E&M Podcast

Introduzione

Negli ultimi anni, la crescente attenzione alle disuguaglianze economiche ha reso indispensabile un’analisi approfondita delle dinamiche interne alle imprese, con particolare riferimento alla distribuzione degli utili. Il profitto aziendale in Italia non è solo un indicatore della salute finanziaria delle imprese, ma costituisce anche un importante parametro per valutare le disuguaglianze economiche, sia tra le aziende sia al loro interno. Strumenti come la curva di Lorenz e l’indice di Gini permettono di misurare il livello di concentrazione degli utili e di confrontarlo con una distribuzione perfettamente equa (Cowell, 2011). La concentrazione degli utili può infatti riflettere la struttura di potere all’interno delle aziende italiane e il modo in cui viene distribuita la ricchezza generata (Atkinson e Bourguignon, 2014).

Questo studio si propone di esplorare tali dinamiche nel contesto delle imprese italiane lungo un arco temporale di dieci anni, dal 2014 al 2023, utilizzando dati relativi a utili, ricavi, numero di dipendenti e patrimonio netto di un ampio campione di aziende attive in diversi settori. Analizzare la distribuzione degli utili nel tempo attraverso una prospettiva longitudinale consente di identificare tendenze emergenti e monitorare l’evoluzione della disuguaglianza economica all’interno delle imprese. La curva di Lorenz sarà utilizzata per rappresentare graficamente la distribuzione cumulativa degli utili, mentre l’indice di Gini fornirà una misura sintetica della disuguaglianza osservata. Studi precedenti hanno dimostrato che un alto indice di Gini può essere associato a una gestione inefficace delle risorse o a una struttura aziendale caratterizzata da forti disparità interne (Milanovic, 2016; Piketty, 2014). Milanovic (2016), ad esempio, ha evidenziato come nelle economie avanzate un’elevata concentrazione degli utili possa indicare squilibri nelle politiche retributive e nella distribuzione dei profitti, con implicazioni rilevanti per la crescita sostenibile delle imprese.

Oltre a indagare la disuguaglianza nella distribuzione degli utili, lo studio esamina anche le relazioni tra utili, ricavi, numero di dipendenti e patrimonio netto attraverso il coefficiente di correlazione di Pearson. Comprendere queste relazioni è essenziale per determinare in che misura le dimensioni aziendali, misurate in termini di ricavi e forza lavoro, influenzano la redditività. La letteratura esistente suggerisce che il rapporto tra ricavi e utili può variare in base alle caratteristiche del settore industriale e della struttura organizzativa (Syverson, 2011). In particolare, aziende con ricavi elevati non sempre riescono a tradurre tali guadagni in utili significativi, a causa di inefficienze operative o strategie di crescita che privilegiano l’espansione rispetto alla redditività immediata (Bloom e Van Reenen, 2010). Inoltre, la correlazione tra utili e numero di dipendenti può fornire indicazioni importanti sulle dinamiche di produttività all’interno delle aziende, mettendo in luce come la gestione del capitale umano influisce sulla performance finanziaria complessiva (Garicano et al., 2016). Allo stesso modo, il patrimonio netto rappresenta un elemento cruciale, poiché una maggiore capitalizzazione aziendale può sostenere investimenti strategici e migliorare la resilienza finanziaria, influenzando positivamente la redditività a lungo termine (Piketty, 2014).

Analizzando empiricamente la distribuzione degli utili in Italia in relazione a variabili operative, come ricavi e numero di dipendenti, e variabili di capitalizzazione, come il patrimonio netto, questo studio apporta un contributo originale alla letteratura sulla disuguaglianza aziendale. L’esame di queste relazioni su un arco temporale esteso consente di approfondire la comprensione delle dinamiche aziendali e delle sfide legate alla gestione delle risorse in un contesto economico complesso. I risultati dello studio offrono quindi implicazioni pratiche rilevanti per le imprese italiane, in particolare strategie per rendere più equa la distribuzione degli utili e migliorare l’allocazione delle risorse umane, con l’obiettivo di promuovere una crescita sostenibile e inclusiva (Stiglitz, 2012). L’analisi fornisce inoltre ai manager strumenti concreti per ottimizzare le strategie di allocazione delle risorse e ridurre le disuguaglianze interne, contribuendo così al miglioramento della competitività aziendale.

Literature review

La letteratura sulla distribuzione degli utili aziendali e sulle disuguaglianze economiche offre numerosi spunti di riflessione sulle dinamiche interne alle imprese, particolarmente interessanti per il contesto italiano. Cowell (2011) propone l’uso della curva di Lorenz e dell’indice di Gini per misurare la concentrazione degli utili e valutare la distribuzione della ricchezza aziendale, un tema rilevante per il tessuto imprenditoriale italiano. Atkinson e Bourguignon (2014) approfondiscono le cause della disuguaglianza, suggerendo che politiche retributive inadeguate, unite a specifiche dinamiche organizzative, possono amplificare la concentrazione degli utili. Queste osservazioni trovano applicazione anche in Italia, dove le disparità retributive e la struttura organizzativa delle PMI incidono in maniera significativa sulla distribuzione degli utili. Syverson (2011) evidenzia come il ruolo della produttività e della struttura organizzativa influenzino la capacità delle aziende di trasformare i ricavi in utili, aspetto rilevante anche per le imprese italiane. Bartelsman et al. (2013) sottolineano l’importanza dell’allocazione efficiente delle risorse e della selezione del talento per migliorare la produttività, mentre Bloom e Van Reenen (2010) dimostrano che pratiche manageriali efficaci aumentano l’efficienza aziendale e favoriscono una distribuzione più equa degli utili, soprattutto nelle PMI. Anche in Italia, le PMI rappresentano una porzione significativa del tessuto imprenditoriale e potrebbero beneficiare di una gestione più efficiente per affrontare le disuguaglianze interne.

