OSSERVATORIO SOCIO ECONOMICO DELLA PESCA E DELL'ACQUACOLTURA

UN MODELLO PILOTA PER LA DEFINIZIONE DI UN SISTEMA DI GOVERNO DEL MERCATO

DEL PESCE AZZURRO

Quirino Biscaro

Chioggia, sala convegni ASPO, 12 ottobre 2009

2

I INTRODUZIONE

Negli anni recenti i mercati italiani del pesce azzurro subiscono sempre più frequentemente gli effetti indesiderati di improvvisi eccessi di offerta. Tali fenomeni di disequilibrio sono irregolari e discontinui, ma il loro accadimento è praticamente certo. Presso i decisori pubblici è quindi sempre più diffusa l'esigenza di "governare" tale mercato, ma vi sono due ordini di problemi: 1. ad un primo livello il problema è di tipo politico: concerne il fatto se sia giusto o meno

governare un mercato che in teoria dovrebbe funzionare in autonomia, secondo i classici dettami di un'economia capitalistica; in questa sede, però, il problema non può essere risolto, e giocoforza si assume che lo sia in modo positivo;

2. ad un secondo livello il problema è tecnico, che dipende dal numero e dalla complessità delle variabili in gioco, nonché dai nessi causali tra le stesse.

È quest'ultimo il campo d'interesse della presente indagine, che ha lo scopo di fare chiarezza sulle variabili coinvolte e sulle relazioni poste in essere, il tutto con un approccio scientifico che "metta in mano" al decisore pubblico la possibilità di intervenire con strumenti appropriati. La complessità da governare si presenta come segue: 1. come qualsiasi altro mercato, quello del pesce azzurro soffre le fluttuazioni incontrollate

della domanda e dell'offerta; 2. dal lato del produttore, il fatto più temuto è l'eccesso di offerta che deprime il prezzo del

pescato e quindi anche la redditività di tutta la filiera a monte del mercato; 3. l'eccesso di offerta potrebbe però mascherare l'irregolarità della domanda; il fatto non

sarebbe tra trascurare: dal lato dell'offerta il problema coinvolgerebbe ciò che gli economisti definiscono "Funzione di Produzione", caratterizzata dall'impiego di capitale e lavoro; dal lato della domanda il problema si sposta sulle preferenze al consumo e, soprattutto, sul fattore prezzo;

4. in ogni caso il settore presenta i ben noti vincoli dati dalla limitazione dello sforzo di pesca;

5. la profittabilità della filiera del pesce azzurro subisce tutto questo, con un'alternanza di risultati economici che altera i calcoli di convenienza economica e riduce la razionalità di nuovi investimenti nel settore.

Il modello-pilota che di seguito verrà delineato non ha l'ambizione di essere la panacea per i problemi che affliggono il mercato del pesce azzurro, ma costituisce il nucleo forte di un metodo di governo complesso che punta a gestire i fenomeni descritti, con un estensione territoriale che abbracci tutto il Mar Adriatico. Questa indagine si sviluppa come segue: 1. capitolo II: si delinea il sistema generale, del quale il presente modello costituisce la

componente determinante;

Si ringrazia il dott. Enzo Fornaro, i cui commenti e suggerimenti sono stati determinanti. Resta inteso che ogni responsabilità dell'indagine è a carico dello scrivente.

3

2. capitolo III: si presentano le variabili coinvolte, commentadone (a priori) le caratteristiche di base;

3. capitolo IV: si definisce il modello-pilota oggetto di questa indagine, e mediante il medesimo si testano gli effetti sulla redditività dell'impresa di pesca;

4. capitolo V: si estrapolano alcune considerazioni dai risultati del modello, prefigurandone gli ulteriori aspetti da indagare.

II IL MODELLO GENERALE

Il sistema complesso con il quale si ha l'ambizione di governare il mercato del pesce azzurro del Mar Adriatico si articola in 5 blocchi tematici: Il primo blocco 1. Definizione: analisi delle catture con la logica della Funzione di Produzione, dove il fattore

capitale è approssimato dal tonnellaggio ed il fattore lavoro è approssimato dalle giornate di pesca, cui si aggiunge il fondamentale terzo fattore rappresentato dalla biomassa sulla quale i pescatori esercitano la loro attività.

2. Obiettivo: parametrizzare le catture a variabili che non sono solamente espressione della produzione ma che sono anche strumenti che il decisore pubblico impiega per la limitazione dello sforzo di pesca, nel contempo senza trascurare le tematiche biologiche (preservazione della biomassa).

Il secondo blocco 1. Definizione: analisi della biomassa, per consentire alle tematiche biologiche di avere una

"finestra" su problemi prettamente economici. Tra le varie impostazioni possibili, si propende per l'utilizzo del modello di Fox o di quello di Pella-Tomlinson.

