Conferenza ESPAnet
ITALIA Università degli Studi di Salerno, 17 - 19 Settembre 2015
Welfare in Italia e welfare globale: esperienze e modelli di
sviluppo a confronto
Il piano di attuazione italiano della garanzia per i
giovani
Quando la governance di un programma rende ancora
più problematico il rapporto tra i dati e la valutazione
della policy
Autori
Scipione Sarlo*, Gianfranco Zucca*
* Europartners Network
1
Il piano di attuazione italiano della Garanzia per i giovani
Quando la governance di un programma rende ancora più problematico il
rapporto tra i dati e la valutazione della policy
INTRODUZIONE
I giovani che non studiano e non lavorano sono un fenomeno emergente nelle società europee poiché
contraddicono lo schema biografico classico che vede nel passaggio dalla formazione all‟occupazione
due fasi consequenziali e la transizione dall‟una all‟altra, per quanto negli anni sempre più rallentata,
un fenomeno necessario. La combinazione tra scoraggiamento occupazionale e mancata partecipazione
al sistema formativo genera una particolare tipologia di inattività, caratteristica di un numero sempre
maggiore di giovani. L‟acronimo NEET (Not currently engaged in Education, Employment or Training)
è stato coniato sul finire degli anni Ottanta nel Regno Unito, per isolare quella fascia di giovani non
occupati e fuoriusciti dal circuito formativo in modo prematuro. Almeno inizialmente, l‟attenzione a
questa categoria era legata al problema della devianza: soprattutto nelle aree urbane si riscontrava una
forte relazione tra NEET rate e micro-criminalità1. Attualmente il tema dei NEET è entrato stabilmente
nell‟agenda politica di quasi tutti i paesi sviluppati, inglobando issues tradizionali come l‟abbandono
scolastico, la disoccupazione intellettuale, il ritardo nell‟uscita dalla famiglia d‟origine2.
1 . Secondo un rapporto del 2005, in Gran Bretagna: “An estimated 70,000 school-age offenders Enter the youth
justice system each year. Keeping these young people engaged in education and learning is a critical part of
helping them to stay away from crime and to thrive” cfr. Great Britain Home Office, Department for Education
and Skills, Department for Work and Pensions, “Reducing re-offending through skills and employment”, p.
11. 2 . Ogni Paese dell‟area OCSE ha poi connotato il tema in modo particolare. Ad esempio, in Giappone il dibattito
non è tanto incentrato sull‟abbandono scolastico o sulla propensione alla devianza quanto sul fenomeno che
vede giovani con titoli di studio superiori rifiutare volontariamente le carriere regolari per garantirsi maggior
tempo libero (si tratta dei cosiddetti Freeter, Il termine deriva dalla crasi tra l‟inglese “free” (libero) e il
tedesco “arbeiter” (lavoratore); cfr. Sul fenomeno dei freeter cfr.R. Kosugi, “The transition from school to
work in Japan. Understanding the increase in freeter and jobless youth” in Japan Labour Review no. 1/2004,
pp. 52–67. In Australia, invece, si ragiona in termini di not fully engaged in education and/or employment
(NFE), tenendo conto anche dei soggetti che sono impegnati a tempo parziale in attività lavorative o formative.
Secondo le statistiche, a maggio 2012 circa il 25% dei giovani australiani tra i 20 e 24 anni era in condizione
di NFE; cfr. L. Robinson, S. Lamb, How Young People Are Faring 2012. The National report on the learning
and earning of young Australians, Centre for Research on Education Systems (University of Melbourne) - The
Foundation for Young AustraliansMelbourne, 2012, p. 35, table 16.
2
Per rispondere all‟emergenza NEET l‟Unione Europea ha lanciato un‟iniziativa specifica denominata
Youth Guarantee (d‟ora in poi YG), istituita con raccomandazione del Consiglio dell‟Unione Europea
di aprile 2013 3 . In Italia, l‟omonimo programma è stato avviato l‟1 maggio 2014 assumendo la
denominazione di Piano Garanzia per i Giovani (d‟ora in poi Piano GG o, più semplicemente, GG). Si
tratta di un intervento che per l‟Italia prevede nel complesso l‟impiego di oltre un miliardo e mezzo di
euro. Per la rilevanza della issue e la portata dell‟investimento la Youth Guarantee è il più imponente
intervento di politica attiva del lavoro mai realizzato.
In questo paper si discute un aspetto particolare dell‟attuazione del Piano GG. Il monitoraggio del
programma è una funzione determinante, soprattutto considerando l‟ampiezza e la complessità
dell‟intervento: monitorare i flussi di utenza, gli input e gli output del programma, le risorse economiche
e umane impiegate è un‟azione cruciale per verificare, quasi in tempo reale, l‟andamento della GG e
raccogliere feedback utili a migliorare la strategia di attuazione. Trattandosi di una politica elaborata a
livello comunitario, il punto di partenza è la documentazione tecnica con la quale l‟UE ha fornito agli
stati membro le linee guida per la realizzazione delle attività di monitoraggio su scala nazionale. In
particolare, si analizzerà il monitoraggio diretto del programma: un‟attività basata sui dati
amministrativi raccolti dalle strutture di attuazione nel corso del processo di presa in carico dell‟utenza.
Successivamente, si esaminerà in maniera più approfondita una delle principali innovazioni introdotte
nella gestione della GG: il sistema di profilazione dell‟utenza, che presenta caratteristiche inedite per
l‟Italia, soprattutto per il livello di complessità e raffinatezza metodologica.
La prima parte del paper si pone l‟obiettivo di discutere sotto il profilo sostanziale e tecnicometodologico
le scelte operative effettuate nella gestione del programma. Da sottolineare come il Piano GG, rispetto
ad altri programmi di policy di ampie dimensioni, presenti un livello di trasparenza notevolmente
superiore: il fatto che venga messo a disposizione degli addetti ai servizi un report settimanale contenente
i principali dati di monitoraggio del Piano rappresenta un caso esemplare, almeno per l‟Italia. Con questo
non si vuol sostenere che il disegno di monitoraggio predisposto per GG sia esente da critiche e centri
appieno le esigenze di efficienza ed efficacia richieste da un programma di tali dimensioni. Rispetto allo
stesso sistema di profiling si possono esprimere alcune perplessità che, pur non minando alla base la
bontà dello strumento, ne pregiudicano la funzionalità. Anticipando alcune considerazioni finali, si può
affermare che alcuni dei limiti più evidenti del piano di monitoraggio rimandano ad esigenze e scelte
politico-istituzionali più che tecniche.
3 . Raccomandazione del Consiglio del 22 aprile 2013 sull'istituzione di una garanzia per i giovani (2013/C
120/01).
3
La seconda parte del paper ha un taglio più empirico, finalizzato all‟individuazione delle cornici e degli
orientamenti di policy che hanno accomunato le regioni italiane nel primo anno di attuazione della GG.
Attraverso un‟analisi per gruppi realizzata su dati provenienti da fonti eterogenee (statistica ufficiale,
dati amministrativi e gestionali), tra cui spiccano proprio i dati di monitoraggio diretto, si discute una
classificazione delle regioni in cinque gruppi.
