48 DF, p-value: 0.6545
Il peso percentuale del numero degli acquisti verso i primi dieci fornitori non appare significativamente differenziato tra le aree geografiche. Il centro presenta senz’altro una minore variabilità, ma questo effetto può essere dovuto semplicemente alla minore numerosità. % acquisti primi 10 fornitori (importo) 2013
% acquisti primi 10 fornitori (importo) 2014
2013 Call: lm(formula = imp_top10_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.27110 -0.08763 -0.03920 0.06760 0.56297 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.25323 0.04757 5.323 0.00000603 *** area_geograficaC 0.03213 0.08434 0.381 0.70551 area_geograficaS 0.18380 0.06622 2.776 0.00878 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1843 on 35 degrees of freedom Multiple R-squared: 0.1929, Adjusted R-squared: 0.1468 F-statistic: 4.183 on 2 and 35 DF, p-value: 0.0235
2014 Call: lm(formula = imp_top10_perc ~ area_geografica, data = data) Residuals: Min 1Q Median 3Q Max -0.22910 -0.11895 -0.05938 0.08072 0.68604 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.31396 0.04061 7.731 0.000000000563 *** area_geograficaC -0.01073 0.06926 -0.155 0.878 area_geograficaS 0.06256 0.05892 1.062 0.294 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1861 on 48 degrees of freedom Multiple R-squared: 0.03099, Adjusted R-squared: -0.00939 F-statistic: 0.7674 on 2 and 48 DF, p-value: 0.4698
L’analisi del peso percentuale dell’importo degli acquisti verso i primi dieci fornitori mostra una media delle università del sud superiore rispetto alle università del nord, sebbene la significatività statistica sia confermata solo per il periodo 2013.
16. Analisi delle procedure utilizzate Per completare il quadro sugli acquisti nelle università, si prova ad analizzare anche l’utilizzo delle diverse procedure di acquisto. Come già accennato, va tenuto in considerazione che la qualità del dato in merito al tipo di procedura utilizzato non sembra elevata. Alcuni enti semplicemente non hanno indicato la procedura utilizzata: gli acquisti senza procedura specificata sono stati categorizzati come “06-‐Altre”, e questo spiega anche l’elevata numerosità di questa categoria. Altri enti hanno specificato un numero molto elevato di procedure come Cottimo fiduciario: questo da un lato può essere considerato possibile, anche grazie all’utilizzo di MEPA, tuttavia il numero molto elevato di procedure di cottimo, per importi minimi, e senza l’indicazione di invitati, fa sorgere qualche dubbio sull’affidabilità del dato. Infine va specificato che, per tutti gli enti o quasi, si riscontrano situazioni poco probabili che fanno propendere per errori di imputazione o per una sistematica difficoltà di alcuni operatori ad individuare correttamente le procedure utilizzate: ad esempio l’indicazione di procedura Aperta per acquisti da poche centinaia di euro appare evidentemente poco probabile. Di seguito si riportano i dati riepilogativi per il totale degli acquisti delle università, senza limiti di importo. NUMERO PROCEDURE PER TIPO 2013 2014
01-Aperta 6.245,00 5.579,00
02-CONSIP 2.047,00 3.502,00
03-Cottimo 44.999,00 50.809,00
04-Negoziata senza bando 2.152,00 3.961,00
05-Affidamento diretto 139.083,00 185.005,00
06-Altre 28.133,00 34.611,00
Numero procedure per tipo
VALORE PROCEDURE PER TIPO
01-Aperta 140.570.410,77 278.995.645,04
02-CONSIP 81.741.128,60 136.811.007,31
03-Cottimo 100.140.707,48 156.745.010,61
04-Negoziata senza bando 84.769.124,71 68.388.559,81
05-Affidamento diretto 264.307.650,50 371.902.928,96
06-Altre 120.876.410,92 118.963.953,21
Valore procedure per tipo
Numero procedure competitive
Competitive 4.747,00 7.356,00
Non competitive 217.919,00 276.123,00
Numero procedure competitive
Valore procedure competitive Competitive 118.239.797,72 221.981.030,92
Non competitive 674.682.571,26 913.562.188,01
Valore procedure competitive
Pur tenendo a mente quanto esposto circa l’affidabilità del dato, si può vedere come il numero ed importo di procedure aperte, negoziate senza bando e CONSIP siano grossomodo paragonabili al numero ed importo di acquisti sopra soglia evidenziati dalle precedenti analisi. Rimane invece superiore, soprattutto per numero, l’impatto delle procedure di cottimo, e questo senz’altro testimonia un elevato utilizzo di MEPA con procedure competitive di RDO. Data la scarsa affidabilità del dato relativo al tipo di procedura, si è cercato di ricavare il dato di procedura competitiva: sono state conteggiate come competitive procedure per cui risultasse un numero di invitati / partecipanti > 1. Anche tale dato si è rivelato tuttavia poco affidabile, infatti ad esempio il numero di procedure competitive (secondo la definizione data) risulta poco superiore al numero di procedure aperte, e molto inferiore al numero di procedure dichiarate come cottimi. La seguente tabella mostra minimi e massimi delle principali grandezze, evidenziando ancora una volta la scarsa affidabilità di questo dato (sembrando ad esempio poco probabile che una università abbia effettivamente pubblicato oltre 5.000 procedure aperte in un anno).