Wu et al. (2024) hanno analizzato come il progresso tecnologico, guidato dall’economia digitale, abbia influenzato la distribuzione del reddito, dimostrando che la digitalizzazione può accentuare le disuguaglianze economiche nelle regioni meno avanzate. Questo fenomeno è particolarmente rilevante per l’Italia, dove le differenze regionali sono accentuate dalla diversa velocità di adozione tecnologica tra Nord e Sud. Nel caso italiano, le politiche di incentivazione alla digitalizzazione previste dal PNRR possono rappresentare un’opportunità per mitigare queste disuguaglianze. Park e Kim (2017) esplorano il legame tra esclusione digitale e disuguaglianze sociali, sottolineando come l’accesso disomogeneo alle tecnologie digitali possa amplificare le disparità economiche tra imprese e regioni. Questo è in linea con le osservazioni di Bloom e Van Reenen (2010) sulle pratiche manageriali, spesso determinanti per il successo delle imprese nell’adozione di nuove tecnologie. White (2024) approfondisce l’impatto dell’economia digitale sulle disuguaglianze economiche, evidenziando il ruolo delle imprese tecnologiche nel consolidare una quota significativa degli utili globali. Anche Helpman, Melitz e Yeaple (2004) e Brynjolfsson e McAfee (2014) esplorano come la crescita delle aziende globali e l’innovazione tecnologica stiano contribuendo alla concentrazione degli utili in poche grandi imprese tecnologiche.

Piketty (2014) sottolinea come il capitale tenda a concentrarsi nelle mani di pochi, alimentando le disuguaglianze sia tra individui che tra imprese. Milanovic (2016) collega questo fenomeno alla globalizzazione, osservando che le grandi aziende globali tendono ad accentrare gli utili, amplificando le disparità economiche. In questa direzione, Autor et al. (2020) analizzano il ruolo delle superstar firms, sottolineando il loro significativo contributo all’aumento delle disuguaglianze. Bertrand e Mullainathan (2001) mostrano come i dirigenti aziendali siano spesso ricompensati in modo sproporzionato, suggerendo che una governance inadeguata può favorire una distribuzione iniqua degli utili. Gabaix e Landier (2008) approfondiscono il tema delle retribuzioni dei CEO, associando l’aumento dei loro salari alla concentrazione degli utili. Tirole (2006) e Lazonick (2014) criticano l’enfasi sul “valore per gli azionisti”, evidenziando come questa prospettiva possa portare a una distribuzione squilibrata degli utili tra dipendenti e azionisti.

Garicano, Lelarge e Van Reenen (2016) dimostrano che una cattiva gestione della crescita aziendale può compromettere l’efficienza e accentuare le disuguaglianze nella distribuzione degli utili. Kaplan e Rauh (2010) osservano che la concentrazione degli utili nelle grandi aziende finanziarie contribuisce all’aumento delle disparità di reddito. Rajan e Zingales (1998) collegano la distribuzione degli utili alla distribuzione del potere all’interno delle aziende, rimarcando l’importanza di una governance equa per mitigare le disuguaglianze. Infine, Stiglitz (2012) argomenta che una distribuzione più equa degli utili è fondamentale per garantire una crescita economica inclusiva e sostenibile.

Galbraith (2012) mette in luce l’influenza delle politiche fiscali, che spesso favoriscono i grandi capitali e intensificano la concentrazione degli utili nelle grandi imprese, un fenomeno particolarmente rilevante per l’economia italiana, caratterizzata da una rete di PMI. Saez e Zucman (2019) osservano che le politiche fiscali favoriscono la concentrazione del capitale nelle mani di pochi, amplificando le disuguaglianze. Un recente rapporto OCSE (2021) analizza l’impatto delle politiche fiscali italiane sulle disuguaglianze economiche, sottolineando la necessità di interventi mirati per sostenere le PMI e ridurre le disparità regionali, dato il loro ruolo centrale nell’economia italiana. In questa direzione, Cerqua e Pellegrini (2023) dimostrano che le politiche territoriali mirate, come i trasferimenti pubblici, possono contribuire a ridurre le disparità regionali in Italia, anche se i loro effetti tendono a diminuire nel tempo se non supportati da interventi strutturali.

In sintesi, la letteratura esaminata evidenzia che le disuguaglianze economiche sono influenzate da dinamiche tecnologiche (White, 2024; Wu et al., 2024), globali (Piketty, 2014; Milanovic, 2016) e regionali (Cerqua & Pellegrini, 2023). Tuttavia, il contesto italiano, caratterizzato dal ruolo centrale delle PMI e da persistenti disparità territoriali, richiede un’analisi più approfondita. Questo studio si propone di colmare tale gap, esaminando la distribuzione degli utili aziendali e le relative implicazioni economiche. In particolare, la ricerca si concentra su questa domanda: “In che modo ricavi, numero di dipendenti e patrimonio netto hanno influenzato la distribuzione degli utili nelle aziende italiane tra il 2014 e il 2023, e quali implicazioni manageriali emergono da questa analisi?”.

Dati e Metodologia

Questo studio si basa su dati estratti dalla banca dati Orbis, che fornisce informazioni dettagliate su aziende operanti in vari settori economici. Il campione finale, ottenuto attraverso un accurato processo di selezione e pulizia dei dati, comprende 7.517 grandi aziende italiane attive nel periodo 2014-2023. La selezione è stata effettuata applicando criteri rigorosi: sono state incluse solo le aziende con sede in Italia, classificate in base alle dimensioni (ricavi, attivi o numero di dipendenti) e con il bilancio disponibile più recente riferito al 2023. L’analisi si concentra su quattro variabili principali, che offrono una visione completa delle dinamiche economiche interne alle imprese italiane:

• utili: il risultato economico netto dell’azienda, calcolato come la differenza tra ricavi e costi totali (inclusi oneri finanziari e imposte), un indicatore fondamentale della redditività e del successo economico;
• ricavi: le entrate generate dalle attività operative principali, come la vendita di beni o la fornitura di servizi, offrendo una misura chiave della capacità dell’azienda di generare fatturato e competere sul mercato;
• numero di dipendenti: la forza lavoro totale dell’azienda, che fornisce un quadro delle dimensioni operative e delle risorse umane impiegate;
• patrimonio netto: la differenza tra attività e passività, riflettendo il valore contabile del capitale proprio di un’azienda. Indica la solidità finanziaria e le risorse residue per gli azionisti dopo aver soddisfatto i creditori. È composto da capitale sociale, riserve e utili non distribuiti.

Queste variabili, registrate su base annua dal 2014 al 2023, sono espresse in euro per utili, ricavi e patrimonio netto, e in unità per numero di dipendenti. Lo studio esplora le relazioni tra crescita economica, forza lavoro e redditività delle imprese italiane, considerando anche il ruolo del patrimonio netto per valutare la solidità finanziaria e la capacità di generare valore per gli azionisti. Queste dimensioni offrono una prospettiva integrata sulla gestione delle risorse aziendali in un contesto economico in evoluzione.

