Connessioni virtuose
DOI: 10.1401/9788815371126/c1
L’analisi si concentra su un
livello meso – come rappresentato nella figura 1.4 – per esaminare la genesi e
l’evoluzione dell’esperienza di innovazione del polo tecnologico di San Giovanni. Un
modello di inferenza causale di livello meso
[35]
ha il vantaggio di poter considerare tanto i micro-fondamenti dei processi
di causazione – nella relazione tra x2 e
y1 – quanto le interazioni sociali che,
propagandosi nel tempo e nello spazio, possono generare impatti di livello aggregato
(macro) – nella relazione tra x1 e
y2. La lente valutativa di livello meso
permette di intercettare il cambiamento individuale (micro) a partire dagli
apprendimenti dei partecipanti e di indagare le conseguenze di scala più elevata, frutto
delle collaborazioni tra l’università e le imprese. Ricostruendo la sequenza di sviluppo
rappresentata in figura 1.4 (x1 ⇒
x2 ⇒
y1 ⇒
y2), l’analisi identifica gli effetti
sociali della formazione digitale sulla base del coinvolgimento di diversi gruppi di
attori e beneficiari e, con la tecnica del Social Return on
Investment (SROI), ne stima il valore economico-finanziario prodotto.
Diversamente dalla maggior parte dei costi degli investimenti, che hanno un valore di
mercato, l’analisi dei rendimenti sociali pone numerose sfide sul piano della
misurazione. In mancanza di valori di mer
¶{p. 46}cato, l’analisi ricorre
a valutazioni contingenti che stimano i benefici percepiti dagli attori coinvolti,
verificandone gli effetti correlati (cfr. cap. 5)
[36]
.
n. |
|
Decisore in ambito
universitario |
3 |
Manager delle
academy |
5 |
Personale amministrativo
universitario |
3 |
Mentor e tutor
aziendali |
5 |
Manager e tutor delle aziende
partner |
3 |
Discente |
10 |
Proprietario e/o dirigente
d’azienda |
54 |
Totale |
83 |
Lo studio mette a fuoco la
fenomenologia dell’ecosistema di San Giovanni, secondo una teoria del cambiamento che
collega input, output e risultati di medio periodo. La teoria del cambiamento è frutto
di un approccio interpretativo: l’analisi esplora le interazioni tra gli attori
coinvolti a partire dalle prospettive dei partecipanti alla ricerca, attraverso
l’osservazione partecipante e le interviste in profondità. Il gruppo di lavoro ha
condotto 83 interviste semi-strutturate (cfr. tab. 1.2), tra giugno 2019 e marzo 2021
per sondare le percezioni e le motivazioni dei beneficiari della formazione e degli
attori che operano nel polo tecnologico di San Giovanni dell’Università di Napoli.
Le interviste hanno, inoltre,
coinvolto i proprietari e/o gli amministratori delegati di un campione selezionato di
aziende regionali (54) per comprendere i fattori che spiegano il livello tecnologico
raggiunto dalle imprese, le lacune nella digitalizzazione e le motivazioni che
sottendono le collaborazioni con l’università nelle strategie di innovazione. Le
interviste hanno permesso di interagire con gli interlocutori a più riprese al fine di
ricostruire, ad esempio, la crescita delle collaborazioni tra l’università e le imprese
tecnologiche, ¶{p. 48}anche durante la crisi pandemica (cfr. tab. 1.3).
Un database analitico traduce le informazioni qualitative in variabili quantitative che
concernono il profilo dell’imprenditore, le caratteristiche delle aziende e del contesto
territoriale, il livello tecnologico raggiunto e le collaborazioni delle imprese con
l’università (o le disponibilità a collaborare).
Categorie di analisi
e interpretazione |
Traccia di
intervista |
Interdipendenze – Economie di
scala – Economie di scopo – Economie di
rete |
Quali sono le caratteristiche
delle academy? In che modo il flusso di attività è cambiato nel
tempo? In che modo i costi di investimento e
funzionamento sono stati distribuiti negli accordi partenariali?
Come sono cambiati gli accordi nel tempo? Quali
complementarità sono emerse tra i partner? Perché è richiesta
la formazione digitale? Chi richiede formazione
digitale? |
Relazioni ecosistemiche
– Leader – Follower – Radicamento – Adattamento
– Emergenza – Cooperazione vs.
concorrenza |
Quali sono le priorità per ciascun
partner? Quali sono gli incentivi per i partner?
Come vengono assegnati i ruoli? Come vengono valutati i risultati?
Come cambiano i ruoli tra i partner? Chi ha accesso
all’ecosistema? Qual è il contributo di ciascun
partner? |
Strategia di creazione
del valore basato sulla conoscenza – Ricerca
– Sfruttamento – Commercializzazione – Open
innovation
vs. innovazione di prodotto |
Quali sono i benefici delle
partnership di formazione? Perché la conoscenza è innovativa?
In che modo i partner partecipano alla creazione della conoscenza?
In che modo i partner collaborano nella formazione digitale?