2. Obiettivo: consentire di parametrizzare correttamente il legame tra catture, tonnellaggio e giorni di pesca.

Il terzo blocco 1. Definizione: si enucleano le caratteristiche quantitative della domanda. Questa fase

dell'indagine va affrontata in maniera dicotomica, giacché esiste una domanda nazionale ed una estera.

2. Obiettivo: individuare le vere determinanti della domanda, e parametrizzare le catture alle stesse.

Il quarto blocco 1. Definizione: individuare il meccanismo di formazione del prezzo di vendita sui mercati del

pesce azzurro. 2. Obiettivo: definire i parametri di impatto degli interventi di regolazione del decisore

pubblico. Il quinto blocco 1. Definizione: sulla base dei risultati dei primi 4 blocchi tematici, definire le possibili

strategie del decisore pubblico.

4

2. Obiettivo: simulare gli effetti di tali strategie, stimandone in particolare l'impatto sulla profittabilità dell'impresa di pesca.

Il modello generale di analisi e gestione appena tratteggiato non ha solamente conseguenze operative, ma anche non meno importanti conseguenze sistemiche. Si consideri infatti quanto segue: 1. Gli strumenti per la limitazione dello sforzo di pesca [licenze (tonnellaggio) e giorni di

blocco], originariamente pensati come leve per la regolazione delle istanze biologiche, diverrebbero anche strumenti di accomodamento delle istanze economiche, giacché verrebbero impiegati per "modellare" le quantità di offerta in relazione alla ciclicità della domanda di pesce azzurro.

2. Il perseguire istanze economiche non sarebbe più considerata una minaccia per le istanze biologiche.

III LE PREMESSE DEL MODELLO-PILOTA

L'analisi che qui viene sviluppata si concentra sui temi del quarto blocco del modello generale. Pur se questo non costituisce il momento iniziale del sistema prima prefigurato (ruolo svolto dal primo blocco), il quarto blocco ne costituire il cuore. Infatti nessuna ipotesi di governo dei mercati ittici avrebbe senso se prima non fossero chiari i parametri di impatto economico del decisore pubblico. Più precisamente, è chiaro che gli interventi potrebbero comunque essere delineati, ma i loro presumibili effetti potrebbero essere prefigurati solo in termini qualitativi: in altri termini, dal punto di vista quantitativo il decisore pubblico opererebbe "al buio", assumendosi perciò rischi oltre ogni ragionevole misura in un settore in cui l'economicità è sempre più messa sotto stress da costi crescenti (come ad esempio il costo del carburante). Quanto viene di seguito descritto permane comunque un modello-pilota, non tanto perché riferibile al solo quarto blocco del modello generale, quanto perché limitato da quanto segue: 1. nell'ambito del pesce azzurro si concentra l'attenzione esclusivamente sulla specie

Engraulis Encrasicolus, la comune Acciuga; 2. il mercato preso come target è quello di Chioggia; così facendo si assumono esogeni i

rilevanti impatti incrociati tra i mercati ittici adriatici (quinto blocco), ai quali i principali acquirenti di Acciughe si rivolgono simultaneamente;

3. non vengono considerate le istanze biologiche (secondo blocco), poiché ciò non ha alcun senso considerando le attività di pesca della sola Chioggia, e nemmeno le caratteristiche della domanda (terzo blocco) né la parametrizzazione delle catture allo sforzo di pesca (primo blocco).

Quanto osservato al precedente punto 2 costituisce l'aspetto più vincolante del modello qui presentato, giacché sono proprio gli effetti di interazione tra i vari mercati che il decisore pubblico deve governare. Tali effetti saranno ovviamente indagati in futuro, quando saranno affrontati gli altri quattro blocchi del modello generale. In ogni caso il modello-pilota, pur se precisamente circoscritto, rimane il cardine dell'intero sistema per i motivi già detti in apertura di questo capitolo. Fatte queste doverose premesse, al fine di studiare la relazione tra quantità offerta e prezzo delle Acciughe sono state prese in considerazione le seguenti variabili: 1. prezzo medio giornaliero del mercato ufficiale di Chioggia;

5

2. prezzo medio giornaliero che si forma all'esterno di detto mercato (prevalentemente acquirenti spagnoli);

3. le quantità giornaliere scambiate nel mercato ufficiale di Chioggia; 4. le quantità giornaliere scambiate all'esterno del mercato ufficiale di Chioggia; 5. le quantità giornalmente congelate; 6. alcuni aspetti legati al calendario del periodo considerato

a. i principali periodi di festività, come proxy dei picchi di domanda; b. i periodi di sosta non inferiori a due giorni, al fine di catturare un effetto definibile

"lunedì", cioè l'impatto sul prezzo di quei giorni in cui si concentra una domanda che per almeno due giorni non ha trovato offerenti;

7. la forza del mare nei pressi del porto di Pila, approssimata dall'intensità del vento in quella zona, come proxy delle difficoltà ambientali del principale concorrente di Chioggia.

