Per quanto concerne le collaborazioni scientifiche, sulla base delle interviste condotte si può affermare che le interazioni che le imprese intraprendono con l’università variano in maniera significativa. Come evidenziato nella tabella 6.3, le collaborazioni avvengono attraverso i ) l’assunzione di tirocinanti, ii ) la sponsorizzazione e la partecipazione agli eventi e alle fiere per l’innovazione aperta, iii ) l’aggiornamento dei propri dipendenti, iv) la progettazione di iniziative di formazione a favore dei propri dipendenti o v) la realizzazione di laboratori congiunti per specifici progetti di ricerca applicata. Le diverse forme di interazione tra le imprese selezionate e l’università possono attivare processi di innovazione attraverso la capacità di fare rete, la mobilità del lavoro, l’identificazione delle carenze cognitive e tecnologiche da colmare con la formazione dei dipendenti o con accordi di cooperazione per creare percorsi formativi e di R&S. Mentre il prossimo capitolo approfondisce i meccanismi di apprendimento che le interazioni produttive possono innescare nelle relazioni tra università e imprese, il paragrafo che segue esamina, dal punto di vista quantitativo, l’importanza delle caratteristiche aziendali e delle collaborazioni scientifiche nei processi di innovazione.¶{p. 130}

Al fine di spiegare il grado di maturità tecnologica raggiunto dalle imprese del campione, attraverso una cluster analysis, le 54 imprese selezionate sono raggruppate in base alle seguenti variabili dicotomiche:

Le variabili Coll e IntColl rappresentano le collaborazioni o le intenzioni a collaborare che le imprese riportano nelle interviste con riferimento a iniziative intraprese con l’Università di Napoli «Federico II» nell’ambito del polo tecnologico di San Giovanni. Considerando la classificazione delle collaborazioni scientifiche (e delle disponibilità alla collaborazione) della tabella 6.3 e le variabili precedentemente elencate, l’analisi di cluster identifica due casi residuali (con una sola impresa) e tre gruppi di imprese alquanto omogenee per settore e dimensione (cfr. in appendice figg. A3 e A4). La cluster analysis conferma le risultanze dell’analisi qualitativa.

Il primo cluster è composto da aziende di servizi, per lo più di grandi dimensioni, con un processo di produzione orientato all’innovazione (pari a circa 2 per l’indice del MISE), che non è frutto di collaborazioni scientifiche con l’università o altri agenti tecnologici. Né le aziende appartenenti a questo cluster sono particolarmente propense a stabilire in futuro relazioni di collaborazione con gli attori del mondo della ricerca scientifica. L’innovazione in questo tipo di imprese, avviene nelle dinamiche interne alla catena del valore, nell’ambito dei rapporti con i clienti e i fornitori. Il secondo cluster include prevalentemente aziende manifatturiere, ove l’innovazione è orientata a migliorare il processo, i prodotti e, più in generale, la capacità organizzativa dell’impresa. Le aziende del cluster in esame appartengono all’industria meccanica, chimica e di trasformazione agroalimentare. La variabilità all’interno del cluster è, però, elevata sia in relazione alle dimensioni dell’azienda sia rispetto al livello di innovazione. L’indice MISE varia tra 0 e 3 e dalle interviste condotte emerge che le imprese appartenenti a questo cluster sono interessate a collaborare con fornitori specializzati, per rispondere alle richieste dei committenti più esigenti e sono interessate a sviluppare investimenti in R&S da condividere con il polo tecnologico di San Giovanni. Il che suggerisce che si tratta di imprese non ancora autonome sul piano della strategia di innovazione, alla ricerca di collaborazioni scientifiche per accelerare la digitalizzazione ed elevare la propria performance innovativa. Infine, il terzo cluster è costituito ¶{p. 132}dalle PMI più innovative e dalle start-up digitali, con collaborazioni già attive con l’università. Le realtà produttive appartenenti a questo gruppo riportano intensi rapporti di cooperazione con l’università nella creazione di valore basato sulla conoscenza che si concentra nelle fasi antecendenti alla commercializzazione del prodotto e nel reclutamento di personale qualificato con competenze hi-tech [13] .

Per completare l’analisi, tramite un modello di regressione, abbiamo stimato l’impatto di alcune caratteristiche delle imprese sull’indice di innovazione. Nonostante la ridotta numerosità del dataset, riteniamo che sia interessante, come complemento alle precedenti analisi, investigare, in una cornice quantitativa, anche le determinanti dell’innovazione nel nostro campione. Al fine di spiegare il livello di maturità tecnologica raggiunta dalle imprese del campione selezionato, l’equazione [1] considera la variabile Inn – vale a dire, uno dei cinque indici di innovazione presentati sopra – dipendente dalle variabili esplicative incluse nella cluster analysis [14] :