In che modo i partner sono in concorrenza? In che modo i
partner collaborano con l’università? |
La trascrizione delle interviste
attinge alle categorie teoriche dell’«ecosistema» come strategia di creazione del valore
(cfr. cap. 3)
[37]
. I costrutti della teoria economica – quali ¶{p. 49}le
economie di scopo, di scala e di rete – orientano l’analisi sul processo di creazione
del valore nell’ambito delle organizzazioni complesse
[38]
. Le informazioni qualitative e i dati amministrativi sostengono il processo
di stima dei costi e dei benefici sociali associati alla formazione digitale
¶{p. 50}e contribuiscono a valutare la scalabilità del programma e i
potenziali effetti regionali secondo gli orientamenti degli studi sulle economie
regionali (cfr. cap. 5).
Metodi
misti |
Vantaggi
|
Limiti |
Studio di caso |
Ricostruzione delle relazioni
ecosistemiche tra l’università e le imprese
partner |
Analisi contingenti rispetto al
contesto e ai testimoni privilegiati intervistati |
Social Return on
Investment (SROI) |
Quantificazione finanziaria del
valore degli investimenti |
Attribuzione (analisi di
causalità) e affidabilità delle stime |
Campionamento |
Selezione delle imprese per
settore e dimensione per esplorare diversi processi di innovazione
|
Generalizzabilità
limitata |
Interviste semi-strutturate |
Analisi dei fattori aziendali e di
contesto dell’innovazione delle imprese locali. Analisi delle
collaborazioni tra università e imprese |
|
Costruzione del database
quali-quantitativo |
Traduzione in variabili
dicotomiche delle informazioni qualitative |
Errori di
misurazione |
Cluster
analysis |
Analisi dei gruppi di imprese con
caratteristiche simili in relazione alle variabili di
interesse |
|
Network
analysis |
Misurazione dell’intensità delle
relazioni tra imprese e università |
Limitata caratterizzazione della
relazione |
Analisi di
regressione |
Identificazione delle determinanti
delle performance innovative |
Relazione di associazione di tipo
lineare |
Analisi e interpretazione
dei dati |
Integrazione di diverse unità di
analisi e risultati della ricerca |
Incompatibilità dei risultati dei
dati e incongruenze |
Sulla base delle interviste agli
imprenditori, la ricerca ha esplorato i processi di innovazione aziendale mettendo a
fuoco le conoscenze tecno-scientifiche che le imprese richiedono per sostenere la
trasformazione digitale. La ricerca ha, inoltre, analizzato, dal punto di vista
quantitativo, le variabili aziendali statisticamente significative nonché le
collaborazioni scientifiche che spiegano le performance innovative delle aziende
osservate.
La tabella 1.4 riassume i passaggi
chiave dello studio, i metodi di raccolta e analisi dei dati, i vantaggi e i limiti
collegati alle scelte metodologiche operate. Si tratta di un processo replicabile
nell’impianto e nell’attuazione che può condurre, però, a risultati differenti, in
considerazione della natura prevalentemente qualitativa della ricerca. Le analisi
quantitative integrano le dimensioni qualitative
[39]
dell’indagine empirica, ma la ricerca è, essenzialmente, uno studio di caso.
Come tale, l’analisi approfondisce la multidimensionalità delle relazioni di
collaborazione attraverso informazioni di natura esplorativa che non sarebbero state
disponibili attraverso altre modalità di raccolta dei dati
[40]
.
L’analisi di un unico caso non è
esente da limiti metodologici: le risultanze della ricerca sono contingenti rispetto
agli intervistati e al contesto indagato. È noto che, nella conduzione delle interviste,
la dissonanza cognitiva può indurre gli interlocutori a rievocare esperienze e
condividere opinioni e percezioni retrospettive in linea con le proprie convinzioni. Ne
può scaturire un potenziale pregiudizio che sovrastima (o sottostima) le pratiche e gli
esiti delle collaborazioni tra l’università e le imprese, ad esempio. Ciò nondimeno, la
pluralità di prove empiriche raccolte permette di triangolare le informazioni acquisite
e
¶{p. 51}di avanzare conclusioni robuste, ancorché non generalizzabili,
sui meccanismi causali e sui problemi e sulle politiche della co-innovazione che le
università possono realizzare a vantaggio dei contesti meno avanzati.
Note
[35] Elsner, Why Meso?, cit.; cfr. anche M. Marra, Assessing Meso-Level Dimensions of Complex Policies, in «Rivista Italiana di Politiche Pubbliche», 14, 2014, pp. 141-166 e Ead., Meso Evaluation for SDGs’ Complexity and Ethics, in «Ethics, Policy & Environment», 2021, doi: 10.1080/21550085.2021.1940450.
[36] L’analisi prende in considerazione gli effetti di displacement, dead-weight e di drop-off. Cfr. J. Nicholls et al., A Guide to Social Return on Investment, London, Office of the Third Sector, Cabinet Office, 2009.
[37] R. Adner, Ecosystem as Structure: An Actionable Construct for Strategy, in «Journal of Management», 43, 1, 2019, pp. 39-58.
[38] P. Milgrom e J. Roberts, The Economics of Modern Manufacturing: Technology, Strategy, and Organization, in «American Economic Review», 80, 1990, pp. 511-528.
[39] C. Donovan, The Qualitative Future of Research Evaluation, in «Science and Public Policy», 34, 8, 2007, pp. 585-597.
[40] Cfr. de Jong, Barker, Cox, Sveinsdottir e Van den Besselaar, Understanding Societal Impact through Productive Interactions, cit.