1. IL MONITORAGGIO DELLA GG
Secondo una definizione estensiva 4 , il monitoraggio non va ridotto a un sistema informativo che
accompagna l‟attuazione di un intervento, bensì occorre considerare la raccolta dei dati di monitoraggio
come un‟operazione realizzata in stretto raccordo con la valutazione. Il monitoraggio non ha, dunque,
una connotazione esclusivamente procedurale e burocratica, ma è funzionale a raccogliere, con cadenza
regolare e ravvicinata, quegli elementi considerati cruciali per l‟efficacia dell‟intervento. Nella pratica
valutativa, soprattutto quella italiana, non è però raro riscontrare uno schiacciamento dell‟attività di
monitoraggio sulla sua sola dimensione “fisica”. Ciò ha delle ripercussioni sull‟utilità dell‟azione di
monitoraggio e, di conseguenza, sulla qualità delle valutazioni da essa derivanti. Il risultato più
frequente, difatti, sono monitoraggi di scarsa valenza valutativa o, paradossalmente, valutazioni che non
valgono più di un discreto monitoraggio. In generale, la confusione terminologica e operativa tra
monitoraggio e valutazione è un elemento ricorrente, tanto su piccola scala, quanto nei programmi di
dimensione più ampia. Il monitoraggio della GG, progettato a livello comunitario, appare esente da
questo limite, almeno sulla carta ed attestandosi alle indicazioni offerte nella documentazione diffusa al
momento dell‟avvio del programma.
2.1 Un disegno di monitoraggio a tre livelli: le indicazioni comunitarie
La premessa del documento nel quale si definiscono le linee guida per il monitoraggio della Youth
Guarantee invita gli stati membro: “to put in place evidence-based approaches and calls on the
4 . Cfr. Francesco Mazzeo Rinaldi, Il monitoraggio per la valutazione. Concetti, metodi, strumenti, Franco
Angeli, Milano 2012, p. 41.
4
Commission to monitor and report regularly on Youth Guarantee schemes”5 . Il riferimento ad un
approccio basato sull‟evidenza rimanda ad un‟esigenza - non meglio precisata neanche nelle righe
successive – di raccogliere dati e informazioni utili a comprendere la riuscita del programma. Più
interessante la seconda parte della citazione: il monitoraggio ha funzione di accountability, è uno
strumento che l‟ente finanziatore, la Commissione Europea, usa per verificare la corretta applicazione
del programma. Gli stati membro oltre ad attuare la YG sono tenuti a rendere conto alla Commissione di
come stanno usando le risorse loro conferite. In particolare, un punto centrale nel disegno di
monitoraggio elaborato in sede comunitaria è il riferimento ai tempi di erogazione dei servizi: “A key
objective of the monitoring is to assess the compliance of Member States with the Council
Recommendation, which requires that every young person should receive a good quality YG offer within
a period of 4 months”. Questa indicazione è centrale poiché la YG prevede che dopo la presa in carico,
l‟utente entro quattro mesi riceva una proposta formativa o lavorativa. Questo schema d‟intervento
mette in pratica il presupposto che la fuoriuscita dalla condizione di NEET sia un processo “a tappe
forzate” nel quale il succedersi ravvicinato delle fasi limita il rischio di drop out dal programma.
Nell‟Indicator Framework sono definiti tre livelli di monitoraggio.
1. Aggregate monitoring (macroeconomic indicators): i dati annuali della Labour Force Survey
sono il termine di paragone basilare per questo primo livello. È opportuno ricordare che i NEET
sono un collettivo statistico ben definito, individuato a partire dai quesiti disponibili all‟interno
della rilevazione sulle forze di lavoro. Per questa ragione nello schema della Youth Guarantee
l‟andamento degli indicatori specifici (il tasso di NEET) e supplementari (livello di istruzione,
ricerca di lavoro, coorte anagrafica di appartenenza) è un confronto determinante per la verifica
dello stato di attuazione del programma. È evidente che il monitoraggio aggregato offre
indicazioni di massima sui risultati del programma poiché, a questo livello, è impossibile
verificare il nesso tra una variazione del tasso di NEET e l‟attuazione più o meno efficace della
YG. Come viene correttamente indicato nel documento citato, si tratta di una verifica indiretta
degli effetti, usando uno schema input-ouput che nulla dice rispetto ai meccanismi che hanno
influito sulla variazione dell‟indicatore.
2. Direct monitoring (monitoring of YG delivery): a complemento dei dati macro, il sistema prevede
la raccolta di informazioni utili a costruire indicatori “that better measure the direct impact of
policy and the speed of delivery of offers to young people (efficiency of delivery)”. Il
5 . EC, Indicator Framework for Monitoring the Youth Guarantee, European Commission, DG Employment,
Social Affairs and Inclusion, The Employment Committee [INDIC/10/12052015/EN-rev].
5
monitoraggio diretto ha l‟obiettivo di misurare gli input e gli output del programma, in termini
di risorse e di attività, risultati previsti o ottenuti, vale a dire si interessa dell‟efficacia interna
della YG. Un‟efficacia che è definita essenzialmente in termini temporali: il tempo che intercorre
tra l‟ingresso nel programma e l‟offerta formativa/lavorativa è uno degli indicatori chiave. Nello
schema di monitoraggio hanno un ruolo centrale anche gli outcome negativi, quali: gli utenti
iscritti ma non presi in carico, gli abbandoni e i mancati completamenti del percorso. Nel
complesso, il monitoraggio diretto è incentrato sull‟idea che l‟efficacia della YG dipenda dalla
capacità di inserire i giovani in un percorso che li riporti, in tempi rapidi, all‟interno del sistema
formativo e/o del mercato del lavoro, in caso contrario il rischio di abbandono e permanenza
nella condizione di NEET è molto alto.
3. Follow-up monitoring (follow-up of individuals who have exited the YG preparatory phase): il
terzo livello di monitoraggio è dedicato al follow-up degli utenti in uscita dal programma e ha
l‟obiettivo di misurare gli effetti della YG all‟interno del mercato del lavoro. Nello specifico,
“[t]he proposed indicators aim to identify the labour market status of individuals some time after
exiting the YG preparatory phase, with a break down by type of offer received (employment,
continued education, apprenticeship or traineeships)”. Lo schema è quello tipico dell‟analisi di
placement in uscita dalla formazione e il monitoraggio rileva la condizione occupazionale del
soggetto a distanza di: 6, 12 e 18 mesi dal completamento del percorso. La condizione è inoltre
segmentata in base al tipo di percorso seguito.
Sotto il profilo metodologico il disegno di monitoraggio appena descritto implica una forte integrazione
tra fonti informative di diversa natura poiché i dati della statistica ufficiale sono combinati con dati
amministrativi, risultanti dalla gestione del programma (i cosiddetti process produced data), e rilevazioni
dirette, tipicamente gestite con metodi CATI e CAWI o mediante il concatenamento tra i dati del
programma e i dati amministrativi di livello nazionale (ad esempio, per il caso italiano, dati INPS o del
sistema delle comunicazioni obbligatorie), finalizzate a raccogliere informazioni sullo status
occupazionale del soggetto al termine del programma. Un approccio del genere necessita una forte
collaborazione tra service provider (in Italia, le Regioni), strutture nazionali (Ministeri e enti
previdenziali) e soggetti incaricati del monitoraggio. In altre parole, la circolazione e l‟integrazione dei
dati è l‟elemento determinante per la buona attuazione del disegno di monitoraggio.