Pulizia Dataset

Durante la fase di pulizia del dataset, sono state eliminate tutte le osservazioni con dati mancanti relativi a utili, ricavi, numero di dipendenti e patrimonio netto, e quelle contrassegnate come “N.D.” o “N.S.”. Sono state inoltre escluse le imprese con ricavi pari a zero o con meno di venti dipendenti, una soglia adottata per includere solo aziende con una struttura operativa significativa. Questo processo è stato fondamentale per garantire l’affidabilità dei dati e la robustezza delle conclusioni dello studio (Kline, 2011). Come evidenziato da Deaton (1997) e Mishra et al. (2019), la solidità dei risultati dipende dalla qualità dei dati e dall’applicazione di criteri metodologici rigorosi. L’accurata pulizia del dataset e l’uso di un campione rappresentativo di 7.517 aziende italiane contribuiscono a rafforzare la validità dei risultati, assicurando che l’analisi rifletta in modo preciso la realtà economica italiana. In questo caso, la robustezza dei risultati indica che le conclusioni si fondano su dati chiari e ben selezionati, riducendo il rischio di errori e garantendo la loro validità rispetto all’intero contesto analizzato.

Indice di Gini e curva di Lorenz

Per analizzare la distribuzione degli utili aziendali, sono stati utilizzati l’indice di Gini e la curva di Lorenz. L’indice di Gini misura il livello di disuguaglianza nella distribuzione degli utili, con valori compresi tra 0 (uguaglianza perfetta) e 1 (massima disuguaglianza) (Checchi, 2000). La curva di Lorenz fornisce una rappresentazione grafica della distribuzione cumulativa degli utili, mettendola a confronto con una distribuzione perfettamente equa. In presenza di una distribuzione equa degli utili, la curva di Lorenz coinciderebbe con la linea di perfetta uguaglianza. Tuttavia, nella realtà, essa si discosta da questa linea, mostrando la concentrazione degli utili tra alcune imprese. Questi strumenti permettono di valutare il grado di concentrazione degli utili all’interno del campione di aziende analizzato (Jenkins & Van Kerm, 2009). La curva di Lorenz e l’indice di Gini sono stati calcolati utilizzando il software RStudio.

Statistiche descrittive

Per rendere il modello più robusto e approfondire la comprensione della distribuzione delle principali variabili economiche, sono state calcolate le statistiche descrittive per ricavi, numero di dipendenti e patrimonio netto. Questa analisi è indispensabile per esplorare le dimensioni aziendali e identificare eventuali correlazioni con la distribuzione degli utili, includendo il patrimonio netto come indicatore della solidità finanziaria delle aziende (Deaton, 1997; Mishra et al., 2019). Le statistiche descrittive, elaborate utilizzando il software RStudio, includono:

• media: il valore medio dei ricavi, del numero di dipendenti e del patrimonio netto nel campione, che rappresenta la dimensione media delle variabili;
• mediana: il valore centrale che divide il campione in due metà uguali, fornendo una misura resistente ai valori estremi;
• deviazione standard: indica la dispersione dei ricavi, del numero di dipendenti e del patrimonio netto rispetto alla media, evidenziando la variabilità all’interno del campione;
• curtosi: fornisce informazioni su quanto frequentemente si verificano valori estremi o outliers rispetto alla media;
• valori minimi e massimi: ricavi, numero di dipendenti e patrimonio netto più bassi e più alti registrati nel campione, che mostrano l’ampiezza della variabilità;
• primo e terzo quartile: il primo quartile rappresenta il valore sotto il quale si trova il 25% dei dati, mentre il terzo quartile rappresenta il valore sotto il quale si trova il 75% dei dati.

Per valutare la variabilità relativa dei dati e l’affidabilità delle medie, è stato calcolato il coefficiente di variazione (CV), sempre mediante l’utilizzo del software RStudio. Il CV, espresso come rapporto tra la deviazione standard e la media, misura la dispersione relativa rispetto alla media stessa. Questo indicatore è particolarmente utile per confrontare variabili con scale diverse, come ricavi, patrimonio netto e numero di dipendenti, evidenziando in che misura le medie rappresentano i dati effettivi. Come sottolineato da Everitt (2006), il CV fornisce una misura standardizzata della dispersione che è particolarmente utile in contesti in cui le variabili hanno unità di misura differenti. Inoltre, Mishra et al. (2019) evidenziano come l’uso del CV sia fondamentale per analizzare la variabilità relativa all’interno dei dati, consentendo di interpretare con maggiore precisione distribuzioni complesse.

Coefficiente di correlazione di Pearson

Per esplorare le relazioni tra utili, ricavi, numero di dipendenti e patrimonio netto è stato calcolato il coefficiente di correlazione di Pearson. Questo indicatore permette di misurare la forza e la direzione della relazione lineare tra due variabili. L’obiettivo di questa analisi è verificare se esistono correlazioni significative tra la redditività delle aziende (misurata dagli utili), le loro dimensioni (ricavi), la forza lavoro (numero di dipendenti) e la solidità finanziaria (patrimonio netto) (Freeman, 2009).

Il coefficiente di correlazione di Pearson è stato calcolato utilizzando il software RStudio. L’analisi del coefficiente di correlazione di Pearson fornisce importanti indicazioni su come le dimensioni aziendali influenzino la distribuzione degli utili. La verifica di queste correlazioni consente di identificare eventuali pattern o tendenze che possano supportare ipotesi economiche rilevanti sulla distribuzione della ricchezza aziendale e sul rapporto tra performance finanziaria e gestione del personale (Autor e Salomons, 2018).

Distribuzione geografica e analisi per macroaree

L’integrazione della dimensione geografica nello studio permette di valutare eventuali disparità territoriali nella distribuzione degli utili e delle altre variabili economiche, offrendo una prospettiva più completa. Le imprese sono state suddivise in tre macroaree (Nord, Centro e Sud) in base alla sede aziendale, informazione estratta dalla banca dati Orbis. Le macroaree sono definite come segue:

• Nord: Valle d’Aosta, Piemonte, Liguria, Lombardia, Trentino-Alto Adige, Veneto, Friuli-Venezia Giulia, Emilia-Romagna;
• Centro: Toscana, Umbria, Marche, Lazio;
• Sud e Isole: Abruzzo, Molise, Campania, Puglia, Basilicata, Calabria, Sicilia, Sardegna.