Queste variabili verranno testate sull'anno 2006; ciò per due basilari motivi: 1. il 2006, rispetto al 2007, presenta dei periodi di forte turbolenza dei prezzi (tra gennaio e

marzo), quindi i parametri di stima ottenuti da una simile annata si rivelerebbero particolarmente adatti per la previsione di momenti di shock dei mercati;

2. il modello-pilota fondamentalmente deve riflettersi sui conti economici delle imprese di pesca, e ad oggi questi sono interamente disponibili solo per il 2006.

Si considerano ora le caratteristiche principali delle variabili suddette: 1. Si presenta la scelta del considerare come prezzo-target il solo il prezzo d'asta ufficiale

oppure entrambi: cioè prezzo d'asta ufficiale e prezzo del mercato esterno. Nel primo caso il modello-pilota andrebbe a spiegare la formazione del solo prezzo ufficiale (prezzo d'asta), mentre nel secondo si opererebbe sulla base della media ponderata dei due prezzi. A favore della seconda opzione depongono questi due fattori: a. l'obiettivo finale del modello-pilota è consentire simulazioni sui conti economici delle

imprese di pesca: quindi non si può non tener conto che negli stessi vengono rilevati i ricavi totali e non sono delle vendite al mercato ufficiale;

b. formalmente le due contrattazioni si svolgono in sequenza, ma sostanzialmente si possono considerare simultanee giacché nel mercato ufficiale gli astanti sono già in grado di stimare eventuali eccessi di offerta che non potrebbero essere smaltiti sul mercato ufficiale.

2. Il prezzo medio ponderato presenta i seguenti valori in alcuni particolari sottoperiodi dell'anno di stima:

6

PERIODO P MEDIO VARIABILITÀ DEL PREZZO (1)

contrattazioni con eccesso di offerta (2) 0.87 0.25 contrattazioni senza eccesso di offerta 1.54 0.92

gennaio – febbraio e dicembre 1.84 0.83 marzo – maggio 1.43 0.98 giugno – luglio 0.77 0.10

agosto – novembre 0.95 0.30

lunedì 1.36 1.03 martedì 1.21 0.74

mercoledì 1.32 0.76 giovedì 1.27 0.72 venerdì 1.20 0.68

dopo almeno 2 gg di sosta 1.43 1.08 se non vi sono almeno 2 gg di sosta 1.23 0.69

(1) la misura di variabilità utilizzata Standard Deviation (2) giorni in cui si è dovuto congelare parte delle catture

3. A causa di alcuni periodi di forte turbolenza, nel 2006 la serie storica del prezzo presenta

numerosi outliers. Com'è noto, trattasi di valori del tutto anomali, fatto di cui si deve tener conto nel processo di stima del modello-pilota qualora gli outliers non avessero una plausibile spiegazione economica. A tal fine si rammenti che il modello-pilota è un modello "chiuso", giacché considerando solo l'area di Chioggia trascura tutte le interazioni della stessa con il resto dell'Adriatico, in particolare con il porto di Pila; inoltre è un modello che considera molto limitatamente la domanda (come prima indicato, l'unico effetto della stessa viene introdotto considerando l'influenza dei principali periodi di festività). Ciò implica che parte dei prezzi che nel modello di Chioggia appaiono senza spiegazione, quindi outliers, abbiano invece una precisa origine: potrebbero infatti essere effetto delle contrattazioni in altri mercati adriatici, o effetto di eccessi di domanda-offerta. È per questa ragione che nel modello-pilota gli outliers sono stati "segnalati" mediante una dummy, senza invece procedere al loro trattamento mediante i tre consueti metodi della rejection, dell'incorporation o dell'accomodation-winsorization (verrebbero rispettivamente eliminati, analizzati separatamente, sostituiti con valori nearest neighbours).

4. Innanzitutto, però, gli outliers vanno individuati. Dati i tre tradizionali metodi per farlo: a. mediante rappresentazioni grafiche dei dati b. mediante test statistici c. mediante l'esperienza sul tema

si è optato per la terza opzione, vista l'imprecisione del metodo grafico e la probabilità dei test statistici di commettere errori di masking (considerare non anomalo un dato che invece è un outlier) e swamping (considerare outlier un dato che effettivamente non è anomalo). Si è pertanto stabilito che il prezzo vada considerato anomalo ogniqualvolta ecceda i 14 euro a cassetta, quindi i 2 euro al kg. Sulla base di questo, il 14.6% dei prezzi del 2006 vanno considerati outliers; la quasi totalità (il 13.2%) sono concentrati tra gennaio e marzo.

5. Il coefficiente di Bravais-Pearson indica l'esistenza di correlazione tra i prezzi ed i seguenti eventi:

a. i periodi di sospensione della pesca di almeno 2 giorni; b. i periodi corrispondenti alle tradizionali festività pasquali e natalizie.