Ne deriva che il monitoraggio della YG è imperniato sull‟idea che una corretta applicazione dello schema
di servizio (presa in carico, assessment e, a breve termine, proposta di reinserimento) produca
immancabilmente degli effetti apprezzabili a livello di mercato di lavoro. Questo è forse l‟aspetto più
6
critico del disegno proposto: pensare che da un anno all‟altro possano essere visibili degli effetti
aggregati (anche solo a livello di tasso di occupazione), palesa una concezione delle dinamiche di
domanda-offerta troppo centrata sulla domanda. Non è un caso forse che le rilevazioni di follow-up
considerino solo gli utenti in uscita dal programma. In Italia, ad esempio, la GG prevede un forte
investimento sul supporto alle imprese alle quali sono offerti ricchi incentivi all‟assunzione. Qualora gli
incentivi non dovessero rivelarsi efficaci, il sistema di monitoraggio progettato in sede comunitaria non
offrirebbe alcun elemento per comprenderne il perché.
2.2 La soluzione italiana
In Italia il monitoraggio della GG è in carico al Ministero del Lavoro e delle Politiche Sociali che ha
affidato al proprio ente di ricerca, l‟ISFOL, la gestione operativa dell‟attività. Per comprendere come
l‟Italia abbia scelto di applicare le indicazioni comunitarie sul monitoraggio, il primo documento da
considerare è il Piano di attuazione, nel quale si legge:
[…] La rendicontazione a costi standard permetterà la creazione di una base dati contenente la
totalità dei servizi resi ai singoli individui, da porre in coerenza con gli indicatori standard utilizzati
per il sistema Monit dell‟IGRUE. La medesima base dati sarà pertanto utilizzata sia per il
monitoraggio finanziario sia per quello fisico e costituirà, insieme con le comunicazioni
obbligatorie, con i dati Inps relativi alle storie lavorative degli individui, nonché con appositi
sondaggi, la base per studiate azioni di valutazione dell‟efficienza e della qualità dei servizi resi e
delle misure attuate. […] La raccolta affidabile e ricorrente di informazioni è utile ad ottenere una
visione di insieme dei fenomeni e a fornire una rappresentazione coerente delle diverse azioni.
Allo stesso modo saranno alimentate le valutazioni di impatto delle riforme e degli interventi
progettati. Sono previsti report di monitoraggio periodici, che dovranno confluire nel
monitoraggio dell‟attuazione della Raccomandazione effettuata regolarmente dalla Commissione
europea sulle misure progettate.6
Il punto di partenza è il monitoraggio finanziario: come per tutti i programmi attuati con risorse
comunitarie, il collettore di tutti i flussi di spesa è la Ragioneria dello Stato, ente che gestisce e coordina
gli impegni di spesa, rendicontandone l‟andamento alla Commissione europea. L‟elemento di interesse
è però dato dall‟integrazione dei sistemi informativi. l‟IGRUE (Ispettorato Generale per i Rapporti
6 . MLPS, Piano di attuazione italiano della Garanzia per i Giovani, Roma, Ministero del Lavoro e delle Politiche
Sociali, 23 dicembre 2013, § 2.2.1.1, p. 11.
7
finanziari con l'Unione Europea) è il baricentro di un sistema che prevede l‟interoperabilità tra la
piattaforma informativa dedicata alla GG, i dati di monitoraggio finanziario e quelli provenienti da fonti
esterne (INPS e MLPS)7.
La Legge 99/20138 ha istituito l‟altra struttura di servizio fondamentale per il monitoraggio: la Banca
Dati Politiche Attive e Passive del Lavoro (BDPAPL) ha la funzione di promuovere le misure per
l'attuazione della Garanzia per i Giovani8, raccogliendo in un unico contenitore tutti i dati su misure,
interventi e beneficiari. Questo strumento è centrale nell‟attuazione del monitoraggio poiché è a partire
da questa base dati che vengono calcolati gli indicatori di delivery previsti dalle indicazioni comunitarie.
Nello specifico, gli indicatori progettati per il monitoraggio della GG sono suddivisi in cinque gruppi9:
1. Indicatori di realizzazione/output (tabella 1): si tratta di 17 indicatori centrati principalmente
sulla dimensione attuativa del programma; sono considerati i flussi di utenza (ingressi nel
programma, presi in carico, servizi offerti), particolare attenzione è data ai tempi di attuazione
con indicatori di performance specifici. Completano questo gruppo alcuni indicatori di mobilità
tra le regioni e una serie di metriche riferite alla capacità di spesa. La dimensione realizzativa
della GG è articolata seguendo le diverse fasi del programma: dall‟iscrizione, alla presa in carico
sino all‟offerta di un servizio; in coerenza con le indicazioni del monitoring framework
comunitario, grande attenzione è dedicata ai tempi di erogazione dei servizi.
TABELLA 1 - INDICATORI DI REALIZZAZIONE/OUTPUT
# INDICATORE DEFINIZIONE OPERATIVA
1 Partecipanti registrati Numero di individui registrati all‟iniziativa
GG
2 Partecipanti presi in carico Numero di individui presi in carico presso il
CPI o altro soggetto accreditato a cui si sono
registrati
3 Partecipanti destinatari dei servizi di servizi di
base
Numero di individui iscritti che hanno ricevuto
un servizio di base
7 . Lo strumento tecnico che assicura l‟interoperabilità tra i dati del MLPS e quelli del MEF è il Sistema
Informativo Gestione Monitoraggio e Audit (SIGMA). 8. La legge citata è denominata: “Primi interventi urgenti
per la promozione dell'occupazione, in particolare giovanile, della coesione sociale, nonché in materia di Imposta
sul valore aggiunto (IVA) e altre misure finanziarie urgenti”. 8 . Oltre alla GG, la banca dati raccoglie anche informazioni sulla ricollocazione nel mercato del lavoro dei
lavoratori beneficiari degli ammortizzatori sociali in deroga. 9 . Cfr. MLPS, Indicatori del Piano di attuazione Italiano della Garanzia per i Giovani, Ministero del Lavoro e
delle Politiche Sociali, Roma, 2014, pp. 2-5.