Per questa analisi sono state applicate le stesse tecniche precedentemente descritte, includendo il calcolo dell’indice di Gini, le statistiche descrittive e il coefficiente di correlazione di Pearson.

Risultati

L’analisi ha identificato variazioni significative nella distribuzione degli utili in relazione alle dinamiche di mercato e alle politiche aziendali. I risultati mettono in luce l’interazione tra dimensione aziendale, redditività, solidità finanziaria e capacità operativa, suggerendo come ricavi, gestione del personale e patrimonio netto influenzino diversamente le aziende. L’impiego combinato dell’indice di Gini e della curva di Lorenz ha permesso di quantificare e visualizzare la disuguaglianza, fornendo un quadro completo dell’evoluzione della distribuzione degli utili durante il periodo considerato. L’analisi è stata arricchita da statistiche descrittive su ricavi, numero di dipendenti e patrimonio netto insieme al coefficiente di variazione (CV), offrendo una misura della variabilità relativa delle principali variabili economiche e operative. Inoltre, il coefficiente di correlazione di Pearson è stato utilizzato per esplorare le relazioni tra utili e: 

• ricavi: per valutare il legame tra performance finanziaria e ricavi generati;
• numero di dipendenti: per esaminare la correlazione tra forza lavoro e capacità di generare utili;
• patrimonio netto: per analizzare l’influenza della solidità finanziaria sulla redditività aziendale.

La curva di Lorenz, illustrata in Figura 1, mostra la distribuzione cumulativa degli utili tra le aziende italiane dal 2014 al 2023. Ogni curva viene confrontata con la linea tratteggiata rossa, che indica la linea di perfetta uguaglianza: se ogni azienda detenesse esattamente la stessa quota di utili, la curva di Lorenz coinciderebbe con questa linea. Le curve reali si posizionano invece al di sopra della linea di uguaglianza, indicando un certo grado di disuguaglianza nella distribuzione degli utili. Più la curva si allontana dalla linea di uguaglianza, maggiore è la concentrazione degli utili in poche aziende. L’evoluzione delle curve di Lorenz nel tempo mostra una lieve riduzione della disuguaglianza negli ultimi anni (2023, 2022, 2021) rispetto ai primi anni del periodo analizzato (come il 2014 e il 2015), con le curve più recenti che tendono ad avvicinarsi maggiormente alla linea di uguaglianza. La concentrazione degli utili resta tuttavia evidente.

Il coefficiente di Gini conferma le informazioni grafiche offerte dalla curva di Lorenz, fornendo una misura numerica della disuguaglianza. I valori riportati, riassunti nella Tabella 1, indicano che, sebbene ci siano state variazioni nel livello di disuguaglianza degli utili tra le imprese negli anni, la disuguaglianza è rimasta comunque elevata:

• 2014 (0,6812): il coefficiente di Gini più alto indica che nel 2014 si è registrata la maggiore disuguaglianza nella distribuzione degli utili, in linea con quanto mostrato dalla curva di Lorenz per questo anno, la più lontana dalla linea di perfetta uguaglianza;
• 2015-2016: anche in questi anni la disuguaglianza è rimasta elevata, con valori di Gini rispettivamente pari a 0,6437 e 0,6420, confermando la significativa concentrazione degli utili in poche aziende;
• 2017-2019: nei tre anni successivi i valori sono leggermente diminuiti, con un minimo nel 2018 (0,6161), ma continuano a riflettere un’elevata disuguaglianza, come si evince anche dalle curve di Lorenz per questi anni;
• 2020-2023: nei quattro anni più recenti i valori del coefficiente di Gini hanno continuato a diminuire rispetto ai periodi precedenti, raggiungendo il minimo nel 2023 (0,5932). Questa riduzione, visibile anche nell’andamento delle curve di Lorenz, sempre più prossime alla linea di uguaglianza, segnala una lieve ma costante tendenza verso una minore disuguaglianza.

Dopo aver esaminato l’andamento della disuguaglianza attraverso la curva di Lorenz e il coefficiente di Gini, è utile approfondire l’analisi utilizzando le statistiche descrittive. Questi strumenti permettono di comprendere meglio distribuzione dei ricavi, numero di dipendenti e patrimonio netto, fornendo una visione più dettagliata della struttura aziendale e delle performance. Le statistiche descrittive aiutano inoltre a valutare la variabilità e la distribuzione di questi dati, offrendo una base solida per rafforzare il modello analitico.

Dall’analisi delle statistiche descrittive sui ricavi emergono alcune tendenze significative, che permettono di valutare meglio l’andamento complessivo e la variabilità dei dati tra il 2014 e il 2023:

• la media dei ricavi mostra un incremento costante negli ultimi anni del periodo analizzato, passando da circa 23,7 milioni nel 2014 a quasi 34,5 milioni nel 2023. Questo trend evidenzia una crescita economica complessiva nel periodo considerato;
• la mediana segue un andamento simile, anche se a livelli leggermente più bassi rispetto alla media. Questo divario suggerisce la presenza di alcune aziende con ricavi molto elevati che spostano verso l’alto la media, confermando una distribuzione dei ricavi asimmetrica e influenzata da poche aziende con performance superiori alla norma;
• la deviazione standard si mantiene alta durante tutto il periodo, oscillando tra i 21,4 e i 22,7 milioni. Questo indica una notevole dispersione dei ricavi tra le aziende, ovvero una forte variabilità nei risultati economici delle diverse imprese;
• il valore della curtosi è particolarmente elevato negli anni tra il 2014 e il 2017, con un picco nel 2015 (89,1723), indicando una forte concentrazione di ricavi molto alti in un numero limitato di aziende. Negli anni più recenti è diminuita, stabilizzandosi a valori più normali (ad esempio 0,4325 nel 2023), il che implica una distribuzione meno estrema e più equilibrata;
• i ricavi massimi mostrano valori estremamente elevati, con un picco nel 2016 di oltre 530 milioni, mentre i ricavi minimi restano molto bassi (in alcuni anni inferiori a 10.000). Questo conferma la presenza di una notevole disuguaglianza nella distribuzione dei ricavi tra le aziende, con alcune che dominano il mercato e altre che faticano a ottenere risultati significativi;
• l’analisi dei quartili evidenzia come i ricavi si distribuiscano tra le aziende. Il primo quartile, che rappresenta il 25% delle aziende con i ricavi più bassi, è cresciuto in modo significativo dal 2014 al 2023, suggerendo un miglioramento anche per le aziende meno performanti. Tuttavia, il terzo quartile, che riflette il 25% delle aziende con i ricavi più alti, mostra valori ben più elevati, segnalando ancora una netta differenza tra le fasce superiori e inferiori.