Università 2013 min max Università 2014 min max
NUMERO PROCEDURE PER TIPO
01-Aperta 6.245,00 1,00 5.237,00 5.579,00 1,00 3.538,00
02-CONSIP 2.047,00 2,00 770,00 3.502,00 1,00 575,00
03-Cottimo 44.999,00 3,00 30.873,00 50.809,00 1,00 23.376,00
04-Negoziata senza bando 2.152,00 1,00 719,00 3.961,00 1,00 1.477,00
05-Affidamento diretto 139.083,00 121,00 18.196,00 185.005,00 1,00 16.086,00
06-Altre 28.133,00 1,00 24.685,00 34.611,00 1,00 21.376,00
Numero procedure competitive
Competitive 4.747,00 3,00 747,00 7.356,00 1,00 1.121,00
Non competitive 217.919,00 429,00 36.849,00 276.123,00 96,00 29.365,00 Per verificare se sia visibile l’impatto di MEPA sulle procedure utilizzate, si è provato a concentrare l’analisi considerando solo gli acquisti di importo inferiore ai 40.000 €, quelli per cui la legge consente l’affidamento diretto. ANALISI PROCEDURE 1 – 40.000 €
NUMERO PROCEDURE PER TIPO 2013 2014 01-Aperta 5.886,00 4.867,00
02-CONSIP 1.929,00 3.275,00
03-Cottimo 44.204,00 49.662,00
04-Negoziata senza bando 1.891,00 3.588,00
05-Affidamento diretto 138.274,00 184.096,00
06-Altre 27.790,00 34.059,00
Numero procedure per tipo
VALORE PROCEDURE PER TIPO
01-Aperta 9.470.579,13 8.938.737,20
02-CONSIP 4.856.512,68 8.019.251,26
03-Cottimo 56.858.236,54 79.536.692,13 04-Negoziata senza bando 6.993.277,59 9.945.574,26
05-Affidamento diretto 202.705.791,73 260.060.387,91
06-Altre 42.229.830,92 60.446.803,69
Valore procedure per tipo
Numero procedure competitive
Competitive 4.304,00 6.489,00
Non competitive 215.672,00 273.058,00
Numero procedure competitive Valore procedure competitive
Competitive 18.408.492,04 27.722.390,68
Non competitive 304.739.227,55 399.225.055,77
Valore procedure competitive
I dati relativi agli acquisti di importo inferiore a 40.000 € registrano un utilizzo di procedure di cottimo fiduciario significativo e di pari peso per numero ed importo, a dimostrazione che si tratta di un utilizzo diffuso in alternativa alle procedure di affidamento diretto determinato probabilmente dall’utilizzo di MEPA, e non limitato ai soli acquisti di importo più significativo, altrimenti si sarebbe evidenziata una discrasia tra il peso per numero e per importo. Anche in questo caso si cerca quindi di analizzare se esistano differenze di comportamento tra le varie università, mantenendo come ambito di analisi gli acquisti di importo < 40.000 €, dato che sopra questa cifra la procedura comparativa, salvo poche eccezioni, è obbligatoria. % acquisti competitivi / Numero docenti 2013
% acquisti competitivi / Numero docenti 2014
2013 Call: lm(formula = num_comp_perc ~ num_docenti, data = data) Residuals: Min 1Q Median 3Q Max -0.04524 -0.03540 -0.01502 0.01575 0.13503 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.049209693 0.011484573 4.285 0.00013 *** num_docenti -0.000011180 0.000009514 -1.175 0.24767 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.04572 on 36 degrees of freedom Multiple R-squared: 0.03694, Adjusted R-squared: 0.01019 F-statistic: 1.381 on 1 and 36 DF, p-value: 0.2477
2014 Call: lm(formula = num_comp_perc ~ num_docenti, data = data) Residuals: Min 1Q Median 3Q Max -0.05286 -0.03697 -0.02110 0.02046 0.15602 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.053009884 0.010552989 5.023 0.00000714 *** num_docenti -0.000012611 0.000009335 -1.351 0.183 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.05016 on 49 degrees of freedom Multiple R-squared: 0.03591, Adjusted R-squared: 0.01623 F-statistic: 1.825 on 1 and 49 DF, p-value: 0.1829