8
4 Partecipanti che ricevono un‟offerta di misura
di politica attiva
Numero di individui iscritti che hanno ricevuto
un‟offerta di misure di politica attiva
5 Partecipanti che ricevono l‟erogazione del
servizio
Numero di individui presi in carico avviati in
una misura di politica attiva
6 Durata media in ore pro-capite della formazione
(avvio)
Rapporto tra il monte ore di “formazione
d‟aula” e il numero dei partecipanti a cui è
stato erogato il servizio
7 Durata media in ore pro-capite della formazione
(conclusione)
Rapporto tra il monte ore di “formazione
d‟aula” e il numero dei partecipanti che hanno
concluso l‟intervento
8 Imprese Numero di imprese/aziende coinvolte nelle
misure pertinenti della Garanzia per i Giovani
9 Durata media di attesa (in mesi) dell‟offerta
della misura
Media del numero di mesi che intercorrono tra
la data di presa in carico dell‟utente e la data
di offerta della misura
10 Durata media di attesa (in mesi) di erogazione
della misura
Media del numero di mesi che intercorrono tra
la data di registrazione dell‟utente e la data di
inizio della misura
11
Quota di destinatari che ricevono un‟offerta
entro i 4 mesi dalla registrazione
Numero di destinatari presi in carico (iscritti)
al mese m-4 che ricevono un‟offerta entro il
mese m sul totale dei presi in carico al mese
m-4
12 Capacità di impegno Impegni sul totale delle risorse allocate
13 Capacità di utilizzo Pagamenti sul totale degli impegni
14 Costo medio pro-capite (avvio) Rapporto tra il finanziamento complessivo
della misura e il numero dei destinatari a cui è
stato erogato il servizio
15 Costo medio pro-capite (conclusione)
Rapporto tra il finanziamento complessivo
della misura e il numero dei destinatari che
hanno concluso l‟intervento
9
16 Mobilità interregionale degli iscritti
Numero degli individui iscritti aventi residenza
in una Regione diversa rispetto all‟Organismo
Intermedio sul totale degli individui iscritti
17 Mobilità interregionale dei destinatari che
ricevono l‟erogazione del servizio
Numero dei destinatari che ricevono un‟offerta
di politica attiva che risiedono in una Regione
diversa rispetto all‟Organismo Intermedio sul
totale dei destinatari che hanno ricevuto
un‟offerta
Fonte: MLPS, Indicatori del Piano di attuazione Italiano della
Garanzia per i Giovani (riproduzione parziale)
2. Indicatori di copertura (tabella 2): il secondo gruppo è composto da tre indicatori, espressi
mediante tassi di copertura, che permettono il confronto tra la sotto-popolazione di giovani che
usufruisce dei servizi della GG e la popolazione di riferimento del programma. Le metriche
previste riguardano le tre fasi principali del programma: registrazione, presa in carico e
erogazione del servizio. Benché nella descrizione del set si precisi che gli indicatori saranno
segmentati per genere, fascia di età e condizione di ingresso, questa dimensione appare poco
articolata poiché non prevede il riferimento a sotto-target di utenza: ad esempio, non sembra
essere presente una distinzione tra soggetti usciti prematuramente dal sistema formativo (early
school leavers) e giovani che invece hanno completato il ciclo della scuola secondaria; non vi è
inoltre riferimento alla storia lavorativa dell‟individuo, una distinzione tra coloro che non hanno
mai lavorato e chi, invece, ha avuto una qualche esperienza occupazionale sarebbe utile.
TABELLA 2 – INDICATORI DI COPERTURA
# INDICATORE DEFINIZIONE OPERATIVA
1 Tasso di copertura dei partecipanti registrati Numero di individui registrati sul totale dei
beneficiari potenziali
2 Tasso di copertura dei partecipanti iscritti Numero di individui presi in carico sul totale dei
beneficiari potenziali
3 Tasso di copertura dei destinatari avviati Numero di destinatari a cui è stato erogato un
servizio sul totale degli individui registrati
10
Fonte: MLPS, Indicatori del Piano di attuazione Italiano della
Garanzia per i Giovani (riproduzione parziale)
3. Indicatori di risultato immediato (tabella 3): il terzo gruppo di indicatori è riferito ai risultati
immediati, vale a dire alla capacità del programma di condurre gli utenti al termine del percorso
di attivazione previsto. Gli indicatori sono tre e riguardano il completamento del percorso, il
ricevimento di un‟offerta di lavoro o formativa e l‟acquisizione di una qualifica formativa o
l‟ottenimento di un posto di lavoro. In questo caso, oltre alle disaggregazioni per variabili
sociodemografiche, è prevista la scomposizione degli indicatori per condizione in ingresso
(disoccupati, disoccupati di lunga durata, inattivi). Non sono tuttavia presenti metriche che
permettano di approfondire l‟efficacia della combinazione tra percorsi di attivazione e target di
utenza.
TABELLA 3 - INDICATORI DI RISULTATO IMMEDIATO
# INDICATORE DEFINIZIONE OPERATIVA
1 Partecipanti destinatari che completano
l'intervento
Numero di destinatari che concludono
l‟intervento di politica attiva
2
Partecipanti destinatari che al momento della
conclusione dell'intervento ricevono un'offerta di
lavoro, istruzione e formazione continua,
apprendistato o tirocinio
Numero di destinatari che ricevono un'offerta di
lavoro, istruzione e formazione continua,
apprendistato o tirocinio alla conclusione
dell‟intervento di politica attiva sul totale dei
destinatari giunti a conclusione dell‟intervento
3
Partecipanti destinatari impegnati in un percorso
di istruzione/formazione, che acquisiscano una
qualifica o un'occupazione, anche autonoma, al
momento della conclusione della loro
partecipazione all'intervento
Numero di destinatari impegnati in un percorso
di istruzione/formazione, che acquisiscano una
qualifica o un'occupazione, anche autonoma, al
momento della conclusione della loro
partecipazione all'intervento sul totale dei
destinatari giunti a conclusione dei
corrispondenti percorsi
Fonte: MLPS, Indicatori del Piano di attuazione Italiano della
Garanzia per i Giovani (riproduzione parziale)
11
4. Indicatori di risultato di lungo periodo (tabella 4): gli indicatori appartenenti a questo quarto
gruppo sono due e monitorano a distanza di sei mesi dal termine dell‟intervento la condizione
dell‟individuo, verificando se i destinatari hanno un lavoro o hanno ripreso a studiare. Sotto il
profilo tecnico, questi due indicatori saranno alimentati da indagini campionarie ad hoc. In
assenza di specificazioni in merito, si presume che le survey previste sondino anche aspetti
relativi ai percorsi in uscita verificando in che modo la condizione a sei mesi dall‟intervento sia
collegata alla fruizione dei servizi previsti da GG.
TABELLA 4 - INDICATORI DI RISULTATO DI LUNGO PERIODO
# INDICATORE DEFINIZIONE OPERATIVA
1
Partecipanti che entro i 6 mesi successivi alla fine
della loro partecipazione all'intervento, prendono
parte a programmi di istruzione e formazione
continua, programmi di formazione per
l'ottenimento di una qualifica, apprendistati o
tirocini
Numero di destinatari che entro i 6 mesi
successivi alla fine della loro partecipazione
all'intervento, prendono parte a programmi di
istruzione/ formazione, programmi di formazione
per l'ottenimento di una qualifica, apprendistati o
tirocini sul totale dei destinatari giunti a
conclusione dell‟intervento
2
Partecipanti che hanno un lavoro entro i 6 mesi
successivi alla fine della loro partecipazione
all'intervento
Numero di destinatari che hanno un lavoro entro
i 6 mesi
successivi alla fine della loro partecipazione
all'intervento sul totale dei destinatari giunti a
conclusione dell‟intervento
Fonte: MLPS, Indicatori del Piano di attuazione Italiano della
Garanzia per i Giovani (riproduzione parziale)
5. Indicatori anticipatori di performance (tabella 5): questo quinto gruppo di indicatori è
composto da quattro metriche, due delle quali riferite alla capacità di GG di offrire a tutti i
partecipanti l‟offerta di una servizio; le altre due, invece, misurano gli scostamenti finanziari in
termini di impegno e utilizzo delle risorse. In questo caso, ritorna la centralità della dimensione
temporale, non solo in termini di erogazione ma anche di gestione finanziaria. Se la prima
esigenza è coerente con le richieste comunitarie, la seconda sembra richiamare uno dei difetti
12
congeniti nella gestione italiana dei fondi comunitari, vale a dire la lentezza nel definire le
strategie e le procedure di impegno e spesa delle risorse.