È per questo che tra le variabili esplicative sono stati considerati anche gli effetti legati al calendario precedentemente citati.

6. Il medesimo coefficiente segnala correlazione tra la forza del mare e la quantità pescata, e quindi, pur se indirettamente, con il prezzo di mercato: è per questo che, come prima

7

segnalato, si considera come variabile esplicativa la forza del mare soprattutto nei pressi del porto di Pila, il principale mercato concorrente di quello di Chioggia.

IV IL MODELLO-PILOTA

In base a quanto premesso nel capitolo precedente, le variabili considerate sono le seguenti:

P il prezzo medio ponderato tra quello del mercato d'asta e quello del mercato esterno

Q le quantità offerte totalmente, cioè su entrambi i mercati; questa serie storica si è ottenuta sommando le quantità effettivamente scambiate e quelle successivamente congelate (in quanto non assorbite dai due mercati)

V la velocità del vento presso il porto di Pila, come proxy della forza del mare in quel luogo

F dummy per il primo effetto-calendario: le festività pasquali e natalizie

S dummy per il secondo effetto-calendario: almeno due giorni di sosta

O dummy per l'effetto di ciascun outlier, singolarmente considerato

GM dummy per l'effetto della concentrazione degli outliers tra gennaio e marzo

Le tecniche di identificazione del modello segnalano tra le variabili esplicative anche la variabile dipendente (il prezzo medio ponderato tra mercato ufficiale e non ufficiale) ritardata di n periodi, con n pari almeno a 10 giorni. Ciò aumenta la probabilità di autocorrelazione dei residui, con tutto ciò che notoriamente ne consegue. Si è scelto di ovviare a questo possibile problema ritardando anche la variabile che rappresenta le quantità offerte sul mercato, per lo stesso valore di n. Il modello prescelto considera inoltre esplicitamente n termini di tipo auto-regressive giacché gli n lags delle quantità offerte non neutralizzano del tutto l'autocorrelazione. A questo punto, però, si sono introdotti anche n termini di tipo moving-average: ciò perché l'analisi dell'autocorrelation e della partial autocorrelation non conferma la presenza esclusiva di soli termini auto-regressive. Più specificamente, poiché né l'autocorrelation né la partial autocorrelation declinano secondo una progressione geometrica, si deve giocoforza considerare una combinazione di termini auto-regressive e moving-average (sono stati testati anche modelli solo auto-regressive e solo moving-average, ma la bontà delle stime è risultata inferiore a quella del modello prescelto). Infine si sono testate sia le variabili "grezze" sia alcune loro trasformazioni: il miglior modello è apparso quello che si basa sui logaritmi neperiani del numero-indice delle variabili "prezzo", "quantità" e "forza del mare" (ciascun numero indice ha per base il dato corrispondente al primo giorno di pesca del 2006), oltreché, ovviamente, sulle 4 dummies e sui termini auto-regressive e moving-average. In sintesi, indicando con ln il logaritmo neperiano, con i la trasformazione della variabile grezza in numero-indice, con ar i termini di tipo auto-regressive, con ma i termini di tipo moving-average, con e i residui della stima, il miglior modello-pilota è apparso essere il seguente:

t

i

1n

ma

n

i

1n

ar

nt

gm

t

o

t

s

t

fi

0nnt

v

n

i

0nnt

q

n

i

1nnt

p

nt

enmanargmo

sfiviqipip

)()(

lnlnlnln

8

con: t = 219 giorni di pesca tra il 2 gennaio 2006 ed il 29 dicembre 2006 i = 10 Selezionando i coefficienti β con il test "T di Student", si perviene alla seguente configurazione finale:

Dependent Variable: Ln(IPt) Convergence achieved after 41 iterations Included observations: 212 after adjustments Method: Least Squares

Coefficient Std. Error t-Statistic (1) Prob.

Ln(IPt-1) 0.207 0.041 5.085 0.000 Ln(IPt-2) -0.063 0.045 -1.410 0.160 Ln(IPt-3) -0.134 0.048 -2.793 0.006 Ln(IPt-4) 0.107 0.037 2.865 0.005 Ln(IPt-7) 0.212 0.044 4.793 0.000 Ln(IPt-10) 0.199 0.044 4.567 0.000 Ln(IQt) -0.085 0.014 -6.305 0.000 Ln(IQt-2) 0.027 0.014 1.967 0.051 Ln(IQt-5) 0.064 0.012 5.571 0.000 Ln(IQt-6) 0.017 0.011 1.533 0.127 Ln(IQt-7) 0.023 0.013 1.842 0.067 Ln(IQt-8) 0.048 0.011 4.245 0.000 Ln(IQt-9) 0.018 0.011 1.643 0.102 Ln(IQt-10) 0.026 0.014 1.908 0.058 Ln(IVt) 0.233 0.027 8.560 0.000