I risultati delle statistiche descrittive relative ai profitti sono riassunti nella Tabella 2. In sintesi, le statistiche descrittive sui ricavi indicano una crescita complessiva, ma confermano anche una notevole eterogeneità all’interno del campione. Nonostante la riduzione della curtosi negli ultimi anni, la distribuzione dei ricavi rimane diseguale, con alcune aziende che continuano a dominare in termini di performance economica.

Dopo aver esaminato la distribuzione dei ricavi, è altrettanto importante considerare il numero di dipendenti, poiché questa cifra fornisce un’indicazione importante delle dimensioni e della struttura organizzativa delle aziende. L’analisi del numero di dipendenti insieme ai ricavi permette di comprendere meglio come le aziende allocano le risorse umane e se esiste una correlazione tra le dimensioni dell’occupazione e la performance economica. Le statistiche descrittive sul numero di dipendenti aiutano a valutare la dispersione e la concentrazione della forza lavoro tra le diverse aziende, offrendo una visione più completa della loro struttura. Analizzando questi dati in maggiore dettaglio, si osserva quanto segue:

• il numero medio di dipendenti mostra una tendenza al rialzo, passando da circa 127 dipendenti nel 2014 a 160 nel 2023. Questo aumento costante suggerisce un’espansione del numero di lavoratori nelle aziende nel corso del tempo;
• la mediana, sebbene inferiore alla media, segue una tendenza simile, passando da 90 dipendenti nel 2014 a 119 nel 2023. La differenza tra la media e la mediana indica che ci sono alcune aziende con un numero molto elevato di dipendenti che fanno aumentare la media, mentre la maggior parte delle aziende ha una forza lavoro inferiore alla media;
• la deviazione standard, che misura la dispersione del numero di dipendenti rispetto alla media, è relativamente alta, oscillando tra 114 e 125 dipendenti nel corso degli anni. Questo indica una variabilità significativa nelle dimensioni delle aziende, suggerendo una notevole eterogeneità tra le imprese;
• il valore della curtosi mostra valori molto elevati, con un picco nel 2017 (108,72), indicando la presenza di poche aziende con un numero di dipendenti eccezionalmente alto rispetto alla media. Questo contribuisce a una distribuzione con “code pesanti”, influenzata da eventi straordinari o concentrazioni di risorse in grandi imprese;
• il numero massimo di dipendenti mostra valori estremamente elevati, con un picco significativo nel 2022 di 3.793 dipendenti, mentre il numero minimo rimane molto basso e stabile, a 50 dipendenti per quasi tutto il periodo analizzato, scendendo a 21 nel 2014. Questo evidenzia una marcata disuguaglianza nella distribuzione delle dimensioni aziendali, con alcune aziende che dominano per numero di dipendenti e altre che restano di dimensioni molto contenute;
• l’analisi dei quartili mostra come il numero di dipendenti sia distribuito tra le aziende. Ad esempio, nel 2023, il primo quartile (che rappresenta il 25% delle aziende con il minor numero di dipendenti) è pari a 83, mentre il terzo quartile (che rappresenta il 25% delle aziende con il maggior numero di dipendenti) è pari a 188. Ciò indica che il 50% delle aziende ha un numero di dipendenti compreso tra 83 e 188, evidenziando una distribuzione piuttosto ampia.

I risultati delle statistiche descrittive relative al numero di dipendenti sono riassunti nella Tabella 3. In sintesi, le statistiche descrittive riguardanti il numero di dipendenti mostrano una crescita costante della forza lavoro media negli anni, accompagnata da una significativa variabilità tra le aziende in termini di dimensioni. Sebbene vi sia una chiara tendenza all’aumento della dimensione della forza lavoro, persistono notevoli differenze tra piccole e grandi imprese.

Dopo aver esaminato il numero di dipendenti, è altrettanto importante considerare il patrimonio netto. L’esame di questo indicatore, insieme a ricavi e forza lavoro, permette di ottenere una visione più completa della struttura economica delle imprese e delle risorse a loro disposizione. Analizzando questi dati in maggiore dettaglio, si osserva quanto segue:

• la media del patrimonio netto mostra una tendenza al rialzo, passando da circa 9,5 milioni nel 2014 a quasi 18 milioni nel 2023. Questo aumento costante suggerisce un consolidamento finanziario delle aziende nel corso del tempo;
• la mediana, sebbene inferiore alla media, segue una tendenza simile, passando da 5,2 milioni nel 2014 a 11,3 milioni nel 2023. La differenza tra la media e la mediana indica la presenza di alcune aziende con un patrimonio netto molto elevato, che fanno aumentare la media, mentre la maggior parte delle aziende ha valori più vicini alla mediana;
• la deviazione standard, che misura la dispersione del patrimonio netto rispetto alla media, è relativamente alta, oscillando tra circa 14 e 19,8 milioni nel corso degli anni. Questo indica una variabilità significativa nelle dimensioni economiche delle aziende, suggerendo una notevole eterogeneità nel loro livello di patrimonio netto;
• il valore della curtosi è particolarmente elevato, con picchi superiori a 50 nel 2016 e nel 2017, mantenendosi costantemente alto negli anni. Questi dati segnalano la presenza di alcune aziende con un patrimonio netto eccezionalmente elevato rispetto alla media, contribuendo a una distribuzione caratterizzata da valori estremi e una forte asimmetria;
• il valore minimo del patrimonio netto è molto basso, scendendo fino a circa 1.085 euro nel 2023, a testimonianza della presenza di aziende con risorse finanziarie estremamente limitate. Al contrario, il valore massimo del patrimonio netto varia considerevolmente nel tempo, raggiungendo un picco di circa 394 milioni di euro nel 2015, segnalando la presenza di grandi imprese con una solida base patrimoniale nel campione analizzato;
• l’analisi dei quartili mostra come il patrimonio netto sia distribuito tra le aziende. Nel 2023, il primo quartile (che rappresenta il 25% delle aziende con il minor patrimonio netto) si attesta intorno a 1,98 milioni di euro, mentre il terzo quartile (che rappresenta il 25% delle aziende con il maggior patrimonio netto) è pari a circa 11,52 milioni di euro. Questo significa che il 50% delle aziende ha un patrimonio netto compreso tra 1,98 e 11,52 milioni di euro, evidenziando una distribuzione piuttosto ampia.