Si osserva una certa diversità di comportamento egualmente distribuita al crescere del numero di docenti, con l’eccezione delle università sopra i 2.000 docenti che si attestano su valori bassi dando una pendenza negativa alla retta di regressione, tuttavia senza significatività statistica. % acquisti competitivi / Numero acquisti 2013
% acquisti competitivi / Numero acquisti 2014
2013 Call: lm(formula = num_comp_perc ~ numero, data = data) Residuals: Min 1Q Median 3Q Max -0.047859 -0.029588 -0.008021 0.013923 0.133439 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.0498673409 0.0091195912 5.468 0.00000357 *** numero -0.0000018825 0.0000009642 -1.952 0.0587 . --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.0443 on 36 degrees of freedom Multiple R-squared: 0.09575, Adjusted R-squared: 0.07063 F-statistic: 3.812 on 1 and 36 DF, p-value: 0.0587
2014 Call: lm(formula = num_comp_perc ~ numero, data = data) Residuals: Min 1Q Median 3Q Max -0.05495 -0.03339 -0.01746 0.01741 0.15449 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.056209838 0.009089551 6.184 0.000000122 *** numero -0.000002507 0.000001093 -2.294 0.0261 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.04854 on 49 degrees of freedom Multiple R-squared: 0.09694, Adjusted R-squared: 0.07851 F-statistic: 5.26 on 1 and 49 DF, p-value: 0.02615
L’analisi per numero di acquisti, anziché per numero di docenti, evidenzia in modo più netto e con una debole significatività la correlazione negativa tra dimensioni dell’università e propensione ad effettuare acquisti competitivi. Va però tenuto in considerazione che le università più grandi in molti casi hanno avuto più difficoltà a compilare il dato relativo ai partecipanti, in alcuni casi non indicandoli affatto, in altri casi indicandoli in modo non corretto (es. un unico tag partecipante con scritto “Aziende invitate MEPA numero:10”). Come specificato, in questa analisi sono state considerate comparative le procedure per cui fossero indicati almeno 2 partecipanti, indipendentemente dal tipo di procedura dichiarata, quindi la non corretta compilazione dell’informazione relativa ai partecipanti non fa emergere il reale numero di procedure comparative. % Acquisti competitivi 2013 per classe dimensionale
% Acquisti competitivi 2014 per classe dimensionale
OR LCI UCI (Intercept) 0.049 0.046 0.052 dim_docenti_cat_2(500,1000] 0.508 0.466 0.555 dim_docenti_cat_2(1000,1500] 0.864 0.792 0.943 dim_docenti_cat_2(1500,4000] 0.181 0.165 0.199
OR LCI UCI (Intercept) 0.043 0.040 0.045 dim_docenti_cat_2(500,1000] 0.625 0.581 0.672 dim_docenti_cat_2(1000,1500] 1.249 1.167 1.336 dim_docenti_cat_2(1500,4000] 0.153 0.140 0.168
L’analisi per classe dimensionale mostra dettagli maggiori di quanto osservato analizzando la correlazione complessiva tra numero di docenti e propensione all’acquisto competitivo. Infatti si evidenzia come gli atenei più piccoli abbiano comportamenti molto differenziati tra loro, quelli tra i 500 e i 1000 abbiano una propensione all’acquisto competitivo più bassa, vicina a quella degli atenei più grandi, mentre la classe dimensionale 1000-‐1500 sia quella più propensa agli acquisti competitivi.