Ft 0.100 0.066 1.519 0.131 St 0.059 0.022 2.730 0.007 Ot 0.558 0.047 11.883 0.000

GMt 0.225 0.088 2.563 0.011 GMt 0.225 0.088 2.563 0.011

AR(1) 0.072 0.068 1.069 0.286 AR(2) 0.128 0.076 1.679 0.095 AR(3) 0.276 0.073 3.796 0.000 AR(5) -0.193 0.071 -2.741 0.007 AR(7) -0.234 0.075 -3.109 0.002 AR(9) -0.218 0.062 -3.536 0.001 AR(10) 0.404 0.069 5.897 0.000 MA(2) 0.097 0.028 3.499 0.001 MA(3) -0.122 0.021 -5.943 0.000 MA(5) 0.211 0.016 13.108 0.000 MA(6) 0.304 0.016 19.214 0.000 MA(7) 0.247 0.023 10.575 0.000 MA(9) 0.430 0.019 23.046 0.000 MA(10) -0.581 0.020 -29.616 0.000

R-squared 0.91380 Mean dependent var

3.85881

Adjusted R-squared 0.89839 S.D. dependent var

0.46919

9

S.E. of regression 0.14956 Akaike info criterion

-0.82014 Sum squared resid 4.00380 Schwarz criterion

-0.29766

Log likelihood 119.93530 Hannan-Quinn criter.

-0.60897 Durbin-Watson stat 2.01874

(1) si sono mantenuti i "T di Student" non inferiori a 1; ciò massimizza la capacità previsiva del modello

I risultati appena esposti confermano la dipendenza del prezzo corrente anche da prezzi e quantità di periodi precedenti; si confermano rilevanti anche gli effetti-calendario, le difficoltà di pesca del principale porto concorrente (approssimate dalla forza del mare nei pressi di quel porto), i fenomeni per ora non spiegati che determinano la numerosità e la concentrazione temporale degli outliers. Per quanto riguarda la capacità previsiva del modello, si consideri il grafico seguente nel quale vengono affiancati i prezzi che effettivamente sono stati registrati e quelli ridefiniti sulla base del modello di stima:

Un modello siffatto consente di quantificare gli impatti dell'"amministrazione" delle quantità offerte sui conti economici delle imprese di pesca. A tal fine sono necessari alcuni parametri aziendali, che in questa sede sono stati desunti da una impresa di pesca che si può considerare rappresentativa di tutto l'insieme delle imprese interessate dalla pesca delle Acciughe (nel 2006 erano 10). In primo luogo, va detto che il parametro fondamentale è il costo unitario di produzione, misurando quest'ultima in termini quantitativi, cioè determinando i kg di Acciughe catturate nell'anno. Per farlo, si è dovuto dapprima normalizzare i risultati della produzione. Si presenta infatti il problema che le imprese interessate da questo tipo di pesca presentano una minoranza di catture di altre tipologie di pesce, le quali inducono sia costi di produzione che ricavi di vendita. È evidente però che la situazione ideale per le simulazioni che costituiscono l'obiettivo di questa parte dell'indagine richiederebbe che ciascun costo sia riferibile alle sole Acciughe. Quindi si è provveduto a trasformare le altre catture in Acciughe-equivalenti, con una metodologia analoga a quella che le imprese industriali utilizzano quando trasformano i semilavorati in prodotti finiti equivalenti. La procedura utilizzata è stata la seguente: ai prezzi di mercato vigenti nel 2006, si è valutata la quantità di Acciughe che avrebbe generato i ricavi effettivamente registrati in conseguenza di catture di altro tipo. In secondo luogo, va chiarita quale tipologia di costo debba essere presa a parametro dal decisore pubblico. A priori è palese che il parametro ottimale debba essere il costo totale unitario di produzione, ma si deve considerare quanto segue:

10

1. I costi totali, com'è noto, sono la somma di costi variabili e di costi fissi; 2. Questi ultimi possono essere molto differenziati tra impresa e impresa, in dipendenza di

fattori quali a. la diversa età e dimensione delle barche, dalle quali dipendono sostanzialmente gli

ammortamenti b. le scelte di indebitamento degli imprenditori, che generano gli oneri finanziari; questi

ultimi, a parità di indebitamento, differiscono fortemente anche in base alla banca creditrice

c. i costi minimi contrattuali del personale, che dipendono sostanzialmente dalla tipologia e dimensione della barca, che ne condiziona la numerosità; questi costi variano molto anche in relazione al ruolo svolto in barca ed all'anzianità;

3. Si pensi che nell'impresa-tipo presa a riferimento gli ammortamenti, gli oneri finanziari ed il minimo contrattuale del personale (tfr compresa) costituiscono l'87% dei costi fissi complessivi.