In sintesi, le statistiche descrittive riguardanti il patrimonio netto mostrano una crescita costante della media e della mediana nel tempo, indicando un progressivo consolidamento finanziario delle aziende. Tuttavia, i valori elevati della deviazione standard e della curtosi evidenziano una significativa eterogeneità, con la presenza di alcune imprese molto grandi che spiccano rispetto alla maggioranza. Questa disuguaglianza si riflette anche nell’ampia distribuzione tra i quartili, sottolineando una forte polarizzazione tra aziende con patrimoni netti molto elevati e altre con risorse finanziarie limitate (Tabella 4).

Le statistiche descrittive sui ricavi, sul numero di dipendenti e sul patrimonio netto offrono una visione più completa delle dinamiche aziendali, integrando i risultati ottenuti dall’analisi dell’indice di Gini e della curva di Lorenz. Nonostante il miglioramento nella riduzione della disuguaglianza, come evidenziato dalla curva di Lorenz e dal coefficiente di Gini, i dati descrittivi continuano a mostrare una notevole variabilità tra le aziende. In particolare, la crescita costante dei ricavi medi, del numero di dipendenti e del patrimonio netto suggerisce un’espansione generale, ma la presenza di elevati valori di deviazione standard e di forte asimmetria (come indicato dalla curtosi) evidenzia che alcune aziende, pur concentrando ricavi e risorse umane, rimangono ben al di sopra della media.

Con una deviazione standard così elevata, l’uso della media come indicatore perde parzialmente efficacia nel rappresentare il comportamento del campione. Per ovviare a questa limitazione, è stato calcolato il coefficiente di variazione (CV), che fornisce una misura della dispersione relativa rispetto alla media. L’analisi del coefficiente di variazione (CV) per ricavi, numero di dipendenti e patrimonio netto evidenzia una riduzione della variabilità relativa nel periodo analizzato. Per i ricavi, il CV scende dal 90,27% nel 2014 al 65,75% nel 2023, segnalando una maggiore omogeneità nella capacità delle aziende di generare fatturato, pur mantenendo una certa concentrazione in un numero limitato di imprese. Analogamente, per i dipendenti, il CV diminuisce dall’89,76% al 77,94%, indicando una distribuzione più equilibrata della forza lavoro, sebbene persistano differenze significative tra aziende di diversa dimensione. Il patrimonio netto, con un CV che passa dal 142,23% al 111,74%, mostra una tendenza simile, riflettendo una leggera riduzione delle disparità nella capitalizzazione aziendale, ma con livelli di concentrazione ancora elevati rispetto alle altre variabili. In sintesi, l’analisi del CV per le tre variabili mostra una tendenza generale verso una minore variabilità relativa, suggerendo una distribuzione più equilibrata delle risorse economiche e umane tra le aziende nel tempo. I risultati del CV relativi alle tre variabili sono riassunti nelle Tabelle 5, 6 e 7.

Per uno studio più approfondito, sono stati calcolati i coefficienti di correlazione medi di Pearson tra gli utili e le altre variabili. L’analisi dei risultati evidenzia quanto segue:

• coefficiente di Pearson tra utili e ricavi = 0,365: questo valore indica una correlazione positiva bassa tra utili e ricavi. Sebbene il risultato mostri un legame, la correlazione non è particolarmente forte. Questo suggerisce che un incremento dei ricavi non comporta necessariamente un aumento proporzionale degli utili. Altri fattori, come le strategie di gestione dei costi, l’efficienza operativa o le politiche fiscali, potrebbero influenzare in modo più rilevante i risultati economici delle aziende;
• coefficiente di Pearson tra utili e numero di dipendenti = 0,028: questo valore indica una correlazione praticamente nulla tra le due variabili. L’assenza di correlazione lineare suggerisce che il numero di dipendenti non ha un legame diretto e significativo con i profitti;
• coefficiente di Pearson tra utili e patrimonio netto = 0,427: questo valore indica una correlazione positiva bassa tra utili e patrimonio netto. Sebbene esista un legame tra le due variabili, la correlazione non è particolarmente forte. Questo suggerisce che a un aumento del patrimonio netto non corrisponde sempre un aumento proporzionale degli utili, indicando che una maggiore capitalizzazione può favorire i profitti, ma non in modo esclusivo.

In sintesi, i risultati del coefficiente di Pearson (Figura 2) mostrano che, sebbene esistano correlazioni tra utili, ricavi, dipendenti e patrimonio netto, nessuna di queste variabili può essere considerata un determinante unico della redditività aziendale. Fattori come politiche fiscali, caratteristiche settoriali e strategie aziendali sembrano influenzare in modo più significativo le performance economiche.

Per comprendere meglio le dinamiche economiche delle aziende italiane, è fondamentale considerare la distribuzione geografica delle variabili analizzate. Le specificità regionali possono influenzare in maniera significativa le performance aziendali, incidendo sulla distribuzione di utili, ricavi, dipendenti e patrimonio netto. Attraverso un’analisi delle macroaree (Nord, Centro e Sud), è possibile esplorare come le differenze territoriali contribuiscano alla variabilità osservata nei risultati economici e come queste si riflettano sui coefficienti di correlazione tra le principali variabili.