% Acquisti competitivi 2013 per regione geografica
% Acquisti competitivi 2014 per regione geografica
2013 OR LCI UCI (Intercept) 0.011 0.010 0.011 area_geograficaC 2.181 1.984 2.397 area_geograficaS 4.705 4.410 5.019
2014 OR LCI UCI (Intercept) 0.012 0.011 0.012 area_geograficaC 0.982 0.900 1.073 area_geograficaS 6.276 5.940 6.632
Si osserva come gli atenei del Sud siano chiaramente i più propensi all’utilizzo di procedure comparative, o quantomeno alla completa pubblicazione dei dati relativi ai partecipanti. Le università del Nord presentano analoghi valori estremi, ma la media è complessivamente la più bassa a causa di alcuni atenei molto grandi che non hanno dichiarato il dato relativo ai partecipanti.
17. Considerazioni organizzative sul modello di acquisto nelle università Nell’analisi della distribuzione degli acquisti in università colpisce la estrema importanza del numero di acquisti piccolissimi che, pur sommando a valori significativi in termini assoluti, costituiscono comunque una percentuale assolutamente residuale dello speso complessivo. Come si può facilmente intuire, questa distribuzione degli acquisti da un lato deriva dalla specifica natura delle università, composta da molti docenti che seguono progetti di ricerca differenti, non da processi standardizzati o standardizzabili come altri settori. Dall’altro questa particolare distribuzione ha evidentemente impatti significativi sul modello organizzativo delle università: le migliaia o decine di migliaia di micro acquisti di ciascuna università comportano infatti un lavoro amministrativo notevole dall’emissione dell’ordine, al pagamento, fino alla pubblicazione dei dati per la trasparenza. Questa notevole mole di impegno organizzativo e amministrativo è tuttavia dedicato ad una piccola percentuale dell’importo acquistato, al contrario la quasi totalità degli importi è concentrata in pochissimi acquisti.
Questo ragionevolmente porta a pensare che le università abbiano negli anni sviluppato poche competenze, presumibilmente centralizzate presso gli uffici tecnici e amministrativi centrali, in merito alla gestione di gare ad evidenza pubblica, e parallelamente un significativo numero di uffici amministrativi, anche decentrati, dedicati a gestire piccoli e piccolissimi acquisti, esclusivamente in affidamento diretto, e quindi con competenze puramente amministrativo/contabili e non nella gestione di acquisti in generale e appalti pubblici in particolare. Questi dati fanno chiaramente capire come l’introduzione di MEPA, ovvero di uno strumento telematico che per sua natura incentiva fortemente all’utilizzo di procedure comparative anche per piccolissimi acquisti, abbia avuto un impatto organizzativo molto forte per le università, probabilmente più pervasivo che in altri settori della pubblica amministrazione.