Ciò suggerisce che il parametro di costo che deve essere preso come target dal decisore pubblico sia il solo costo variabile unitario, poiché (potenzialmente) molto più uniforme tra le imprese coinvolte di quanto non siano i costi fissi (si pensi ad esempio al costo del carburante, che nell'impresa-tipo rappresenta da solo il 66% dei costi variabili). Ed è evidente che l'uniformità del parametro di costo è un carattere decisivo per il decisore pubblico: infatti, posto che il prezzo di mercato dovrebbe diventare uniforme (laddove non lo sia già) per effetto dell'azione di "amministrazione" delle quantità offerte, l'uniformità del parametro di costo pressoché garantirà anche l'uniformità dell'impatto aziendale di tale azione, scongiurando così effetti altamente discriminanti (si deve evitare una sorta selezione darwiniana delle imprese causata da diverse condizioni di partenza nella struttura dei costi aziendali). È altresì evidente che se il parametro di costo si sposta da quello totale a quello variabile, l'impatto dell'azione del decisore pubblico non dovrà essere misurato sul profitto finale (ricavi-costi) ma sul margine lordo di contribuzione (ricavi-costi variabili): in altri termini, tale azione sarà valutata in relazione alla sua capacità di permettere o meno all'impresa di finanziare i costi fissi. A tal fine, si rammenti che nell'impresa-tipo i costi fissi rappresentano il 55% dei costi totali. Conseguentemente la possibile sequenza degli eventi nell'ipotesi di "amministrazione" delle quantità offerte si può così sintetizzare: 1. Si stabilisce la quantità di offerta che non deve essere "presentata" al mercato, mediante

una riduzione delle giornate di pesca (vanno considerate le catture medie giornaliere delle barche dedicate alla pesca delle Acciughe).

2. Il modello-pilota stimerà l'impatto sul prezzo della minor offerta. 3. Il nuovo prezzo si applicherà ad una minor quantità scambiata, quindi, pur se più elevato,

si potranno anche generare ricavi totali inferiori. 4. Si deve però anche considerare che le minori giornate di pesca implicano una analoga

riduzione dei costi variabili totali. 5. Ciò potrà generare un margine lordo di contribuzione anche superiore a quello che si

avrebbe in assenza di intervento sulle quantità. 6. Se ciò accade, l'azione di regolazione otterrebbe il risultato più apprezzabile. Non si deve

però dimenticare che in caso contrario non è lecito considerare fallita tale azione, poiché si deve comunque assegnare un valore al tempo libero che l'azione genera all'imprenditore e al personale (che spesso viene impiegato in altre attività lavorative).

11

Detto questo, nella presente indagine si tenta di anticipare parte del quinto blocco del modello generale (si prescinde dagli effetti di interazione con gli altri mercati adriatici) simulando la "sottrazione" dal mercato delle quantità che nel 2006 hanno costituito un eccesso di offerta: le Acciughe invendute e congelate. La correzione apportata alle effettive serie storiche è stata selettiva: le quantità in oggetto non sono state sottratte uniformemente da tutte le giornate di mercato ma esattamente nei giorni in cui l'eccesso di offerta si è verificato; ciò ovviamente massimizza l'aumento del prezzo medio. I risultati della simulazione sono sintetizzati nella tabella che segue; si rammenti che le esigenze di stima del modello-pilota consentono la simulazione dall'11 gennaio 2006 al 29 dicembre 2006:

CATEGORIE ECONOMICHE VALORI EFFETTIVI VALORI SIMULATI

ricavi del mercato (totale) di Chioggia 5.480.368 € 5.416.783 €

costi variabili delle imprese di Chioggia (1) 2.837.677 € 2.613.282 €

margine lordo di contribuzione 2.642.691 € 2.803.500 €

variazione del margine +6,09% (1) In entrambi i casi si tratta di una stima: applicazione del parametro di costo

variabile unitario alle quantità prodotte (assunte uguali a quelle offerte)

I risultati che nel 2006 si sarebbero potuti ottenere sul mercato di Chioggia sono quindi ottimali (punto 5 della precedente sequenza di eventi). V ALCUNE RIFLESSIONI

Sulla base di quanto rilevato nei capitoli precedenti, è ora possibile dare un giudizio sull'obiettivo sottostante l'indagine, ovvero se sia utile "amministrare" le quantità offerte sui mercati in cui si tratta il pesce azzurro. I dati esposti nella tabella di pagina 5, pur se limitati ai mercati di Chioggia del 2006, danno una prima conferma della bontà di tale obiettivo. Si deve infatti notare che: 1. Se "amministrare" l'offerta significa ridurre le quantità, ciò si traduce in un numero

inferiore di giorni di pesca: nei giorni successivi ad almeno due giorni di sosta il prezzo medio è superiore a quello dei periodi in cui la domanda può rifornirsi quotidianamente senza soluzione di continuità (1.43 contro 1.23).

2. Nei giorni in cui si verifica certamente un eccesso di offerta (si è costretti a congelare parte delle catture), il prezzo medio è circa la metà di quello registrabile nelle altre giornate di contrattazione (0.87 contro 1.54).