L’analisi temporale del coefficiente di Gini tra il 2014 e il 2023 evidenzia una riduzione complessiva delle disuguaglianze nella distribuzione degli utili, seppur con ritmi e livelli diversi tra le macroaree. Nel Nord, il coefficiente di Gini è passato da 0,644 nel 2014 a 0,577 nel 2023, mostrando un miglioramento costante. Anche il Centro e il Sud hanno registrato una diminuzione, pur partendo da livelli iniziali più elevati. Nel 2014 il Centro aveva il valore di Gini più alto (0,725), seguito dal Sud (0,715). Nel 2023 questi valori sono scesi rispettivamente a 0,631 e 0,622, segnalando un parziale riequilibrio tra le macroaree (Tabella 8). La Figura 3 rappresenta il coefficiente di Gini per il 2023 e mostra come le disuguaglianze siano meno marcate nel Nord rispetto al Centro e al Sud, dove la concentrazione degli utili in poche aziende è ancora significativa. Inoltre, il confronto tra il 2014 e il 2023 mostra una riduzione più marcata nel Centro (–0,094) e nel Sud (–0,092), mentre il Nord registra una diminuzione più contenuta. Questi risultati suggeriscono progressi nel riequilibrio della distribuzione degli utili, ma confermano che il Sud e il Centro continuano a presentare una maggiore concentrazione rispetto al Nord (Figura 3).

Le statistiche descrittive calcolate per ricavi, numero di dipendenti e patrimonio netto forniscono una panoramica delle differenze strutturali tra le macroaree. In tutte le variabili analizzate, il Nord mostra valori medi superiori rispetto al Centro e al Sud, indicando una maggiore capacità economica e operativa delle aziende in questa macroarea. Tuttavia, il coefficiente di variazione (CV) rivela valori generalmente inferiori al Nord rispetto al Centro e al Sud: nel 2023 il CV dei ricavi è pari al 64,4% nel Nord, mentre sale al 68,4% nel Centro e al 70,6% nel Sud, segnalando una maggiore variabilità nella capacità di generare ricavi nelle regioni meridionali. Anche per il numero di dipendenti, il CV è più contenuto nel Nord (76,2%) rispetto al Centro (81,1%) e al Sud (78,1%). Lo stesso andamento si osserva per il patrimonio netto, con il Nord che registra il valore di CV più basso (109%) rispetto al Centro e al Sud (entrambi 119%). Queste statistiche evidenziano che, sebbene il Nord presenti una maggiore solidità economica e finanziaria, il Centro e il Sud mostrano una variabilità più elevata tra le aziende, indicativa di una maggiore eterogeneità nelle dimensioni aziendali e nella capacità economica (Tabella 9).

Il coefficiente di Pearson medio calcolato per utili, ricavi, numero di dipendenti e patrimonio netto offre ulteriori spunti sulle differenze regionali. Tra il 2014 e il 2023, le correlazioni osservate sono state generalmente basse in tutte le macroaree, indicando che nessuna delle variabili analizzate è un determinante unico della redditività aziendale. Nel dettaglio:

• utili e ricavi: Nord (0,322), Centro (0,362), Sud (0,343);
• utili e dipendenti: Nord (0,012), Centro (0,025), Sud (0,050);
• utili e patrimonio netto: Nord (0,366), Centro (0,435), Sud (0,287).

Questi risultati confermano che il rapporto tra utili e le altre variabili analizzate varia leggermente tra le macroaree, ma rimane complessivamente debole.

Conclusioni

La distribuzione degli utili nelle aziende italiane nel periodo 2014-2023 è caratterizzata da una forte disuguaglianza, nonostante negli ultimi anni vi siano stati segnali di miglioramento, soprattutto nelle macroaree del Centro e del Sud (Cowell, 2011; Atkinson e Bourguignon, 2014). La curva di Lorenz e il coefficiente di Gini – passato da 0,6812 nel 2014 a 0,5932 nel 2023 – hanno permesso di rilevare una graduale diminuzione della concentrazione degli utili a livello nazionale, nonostante le aziende di maggior successo continuino a beneficiare di una quota sproporzionata dei profitti (Piketty, 2014; Milanovic, 2016).

L’analisi geografica ha evidenziato differenze rilevanti tra le macroaree italiane. Il Nord presenta una distribuzione degli utili più equilibrata rispetto al Centro e al Sud, con una riduzione del coefficiente di Gini da 0,644 a 0,577 nel periodo esaminato. Il Centro e il Sud, pur registrando miglioramenti, mantengono livelli più elevati di disuguaglianza, accentuati dalla diversa velocità di adozione tecnologica tra Nord e Sud (Wu et al., 2024; White, 2024; Park e Kim, 2017).

Pur essendo positiva, la correlazione tra utili e ricavi è piuttosto bassa (coefficiente di Pearson = 0,365) e quindi poco affidabile per prevedere la redditività aziendale (Syverson, 2011; Bartelsman et al., 2013). Anche la correlazione tra utili e numero di dipendenti, in quanto trascurabile, non costituisce un fattore determinante per la redditività (Autor et al., 2020). Pertanto, è utile considerare altri fattori con un’influenza significativamente maggiore sulla performance economica, come l’efficienza operativa, le strategie aziendali e l’ambiente competitivo. Si osserva invece una debole correlazione positiva tra utili e patrimonio netto (coefficiente di Pearson = 0,427), da cui si può dedurre che la solidità finanziaria contribuisce alla redditività, pur non essendo l’unico fattore influente (Bloom e Van Reenen, 2010). L’analisi di questi coefficienti di correlazione restituisce valori simili anche rispetto alla distribuzione geografica, confermando che le relazioni tra utili, ricavi, dipendenti e patrimonio netto presentano caratteristiche analoghe nelle diverse macroaree italiane, con variazioni marginali nei livelli di correlazione.

Un altro aspetto da considerare è l’impatto della pandemia da Covid-19 sul contesto economico globale negli ultimi anni del periodo di analisi (2020-2023), che ha avuto effetti significativi sulle performance aziendali (Baldwin e Weder di Mauro, 2020). La forte contrazione dei ricavi nei settori del turismo, della ristorazione e dell’ospitalità, unita alla maggiore instabilità nella distribuzione degli utili causata dalla crisi sanitaria, si è contrapposta alla crescita accelerata delle aziende del settore tecnologico e dei servizi digitali, accentuando le disparità tra settori (Helpman et al., 2004; Chetty et al., 2020; OECD, 2021). Questa redistribuzione potrebbe aver mascherato tendenze di lungo periodo, rendendo necessarie ulteriori indagini per una comprensione più approfondita degli effetti complessivi (Cerqua e Pellegrini, 2023).