TABELLA 5 - INDICATORI ANTICIPATORI DI PERFORMANCE
# INDICATORE DEFINZIONE OPERATIVA
1
Indicatore anticipatore di ritardi nei tempi di
ricezione dell‟offerta del servizio
Rapporto tra la durata media di attesa degli
individui iscritti che non hanno ancora ricevuto
un‟offerta e la “durata media di attesa
dell‟offerta”
2
Indicatore anticipatore di difficoltà di fornire
un‟offerta di un servizio entro i 4 mesi
Rapporto tra il numero di individui iscritti a cui
ancora non è stato ancora offerto un servizio e il
numero di individui a cui è stato offerto un
servizio nei 4 mesi precedenti
3 Indice di ritardo nella capacità di impegno
Presenza di Organismi Intermedi per i quali il
rapporto tra impegni e risorse allocate è al di
sotto di un valore soglia opportunamente
calcolato
4 Indice di ritardo nella capacità di utilizzo
Presenza di Organismi Intermedi per i quali il
rapporto tra pagamenti e impegni è al di sotto di
un valore soglia opportunamente calcolato
Fonte: MLPS, Indicatori del Piano di attuazione Italiano della
Garanzia per i Giovani (riproduzione parziale)
La rapida disamina del set di indicatori previsto per il monitoraggio della GG in Italia suggerisce alcune
riflessioni. Gli indicatori di attuazione, molto numerosi, appaiono ben articolati, non altrettanto può dirsi
degli indicatori di copertura e di risultato (immediato e di lungo periodo). Lo squilibrio è evidente, non
solo in termini numerici, ma anche rispetto alla capacità di monitorare un intervento complesso come
GG. Ci si sarebbe aspettati un maggior dettaglio a livello di copertura prevedendo delle segmentazioni
che sapessero cogliere le diverse situazioni biografiche che artificiosamente si portano a comun
denominatore sotto l‟etichetta di NEET. Gli indicatori di risultato sono anch‟essi progettati in modo
troppo semplicistico poiché presumono che la fuoriuscita dalla condizione di NEET sia un evento
puntuale, un voltare pagina in modo definitivo. Ci si sarebbe aspettati una maggiore attenzione alla
13
dimensione processuale dell‟attivazione di un giovane, prevedendo degli indicatori centrati sui
comportamenti di attivazione e non solo sui risultati di tali comportamenti. Come spesso accade, il
monitoraggio dei risultati è programmato seguendo un meccanismo “a scatola nera”: a una serie di input
corrispondono, immancabilmente, degli output uniti tra loro in termini causali. Scorrendo il set di
indicatori e ponendoli in relazione logica tra loro è abbastanza chiaro che il ragionamento sotteso al più
generale progetto di monitoraggio non problematizzi a sufficienza il rapporto tra realizzazioni e risultati.
2.3 I dati di monitoraggio a un anno dall‟avvio del programma
Il primo anno di attuazione della Garanzia Giovani è stato accompagnato dalla pubblicazione
settimanale, sul web-site del programma, di un report di monitoraggio delle principali azioni (adesioni,
impegni e spese, vacancy). Questa scelta di trasparenza segna una discontinuità nelle modalità di
attuazione delle politiche del lavoro: dare la possibilità a cittadini e addetti ai lavori di seguire
l‟andamento di un intervento così significativo è un passo in avanti rispetto a situazioni analoghe ma
con livelli di opacità superiori (si pensi al caso degli “esodati”). Grazie ai dati messi a disposizione dal
MLPS e dalle regioni, è dunque possibile ricostruire come ha funzionato il Piano GG nei primi dodici
mesi di attuazione. C‟è da precisare che rispetto al piano di monitoraggio disegnato dal MLPS molti
degli indicatori previsti non sono stati resi pubblici. Ciò dipende in parte dal fatto che, ad un anno
dall‟avvio, non sono ancora disponibili dati di risultato: in molte regioni, difatti, l‟attuazione del
programma procede a rilento, per cui la maggior parte delle informazioni disponibili riguarda le fasi
iniziali della GG, ossia l‟adesione e la presa in carico dell‟utenza. Di conseguenza, i report settimanali
diffondono dati molto elementari, relativi per lo più alla partecipazione all‟iniziativa della popolazione
target10.
Il primo elemento rilevante sono le registrazioni degli utenti. Il grafico 1 mostra l‟andamento delle
iscrizioni tra aprile 2014 e aprile 2015. A differenza dei dati messi a disposizione dal monitoraggio, si
presentano dei dati di stock e non cumulati: la scelta di diffondere i dati di registrazione in forma
cumulata lascia intuire l‟esigenza di rimarcare la portata dell‟intervento: cumulare le registrazioni
permette, in termini di comunicazione esterna, di mettere in evidenza i “grandi numeri” della GG.
Considerando i flussi di utenza in ingresso, si nota che Il picco registrato a maggio 2014 (71mila utenti
registrati), all‟indomani del lancio del Piano, non si è più replicato. Dopo la flessione dell‟estate 2014,
10 . Nei grafici e nelle tavole inserite in questa sezione si presentano delle rielaborazioni dei dati resi disponibili
tramite i report settimanali. Le rappresentazioni grafiche e tabellari rappresentano delle sintesi operate dagli autori per migliorare la fruibilità delle informazioni. In alcuni casi, sono stati effettuati dei semplici calcoli sui dati in valore assoluto al fine di presentare il dato in forma percentuale. Nel complesso le rielaborazioni sono state molto limitate e finalizzate ad aggregare su base annuale i dati settimanali diffusi dal MLPS.
14
gli utenti hanno continuato a registrarsi nell‟ordine delle 50mila unità al mese sino a dicembre 2014. I
primi mesi del 2015 hanno segnato una nuova flessione, che si è arrestata nel marzo 2015, quando il
dato si attesta nuovamente su quota 50mila. Nei dodici mesi considerati, il totale delle registrazioni al
portale è di 515.533. Considerando che secondo l‟ultimo dato disponibile (riferito al 2013) i NEET in
Italia erano 2.404.571, si può dire che Garanzia Giovani, tra il 2014 e il 2015, abbia raggiunto un utente
potenziale su cinque: un risultato che, pur non eclatante per numeri assoluti, evidenzia la portata
dell‟iniziativa.