3. Si consideri poi anche la variabilità del prezzo. Prendendo a riferimento i seguenti eventi: evento A: "giorni di mercato in cui non vi sono eccessi di offerta" evento B: "giorni di mercato successivi ad almeno due giorni di sosta"

si nota che essa è più elevata rispetto a quanto registrabile negli eventi alternativi ("giorni di mercato in cui vi sono eccessi di offerta" e "giorni di mercato non preceduti da almeno due giorni di sosta"). Ciò implica che nei periodi caratterizzati dai due eventi considerati la contrattazione è più "vivace", probabilmente perché gli offerenti non si trovano nella impellente necessità di piazzare comunque il prodotto: se è così, si conferisce al mercato un maggior tasso di concorrenzialità.

La seconda e più importante conferma dell'obiettivo di "amministrare" le quantità offerte viene dalla simulazione condotta sui mercati di Chioggia nel 2006. I risultati esposti in chiusura del capitolo precedente dimostrano la possibilità di aumentare il margine lordo di

12

contribuzione riducendo opportunamente le catture; ovviamente questi risultati vanno considerati con le dovute cautele, giacché: 1. La simulazione si basa su dati del 2006: il passaggio dalla teoria alla pratica richiede un

aggiornamento sui dati in linea al momento in cui si decideranno interventi di questo tipo. 2. Si dovrà perciò mettere a punto un sistema si rilevazione, sia dei prezzi del mercato

(totale) che dei costi aziendali, che sia praticamente on-line. 3. La prima condizione fondamentale per il successo di tale azione è data dalla sua

applicazione a tutto il bacino dell'Adriatico. 4. A tal fine non si potrà più prescindere dalla definizione degli altri quattro blocchi che

compongono il modello più generale (si rinvia al capitolo II). 5. Infine, la seconda condizione fondamentale per il successo dell'azione proposta è la sua

"accettazione" da parte degli operatori, il che sicuramente richiede una profonda attività di condivisione delle logiche sottostanti l'azione stessa, e probabilmente la diffusione di una maggior cultura tecnico-economica sui temi coinvolti.

BIBLIOGRAFIA

AITKEN A.C. (1935) - On least squares and linear combination of observations, Proceedings of the Royal Society

of Edinburgh, pp. 42-48 BALDESSARI B. (1972) - Modelli lineari per l'analisi delle serie storiche (parte I), Roma, Istituto di Calcolo delle

Probabilità

BARNETT V. e LEWIS T. (1995) - Outliers in statistical data, John Wiley & Sons, Inc., New York. BAROZZI G.C. E CORRADI C. (1979) - Matematica per le scienze economiche e statistiche, Bologna, Il Mulino

1979 BOX G.E.P. , JENKINS G.M. e BACON D.W. (1967) - Models for forecasting seasonal and non seasonal time

series, in HARRIS B., Spectral analysis of time series, New York, Wiley e Sons, pp. 271-311 BOX G.E.P. e COX D.R. (1964) - An analysis of transformations, Journal of the Royal Statistical Society, pp. 211-

243

BOX G.E.P. e JENKINS G.M. (1970) - Time series analysis: forecasting and control, S. Francisco, Holden Day BOX G.E.P. e PIERCE D.A. (1970) - Distribution of residuals autocorrelations in autoregressive integrated

moving average time series models, Journal of the American Statistical Association, pp. 1509-1526

BOX G.E.P. e TIAO G.C. (1965) - A change in level of a non stationary time series, Biometrika, pp. 181-192 BOX G.E.P. e COX D.R. (1964) - An analysis of transformations, Journal of the Royal Statistical Society (B), 26 n.

2.

BRILLINGER D. (1975) - Time series: data analysis and theory, New York, Rinehart & Winston COCHRANE D. e ORCUTT G.H. (1949) - Applications of least squares regression to relationships containing

autocorrelated error terms, Journal of the American Statistical Association, pp. 32-61 COSTANTINESCU P. (1966) - The classification of a set of elements with respect to a set of properties,

Computer Journal, n. 8.

DHRYMES P.J. (1970) - Econometrics statistical foundations and applications, New York, Harper & Row

DOLBY J.L. (1963) - A quick method for choosing a transformation, Technometrics, pp. 317-325 DURBIN J. (1960) - Estimation of parameters in time series regression models, Journal of the Royal Statistic

Society, pp. 139-153 DURBIN J. e WATSON G.S. (1950) - Testing for serial correlation after least squares regression I, Biometrika,

pp. 409-428 DURBIN J. e WATSON G.S. (1951) - Testing for serial correlation after least squares regression II, Biometrika,

pp. 159-178 DURBIN J. e WATSON G.S. (1971) - Testing for serial correlation after least squares regression III, Biometrika,

pp. 1-19

FABBRIS L. 1997) - Statistica multivariata. Analisi esplorativa dei dati, McGraw-Hill Libri Italia s.r.l., Milano.