Lo studio presenta alcune limitazioni, tra cui un campione di aziende che, pur ampio, rappresenta solo una parte dell’intero panorama imprenditoriale italiano, risultando quindi non esaustivo; l’assenza di una segmentazione settoriale, che non ha preso in considerazione le dinamiche specifiche di ciascun settore nella distribuzione degli utili (Bloom e Van Reenen, 2010; Syverson, 2011); e l’inclusione nel periodo esaminato di un evento straordinario come la pandemia da Covid-19, che potrebbe aver alterato temporaneamente la distribuzione degli utili. Le limitazioni dello studio suggeriscono aree in cui interventi mirati potrebbero ridurre ulteriormente la disuguaglianza nella distribuzione degli utili. Politiche regionali più incisive, unitamente a misure antitrust, potrebbero ridurre le disparità territoriali e incentivare la crescita delle imprese più vulnerabili (Atkinson e Bourguignon, 2014; Stiglitz, 2012). Studi futuri potrebbero esplorare in modo più dettagliato le dinamiche settoriali e analizzare variabili come la digitalizzazione (Wu et al., 2024), le strategie di gestione e l’efficienza operativa. Inoltre, un confronto internazionale potrebbe fornire ulteriori spunti per sviluppare politiche economiche più efficaci e bilanciate (White, 2024; Milanovic, 2016).

Riferimenti bibliografici

Atkinson, A.B., Bourguignon, F. (Eds.). (2014). Handbook of income distribution. Elsevier.

Autor, D., Salomons, A. (2018). “Is automation labor-displacing? Productivity growth, employment, and the labor share.” National Bureau of Economic Research, vol 2018(1), 1-87.

Autor, D., et al. (2020). “The fall of the labor share and the rise of superstar firms.” The Quarterly Journal of Economics, 135(2), 645-709.

Baldwin, R., Di Mauro, B.W. (2020). Economics in the time of COVID-19: A new eBook. Vox CEPR Policy Portal, 2(3), 105-109.

Bartelsman, E., Haltiwanger, J., Scarpetta, S. (2013). “Cross-country differences in productivity: The role of allocation and selection.” American Economic Review, 103(1), 305-334.

Bertrand, M., Mullainathan, S. (2001). “Are CEOs rewarded for luck? The ones without principals are.” The Quarterly Journal of Economics, 116(3), 901-932.

Bloom, N., Van Reenen, J. (2010). “Why do management practices differ across firms and countries?” Journal of economic perspectives, 24(1), 203-224.

Bourguignon, F. (2015). The Globalization of Inequality. Princeton University Press.

Brynjolfsson, E., McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Co.

Cerqua, A., Pellegrini, G. (2023). “I will survive! The impact of place-based policies when public transfers fade out.” Regional Studies, 57(8), 1605-1618.

Checchi, D. (2000). “University education in Italy.” International Journal of Manpower, 21(3/4), 177-205.

Chetty, R., Friedman, J. N., Stepner, M. (2024). “The economic impacts of COVID-19: Evidence from a new public database built using private sector data.” The Quarterly Journal of Economics, 139(2), 829-889.

Cowell, F. (2011). Measuring Inequality, 3rd edn, London School of Economics Perspectives in Economic Analysis, Oxford, online edn, Oxford Academic, doi.

Deaton, A. (2019). Deaton, Angus. 2019. The Analysis of Household Surveys: A Microeconometric Approach to Development Policy. World Bank, Washington, DC.

Everitt, B.S. (2006). The Cambridge dictionary of statistics. Cambridge University Press, 1998, 2002, 2006.

Freeman, R.B. (2010). “Labor regulations, unions, and social protection in developing countries: Market distortions or efficient institutions?” Handbook of development economics, 5, 4657-4702.

Gabaix, X., Landier, A. (2008). “Why has CEO pay increased so much?” The Quarterly Journal of Economics, 123(1), 49-100.

Galbraith, J.K. (2012). Inequality and instability: A study of the world economy just before the great crisis. Oxford University Press.

Garicano, L., Lelarge, C., Van Reenen, J. (2016). “Firm size distortions and the productivity distribution: Evidence from France.” American Economic Review, 106(11), 3439-3479.

Helpman, E., Melitz, M.J., Yeaple, S.R. (2004). “Export versus FDI with heterogeneous firms.” American Economic Review, 94(1), 300-316.

Jenkins, S.P., Van Kerm, P. (2011). “The measurement of economic inequality.” In The Oxford Handbook on Economic Inequality (pp. 40-67). Oxford University Press.

Kaplan, S.N., Rauh, J. (2010). “Wall Street and Main Street: What contributes to the rise in the highest incomes?” The Review of Financial Studies, 23(3), 1004-1050.

Kline, P. (2011). “Oaxaca-Blinder as a reweighting estimator.” American Economic Review, 101(3), 532-537.

Lazonick, W. (2014). “Profits without prosperity: stock buybacks manipulate the market and leave most Americans worse off.” Harvard Business Review, 92(9), 46-55.

Milanovic, B. (2016). Global inequality: A new approach for the age of globalization. Harvard University Press.

Mishra, P., et al. (2019). “Descriptive statistics and normality tests for statistical data.” Annals of Cardiac Anaesthesia, 22(1), 67-72.

OECD (2021). OECD Economic Surveys: Italy.

Park, S. (2017). “The state of digital inequalities: interplay between social and digital exclusion.” Digital Capital, 35-62.

Piketty, T. (2014). “Capital in the twenty-first century: a multidimensional approach to the history of capital and social classes.” British Journal of Sociology, 65(4).

Rajan, R.G., Zingales, L. (1998). “Power in a Theory of the Firm.” The Quarterly Journal of Economics, 113(2), 387-432.

Saez, E., Zucman, G. (2019). The triumph of injustice: How the rich dodge taxes and how to make them pay. WW Norton & Co.

Stiglitz, J. E. (2012). The price of inequality: How today’s divided society endangers our future. WW Norton & Co.

Syverson, C. (2011). “What determines productivity?” Journal of Economic Literature, 49(2), 326-365.

Tirole, J. (2010). The theory of corporate finance. Princeton University Press.

White, A. (2024). The Digital Economy’s Role in Widening Inequality and Increasing Economic Insecurity. In Inequality in the Digital Economy: The Case for a Universal Basic Income (pp. 11-34). Springer Nature Switzerland.

Wu, M., et al. (2024). “The impact of digital economy on income inequality from the perspective of technological progress-biased transformation: evidence from China.” Empirical Economics, 1-41.