GRAFICO 1 – REGISTRAZIONI PIANO GARANZIA GIOVANI (APRILE 2014 - 16 APRILE
2015)
Fonte: elaborazioni Europartners su dati MLPS, Monitoraggio
mensile della Garanzia Giovani
Questa prima metrica è indispensabile per descrivere l‟andamento del programma, tuttavia, al di là di
banali considerazioni sulla stagionalità dei flussi (le adesioni calano soprattutto in estate) non vengono
offerte altre indicazioni per collocare questi flussi nella cornice attuativa del programma. Pur
diffondendo i dati secondo una cadenza temporale molto ravvicinata, il monitoraggio delle registrazioni
non offre dati di contesto utili ad approfondire le strategie adottate nella promozione della GG. Ad
esempio, non sono disponibili dati sulle azioni di comunicazione esterna, né nazionali né locali. Inoltre,
1479
71148
34250
42456
22563
51069 54299
47052
39522 34563
39053
51835
26244
0
10000
20000
30000
40000
50000
60000
70000
80000
APRILE 2014 GIUGNO 2014 AGOSTO 2014 OTTOBRE 2014 DICEMBRE 2014 FEBBRAIO 2015 APRILE 2015
TOTALE (M+F)
Totale registrazioni:
15
le informazioni sul profilo dei giovani registrati sono piuttosto scarne: al di là di dati basilari su età e
sesso, non sono diffuse informazioni sulla condizione occupazionale, sul titolo di studio e sulle
esperienze pregresse. Dal momento che la registrazione è avvenuta compilando un form sul sito del
programma, sarebbe stato agevole diffondere dati anche di questo genere11.
Scomponendo il dato per regione (grafico 2), si può notare che Sicilia e Campania sono di gran lunga
quelle che hanno prodotto il maggiore contribuito (rispettivamente 70mila e 66mila registrazioni);
seguono poi Lazio e Puglia (con 39mila e 38mila registrazioni), Lombardia (34mila), Emilia Romagna,
Veneto e Sardegna, con circa 30mila.
GRAFICO 2 – REGISTRAZIONI PIANO GARANZIA GIOVANI PER REGIONE (APRILE
2014 – 16 APRILE 2015)
Fonte: elaborazioni Europartners su dati MLPS, Monitoraggio
mensile della Garanzia Giovani
Questi dati non vanno letti solo in termini di stock, ma anche di flusso. Gli utenti, difatti, avevano la
possibilità di aderire al progetto anche in regioni differenti da quella di residenza. Il grafico 3 mostra le
adesioni per regione combinando questa informazione con la percentuale di adesioni da fuori regione.
Sicilia e Campania sono le regioni meno attrattive, con rispettivamente il 2,9% e il 4,9% di adesione
esterne, valori altrettanto bassi si riscontrano per le altre regioni meridionali (Puglia: 7,4%; Sardegna:
11 Per quanto parziali o incompleti.
16
5,3%; Calabria: 6,6%). Guardando alle regioni che hanno attratto, Lombardia, Lazio, Emilia Romagna,
Toscana, Umbria e Liguria presentano un tasso di adesione da fuori regione attorno al 30%. Infine,
Basilicata, Friuli Venezia Giulia e Piemonte si attestano poco sopra o poco sotto il 20%. Nel complesso,
guardando ai dati sulla partecipazione al progetto, si nota una sufficiente capacità delle amministrazioni
di coinvolgere gli utenti potenziali, alla quale si combina una tendenza dei giovani a spostarsi dalla
regione di appartenenza per aderire al progetto in un‟altra regione: sul totale delle adesioni, il peso di
questa componente è pari al 17,7%.
Anche rispetto ai dati territoriali e agli indicatori di mobilità sarebbe stato agevole e più opportuno usare
un maggiore dettaglio, offrendo come minimo, il dato provinciale così da rendere conto delle profonde
differenze locali che si riscontrano sul territorio italiano. Nei rapporti settimanali di monitoraggio sono
presenti delle tavole di mobilità a livello regionale, sarebbe utile poter disporre di dati maggiormente
dettagliati per poter analizzare i flussi in modo più preciso: ad esempio, isolando delle direttrici
particolarmente attive tra provincie, o addirittura comuni del Meridione e regioni del Centro-Nord.
GRAFICO 3 TOTALE ADESIONI PIANO GARANZIA GIOVANI PER REGIONE E % DI
ADESIONI DA FUORI REGIONE (APRILE 2014 – 16 APRILE 2015)
Fonte: elaborazioni Europartners su dati MLPS, Monitoraggio
mensile della Garanzia Giovani
L‟eccesso di aggregazione dei dati, del resto, sembra essere uno dei maggiori limiti della reportistica
della GG: nonostante tali dati siano disponibili, il MLPS ha deciso di non renderli pubblici per motivi
che è difficile comprendere. È auspicabile che gli enti incaricati di gestire la GG abbiano usato dati
17
maggiormente articolati per il monitoraggio interno dell‟intervento. Anche in questo caso, comunque,
la valenza della diffusione pubblica dei dati risulta molto limitata.
L‟operazione trasparenza inaugurata dalla pubblicazione dei dati di monitoraggio del Piano GG risulta
nel complesso di portata abbastanza ridotta poiché ci si è limitati a rendere disponibili i grandi aggregati
del programma senza dare la possibilità di approfondire questi numeri in termini di sottogruppi, target
specifici, flussi territoriali delimitati: tutte informazioni che sarebbero risultate preziose tanto per gli
addetti ai lavori, quanto per l‟opinione pubblica. Al contrario, i rapporti settimanali sembrano essere
molto più simili a comunicati stampa che a veri e propri report analitici di monitoraggio. La tendenza a
usare i valori assoluti, senza offrire indicazioni percentuali (utili a relativizzare il valore dell‟indicatore),
sembra suffragare questa idea. A ciò vi è da aggiungere l‟inopinata scelta di presentare i valori cumulati,
lasciando all‟utente il compito di calcolare il valore di stock per una data unità temporale: anche questa
scelta lascia immaginare l‟obiettivo, forse non primario, di sottolineare l‟ampiezza dell‟intervento.
Potrebbero sembrare sottigliezze lessicali, ma dire che la GG in un anno ha visto la partecipazione di
oltre 500mila giovani fa un altro effetto rispetto a un dato di circa 40mila nuovi iscritti al mese.
Proseguendo nell‟esame dei dati resi disponibili tramite i rapporti settimanali di monitoraggio, degli
oltre 500mila giovani registrati, il 46,5% è stato preso in carico alla data del 16 aprile 2015,
corrispondente a un totale complessivo di 260.324 giovani. Di questi, il 9,1% si colloca nella fascia di
età più giovane (quella 15-18anni), il 37,9% in quella più elevata (25-29anni) e oltre la metà (53%) in
quella centrale, che va dai 19 ai 24anni. La tabella 6 mostra come, nel complesso, la struttura per fasce
d‟età dei giovani presi in carico sia abbastanza stabile all‟interno delle venti regioni, tuttavia si
registrano differenze degne di nota. Il Piemonte, ad esempio, è l‟unica tra le regioni ad avere una
struttura demografica quasi piramidale, con un‟elevata quota di giovani appartenenti alla fascia più
giovane (47,6% contro il 9,1% nazionale) e una ridotta percentuale di presi in carico nella fascia di età
più elevata (18,1%, contro il 37,9% nazionale). All‟opposto, assume una struttura demografica a
piramide rovesciata la popolazione di presi in carico della Calabria, del Molise e dell‟Abruzzo. Queste
regioni presentano una quota di presi in carico nelle fasce più elevate, pari rispettivamente al 49,8%,
47,5% e 45,9%, contro il 37,9% dell‟Italia nel suo insieme.