18. Impatto del MEPA nel modello di acquisto delle università Come è stato mostrato nel corso del presente lavoro, il modello di acquisto nelle università è caratterizzato da un numero di piccoli acquisti molto rilevante e sicuramente molto più alto di altri settori della Pubblica Amministrazione. In un contesto di questo genere, l’introduzione dell’obbligo all’utilizzo del MEPA ha avuto probabilmente impatti maggiori e diversi rispetto ad altri settori pubblici. Durante l’analisi più volte si è fatto cenno a questa evidenza, ma in conclusione sembrava rilevante far notare come uno strumento pensato per dare uno strumento innovativo a supporto di acquisti che pesano il 10-‐15 % in altri settori della spesa pubblica (valore rilevato nei comuni analizzati), nel contesto universitario ha avuto un impatto potenziale su oltre il 50% dell’importo acquistato. In un contesto così strutturalmente frammentato come l’università, l’utilizzo di uno strumento come MEPA spinge verso cambiamenti organizzativi in modo probabilmente molto più forte e pervasivo rispetto ad altre pubbliche amministrazioni. I richiedenti di piccoli acquisti sono spesso migliaia all’interno delle università (tutti i docenti e non solo) e prima dell’introduzione di MEPA in molti casi erano loro stessi a definire l’acquisto (scelta del fornitore, trattativa, definizione delle specifiche e del prezzo, ecc…), lasciando al personale amministrativo la sola procedura contabile. L’introduzione di MEPA ha naturalmente spinto verso una maggiore attenzione e una professionalizzazione in merito ai piccoli acquisti. Tale professionalizzazione è infatti necessaria se si vuole utilizzare il MEPA in modo corretto e utile, ovvero utilizzando procedure comparative di RDO e non affidamenti diretti. Tuttavia va ricordato che le figure amministrative che si sono trovate a gestire le procedure di acquisto su MEPA, con ogni probabilità, non provengono da strutture competenti a gestire procedure di acquisto e appalti pubblici (che come si è visto sono pochissimi in numero rispetto ai micro acquisti), ma da uffici preparati solo a gestire contabilmente l’enorme numero di micro acquisti. Per un ufficio preparato a gestire acquisti e gare d’appalto, l’introduzione dei mercati elettronici ha soltanto ridotto i tempi e l’impegno necessario per gestire procedure di cottimo fiduciario, spostandone quindi l’utilizzo possibile (in termini di efficacia ed efficienza) ad importi anche molto piccoli. Per uffici puramente contabili invece, l’introduzione di MEPA ha richiesto un cambiamento significativo del tipo di attività svolte e di competenze richieste, almeno se lo si vuole utilizzare in modo corretto e vantaggioso, con reali procedure comparative, e non solo in modo formale. Si può quindi capire come l’introduzione dell’obbligo all’utilizzo di MEPA nelle università sia stata l’occasione per una profonda revisione organizzativa, solo all’esito della quale sarà possibile vedere i reali vantaggi in termini di risparmio ed efficacia della spesa pubblica. Naturalmente questa occasione deve essere raccolta dai singoli enti e fatta propria, a costo di faticosi mutamenti organizzativi, per dare frutti: altrimenti il MEPA si riduce ad un ulteriore appesantimento burocratico privo di reale efficacia.
ALLEGATO A – ELENCO UNIVERSITA’ ANALIZZATE UNIVERSITA' 2013 2014 IUSS Pavia 1 1 Politecnico di Bari
1
Politecnico di Milano 1 1 Politecnico di Torino 1 1 SISSA 1 1 Scuola Superiore Sant'Anna
1
Universita degli Studi di Brescia
1 Universita di Chieti-‐Pescara 1 1 Universita di Foggia 1 1 Universita di Palermo 1 1 Universita di Pavia 1 1 Universita di Pisa
1
Universita per Stranieri di Perugia
1 Universita' Sannio 1 1 Universita' di Milano Bicocca 1 1 Universita' di Napoli Federico II 1 1 Universita' di Padova
1
Universita' di Reggio Calabria 1 1 Universita' di Torino 1 1 Universita' di Urbino 1 1 Università Ca' Foscari Venezia 1 1 Università Parthenope 1 1 Università Politecnica delle Marche 1 1 Università dell'Aquila 1
Università del Molise
1 Università del Piemonte Orientale
1
Università del Salento
1 Università dell'Insubria
1
Università della CALABRIA 1 1 Università della Valle d'Aosta
1
Università di Bari 1 1 Università di Basilicata 1 1 Università di Bergamo 1 1 Università di Bologna 1 1 Università di Cagliari 1 1 Università di Camerino
1
Università di Cassino 1 1 Università di Catania 1 1 Università di Ferrara 1 1 Università di Genova 1 1 Università di Macerata 1 1
Università di Messina 1 1 Università di Milano 1 1 Università di Napoli 2 1 1 Università di Parma 1 1 Università di Roma 2
1
Università di Roma La Sapienza 1 1 Università di Roma Tre 1 1 Università di Sassari 1 1 Università di Teramo 1 1 Università di Trieste
1
Università di Verona 1 1 TOTALE 38 51
ALLEGATO B – ELENCO COMUNI ANALIZZATI COMUNE 2013 2014 Cremona
1
Mantova
1 Bergamo 1 1 Como 1 1 Lecco 1 1 Lodi
1
Milano 1 1 Monza
1
Pavia 1 Sondrio 1 1
Varese 1 1 TOTALE 7 10