FIELLER N.R.J. (1976) - Some problems related to the rejection of outlying observations, Ph. D. Thesis

13

University of Hull.

GANDOLFO G. (1973) - Metodi di dinamica economica, Milano, Isedi GRANGER C.W.J. e MORRIS M.J. (1976) - Time series modelling and interpretation, Journal of the Royal

Statistic Society, pp. 246-257 HAMILTON D.C. e WATTS D.G. (1979) - Interpreting partial autocorrelation functions of seasonal time series

models, Biometrika, pp. 135-140

HANNAN E.J. (1960) - Time series analysis, London, Methuen Monographs

HANNAN E.J. (1970) - Multiple time series, New York, Wiley & Sons HARTIGAN J.A. (1967) - Representation of similarity matrices by trees, Journal of the American Statistical

Association, n. 62. HIDIROGLOU M.A. e BERTHELOT J.M. (1986) - Statistical editing and imputation for periodic business surveys,

Survey Methodology, Statistics Canada, 12

HOCHBERG Y. e TAMHANE A.C. (1999) - Multiple comparison procedures, John Wiley New York. JOBSON J.D. (1992) - Applied multivariate data analysis. Vol. II: Categorical and multivariate methods, Springer

Verlag, New York. JOHNSON R.A. e WICHERN D.W. (1992) -Applied multivariate statistical analysis, Prentice-Hall International

(UK) London.

JOHNSTON J. (1972) - Econometric methods, New York, Mc Graw & Hill book company

KENDALL M.G., BUCKLAND W.R., (1957) - A dictionary of statistical terms, New York, Hafner. KOTZ S. e JOHNSON N.L. (1985) - Mardia’s test of multinormality, in Encyclopedia of statistical sciences, Vol. 6,

Multivariate analysis, Placket and Burman designs, John Wiley & Sons, Inc., New York.

KOZIOL J.A. - Assessing multivariate normality: a compendium, Commun. Statistic Theor. Meth. n. 15.

LANDENNA G., MARASINI D. e FERRARI P. (1997) - Probabilità e variabili casuali, Il Mulino, Bologna. LEE H. (1995) - Outliers in business surveys, in COX B.G, BINDER D.A., CHINAPPA B.N., CHRlSTIANSEN A.,

COLLEDGE M.J. e KOTT P.S., Business survey methods, John Wiley & Sons, Inc., New York. LUZI O. (1998) - Un caso di localizzazione degli outliers basata sull’uso della funzione di Hidiroglou e Berthelot,

Statistica Applicata, vol. 10, n. 2. MAC QUEEN J. (1967) - Some methods for classification and analysis of multivariate observations, Proceedings

of the 5th Berkeley Symposium on mathematical statistics ad probability (vol. I), Berkeley, Calif., University of California Press.

MARDIA K.V. - Applications of some measures of multivariate skewness and kurtosis in testing normality and robustness studies, Sankhya 36.

MARDIA K.V. e KANAZAWA M., The null distribution of multivariate kurtosis, Commun. Statist. Simula. Computa., 12(5).

McCABE G.P. (1984) - Principal variables, Technometrics, n. 26.

MURPHY R.B. (1951) - One tests for outlyng observations, Ph D thesis, Princenton University. PEARSON E.S., CHANDRA SEKAR C. (1951) - The efficiency of statistical tools and a criterion for the rejection of

outlying observations, Biometrika, 28. PICCOLO D. (1977) - La logica delle strutture lineari nell'analisi delle serie storiche, Rivista Di Statistica

Applicata, pp. 135-160

PICCOLO D. E VITALE C. (1984) - Metodi statistici per l'analisi economica, Bologna, Il Mulino

SCHWAGHER S.J. e MARGOLIN B.H. (1982) - Detection of multivariate normal outliers, Ann. Statist., n.10.

SCHWARZ G. (1978) - Estimating the dimension of a model, The Annals of Statistics, pp. 461-464

SINHA B.K. (1984) - Detection of multivariate outliers in elliptically symmetric distribution, Ann. Statist. , n.12.

SIRKIN R.M. (1995) - Statistics for the social sciences, Sage Pubblications, Inc. Thousand Oaks, pp. 302-306. SOKAL R.R. e MICHENER C.D. (1958) - A statistical method for evaluating systematic relationships, Kansas

University Science Bulletin, n. 38. STAPANIAN M.A., GARNER F.C. e FITZGERALD K.E. (1991) - Properties of two tests for outliers in multivariate

data, Commun. Statist. Simula., n. 20 (2&3).

THEIL H. (1977) - Principi di econometria, Torino, Utet TOOTHAKER L.E. (1993) - Multiple comparison procedures, Sage University Paper Series on Quantitative

Applications in the Social Sciences, 07-089, Newbury Park, CA, Sage.