18
TABELLA 6 – UTENTI PRESI IN CARICO DAL PIANO GARANZIA GIOVANI PER
REGIONE E ETÀ IN CLASSI (APRILE 2014 – 16 APRILE
2015)
Età in classi
Regione di presa in
carico
15-
18
19-24 25-
29
TOTALE
N % N % N % N %
01-PIEMONTE 2.948 47,6 2.119 34,2 1.121 18,1 6.188 100,0
02-VAL D'AOSTA 138 20,4 348 51,3 192 28,3 678 100,0
03-LOMBARDIA 1.605 7,5 12.696 59,3 7.103 33,2 21.404 100,0
04-TRENTO 214 11,8 1.069 58,8 534 29,4 1.817 100,0
05-VENETO 1.697 8,7 11.399 58,3 6.459 33,0 19.555 100,0
06-FRIULI VENEZIA
GIULIA
320 5,1 3.480 55,2 2.506 39,7 6.306 100,0
07-LIGURIA 177 6,7 1.410 53,1 1.070 40,3 2.657 100,0
08-EMILIA ROMAGNA 4.978 23,8 10.567 50,6 5.335 25,6 20.880 100,0
09-TOSCANA 2.156 12,4 9.615 55,2 5.645 32,4 17.416 100,0
10-UMBRIA 793 11,6 3.393 49,6 2.660 38,9 6.846 100,0
11-MARCHE 1.079 8,6 6.818 54,1 4.714 37,4 12.611 100,0
12-LAZIO 647 3,2 10.495 52,6 8.803 44,1 19.945 100,0
13-ABRUZZO 306 3,3 4.767 50,9 4.299 45,9 9.372 100,0
14-MOLISE 47 3,5 651 49,0 631 47,5 1.329 100,0
15-CAMPANIA 934 4,1 11.522 50,9 10.166 44,9 22.622 100,0
16-PUGLIA 629 3,8 8.700 52,0 7.415 44,3 16.744 100,0
17-BASILICATA 338 4,7 3.872 54,3 2.926 41,0 7.136 100,0
18-CALABRIA 273 3,0 4.302 47,2 4.543 49,8 9.118 100,0
19-SICILIA 2.323 6,2 20.146 53,7 15.043 40,1 37.512 100,0
20-SARDEGNA 1.995 9,9 10.630 52,7 7.563 37,5 20.188 100,0
19
TOTALE 23.597 9,1 137.999 53,0 98.728 37,9 260.324 100,0
Fonte: elaborazioni Europartners su dati MLPS, Monitoraggio
mensile della Garanzia Giovani
Anche sulla capacità di presa in carico possono essere formulate le obiezioni mosse in precedenza:
mancanza di variabili di segmentazione dell‟utenza (sarebbe stata sufficiente una tipologia che
descrivesse la condizione di ingresso nel programma) ed eccesso di aggregazione territoriale. In
particolare, l‟uso delle classi di età è abbastanza superfluo se non combinato con informazioni sulla
condizione dell‟utente: affermare che in alcune regioni rispetto ad altre è stato preso in carico un numero
maggiore di giovanissimi significa poco. Quale storia formativa hanno queste persone? Provengono da
aree del Paese dove sono note specifiche situazioni di difficoltà occupazionale? Si tratta di persone drop
out dal sistema formativo oppure di giovani che hanno concluso un percorso scolastico e ora sono
scoraggiati? Quali credenziali formative possono vantare? Hanno titoli di studio tecnici o umanistici?
Queste sono domande alle quali il monitoraggio della GG non solo dovrebbe essere in grado di
rispondere, ma potrebbe agevolmente farlo diffondendo, ad esempio, i dati che consentono la
profilazione dell‟utenza e il calcolo dell‟indice di svantaggio di cui daremo conto più diffusamente nel
successivo paragrafo. Resta quindi valida l‟opzione per cui l‟autorità di gestione del fondo, pur avendo
a disposizione questi dati, abbia preferito non diffonderli. Anche in questo caso la domanda è legittima:
cui prodest?
2. IL RISCHIO DI ESSERE NEET: COME FUNZIONA IL SISTEMA DI PROFILAZIONE
DELL‟UTENZA
Il D.D. 10/Segr.D.G./2015 rappresenta una novità assoluta nel panorama delle politiche per il lavoro e,
più in generale, all‟interno del più ampio sistema di programmazione e implementazione delle policy in
Italia. Il decreto, difatti, introduce un‟innovazione rilevante per l‟attuazione Piano GG, fornendo uno
strumento metodologico statisticamente elaborato per la profilazione dei beneficiari. Scopo dello
strumento realizzato dall‟Isfol è quello di fornire, per ciascun utente preso in carico, un coefficiente
individuale di svantaggio capace di stimare la probabilità del giovane di essere non occupato e trovarsi
20
nella condizione di NEET. Il calcolo del coefficiente prende in considerazione tanto le caratteristiche12
individuali dell‟utente, quanto quelle del contesto socio-economico nel quale il giovane vive.
Le ipotesi che hanno guidato i ricercatori dell‟Isfol nella costruzione dello strumento sono due13:
a) il livello di svantaggio dell‟individuo che resta fuori dal mercato del lavoro è legato ad alcune
caratteristiche dell‟individuo stesso (quali l‟età, il sesso, il suo percorso formativo, le sue
esperienze lavorative, ecc.);
b) il livello di svantaggio varia sensibilmente in base al luogo di residenza dell‟individuo, a causa
delle differenze che contraddistinguono le varie realtà territoriali (i territori, difatti, si
caratterizzano per il diverso profilo del sistema produttivo locale, il diverso tasso di
disoccupazione, la diversa propensione all‟imprenditorialità, ecc.).
Lo strumento assegna un peso alle diverse caratteristiche - individuali e contestuali - nella
determinazione dello status occupazionale dell‟individuo. Non solo, una volta stimato il peso di ciascuna
caratteristica e avendo rilevato la presenza/assenza di quelle stesse caratteristiche sui giovani presi in
carico dal Piano GG, è possibile attribuire a ciascuno di essi il livello relativo di svantaggio
occupazionale. Il calcolo del livello di svantaggio è dato dalla combinazione dei pesi stimati dal modello
applicati alle caratteristiche rilevate sul giovane in fase di screening. La procedura di assegnazione
all‟utente di un coefficiente di svantaggio occupazionale rientra nella più ampia categoria delle tecniche
di profiling dell‟utenza di servizi e/o politiche pubbliche.
3.1 Il profiling dell‟utenza: cenni storici e motivazioni
In linea di principio, è possibile distinguere tra due approcci statistici diversi per la destinazione di un
soggetto a un determinato programma: il targeting e il profiling. Le tecniche statistiche riconducibili alla
categoria del targeting consentono di predire, per specifici individui, i possibili esiti derivanti
dall‟inserimento in un determinato ventaglio di programmi o iniziative. Queste tecniche consentono di
stimare anche l‟esito derivante dalla mancata partecipazione ai diversi programmi disponibili. L‟utente,
sulla base di queste analisi, può decidere quale programma sia più adatto a massimizzare il risultato
atteso. Le tecniche statistiche di profiling, al contrario, calcolano un unico fattore o punteggio14 di rischio
abbinato a ciascun individuo. Questo fattore o punteggio esprime la probabilità del soggetto di assumere
12 . Vedremo nei successivi paragrafi di quali in particolare. 13 . Vedi appendici A, B e C del D.D. 10/Segr.D.G./2015. 14 . Nella letteratura scientifica di matrice anglosassone si parla rispettivamente di factor o score.
21
una certa condizione relativamente alla variabile individuata come risultato da predire sulla base
dell‟analisi delle covariate (caratteristiche individuali e/o contestuali) introdotte nel modello. Il
presupposto di queste tecniche è che il fattore o punteggio di rischio rifletta il livello di bisogno
dell‟individuo di accedere a un dato programma. Alternativamente, il punteggio può essere utilizzato
come un vero e proprio peso per la quantificazione e l‟allocazione delle risorse previste dal programma:
siano esse denaro o servizi. Il ricorso a queste tecniche statistiche è oramai piuttosto consolidato,
soprattutto per quel che concerne l‟analisi dei programmi legati alle politiche pubbliche per il lavoro. I
primi Paesi a fare ricorso a questo tipo di strumentazione metodologica sono stati quelli anglosassoni,
sin dagli anni „90: su tutti, Stati Uniti e Australia15. Più in generale, sistemi statistici di profiling per
l‟erogazione o la fruizione di politiche pubbliche per il lavoro (in particolare, Public Employment
Services) hanno avuto sempre più diffusione anche in Europa dagli anni 200016.
Le ragioni del diffondersi di queste tecniche sono molteplici. In primis, forniscono un supporto oggettivo
al decisore: il risultato del profiling non dipende da valutazioni di natura soggettiva, ma dalla stima di
parametri che implicano processi di misurazione in qualche misura replicabili. In secondo luogo, queste
tecniche sono doppiamente spendibili in quanto offrono una strumentazione idonea ad assolvere a due
tipi di compiti: a) l‟identificazione del fattore (o punteggio) di rischio in base al quale è possibile
15 . Si pensi all‟Australian Job Seeker Classification Instrument che calcolava il rischio di divenire disoccupato di
lungo-periodo; oppure al Worker Profiling and Reemployment Service che - negli Stati Uniti - identificava gli
individui più idonei a fruire dei servizi per la ricollocazione nel mercato del lavoro (Cfr. Behncke, S., Frölich,
M. and Lechner, M. (2006): "Statistical Assistance for Programme Selection-For a Better Targeting of Active
Labour Market Policies in Switzerland." University of St. Gallen, Department of Economics, Discussion Paper
2006-09 (2006): 2007-05). 16 . In Germania, ad esempio, si è fatto ricorso a questo tipo di tecniche per la segmentazione dei disoccupati
in specifiche categorie di utenti: in base a questa classificazione, i soggetti potevano avere più o meno diritto
ad accedere alle diverse politiche per il mercato del lavoro (Cfr. Weber T. (2011): Profiling Systems For
Effective Labour Market Integration. Thematic Synthesis Paper. The European Commission Mutual Learning
Programme for Public Employment Services DG Employment, Social Affairs and Inclusion, May 2011;
Caliendo, M., Hujer, R. and Thomsen, S. (2005): “Identifying Effect Heterogeneity to Improve the Efficiency
of Job Creation Schemes in Germany”, IAB Discussion Paper no.8). In Svizzera, dal 2007, è stato avviato un
Programma di Selezione Statisticamente Assistito attraverso il quale si individua non solo l‟allocazione
ottimale delle risorse sulle base delle informazioni pregresse, ma si prevede anche per ciascun soggetto quale
sia la misura più idonea per aiutarlo nella ricerca di lavoro. Sistemi analoghi sono stati sviluppati in Francia,
Olanda e Svezia (Cfr. Fretz, M (2005): The Kansmeter in the Netherlands. Paper presented at the conference
“Profiling for Better Services”, Nuremberg, January 12-12, 2005; Hasluck, C. (2008). The Use of Statistical
Profiling for Targeting Employment Services: The International Experience. In G. D. Domenico & S. Spattini
(Eds.), New European Approaches to Long-Term Unemployment: What role for public employment services
and what market for private stakeholders? (pp. 39-56). Netherlands: Kluwer Law International BV; Rudolph
H. and R. Konle-Seidl, R. (2005): Profiling for Better Services. Report on the European Profiling Seminar,
Nuremberg, January 12-14, 2005).
18. Deve il proprio nome alla cosiddetta funzione link che è, per l‟appunto, la funzione logit, che consente la
riparametrizzazione del modello lineare su base logistica.
22
classificare l‟utenza da indirizzare verso un dato intervento; e b) l‟allocazione delle risorse da destinare
ai soggetti ritenuti bisognosi (per un certo grado) di ricevere i diversi tipi di interventi predisposti. Lo
strumento predisposto dall‟Isfol per la profilazione dell‟utenza del Piano GG rientra pienamente tra le
tecniche precedentemente definite di profiling con il duplice scopo di classificare l‟utenza in base al
rischio di essere NEET e, sulla base della misura di svantaggio stimata per gli individui presi in carico,
fornire un criterio di assegnazione delle risorse previste dal Piano GG.
3.2 Il modello statistico usato per il profiling dell‟utenza del Piano Garanzia Giovani
Da un punto di vista tecnico, lo strumento predisposto dall‟Isfol per il profiling è un modello di
regressione di tipo multilevel. Il modello prevede come variabile risposta (la variabile scelta per fissare
lo svantaggio degli utenti) una variabile di tipo dicotomico i cui due stati sono: essere NEET (ovvero
essere non occupato e non inserito nel sistema d‟istruzione o di formazione) vs. essere occupato. Vista
la natura della variabile scelta per determinare lo svantaggio degli individui, il modello usato è un logit18,
appartenente alla classe dei modelli lineari generalizzati ed è una specificazione del modello di
regressione a risposta categorica di tipo binario o dicotomico. Caratteristica di questo tipo di modelli è
consentire l‟individuazione della propensione al verificarsi di un evento di natura dicotomica (nel caso
in questione: essere NEET vs. essere occupati) in termini di probabilità compresa tra 0 e 1.
Nello specifico, si tratta di un modello logit di tipo multilevel ad intercetta variabile (o casuale). I modelli
multilevel sono un caso specifico di modelli gerarchici: l‟assunto di fondo di questo tipo di modelli è
che il verificarsi di un dato fenomeno (nel nostro caso il livello di svantaggio dell‟individuo) non dipenda
unicamente dalle caratteristiche del singolo, ma sia influenzato anche dal contesto nel quale il soggetto
vive e opera, in ragione della struttura gerarchizzata dell‟informazione. Con riferimento allo strumento
predisposto dall‟Isfol, quindi, l‟essere o meno NEET non è determinato solo dalle caratteristiche
personali del soggetto che si iscrive e viene preso in carico dal Piano GG (età, sesso, percorso formativo,
precedenti esperienze lavorative, ecc.), ma dipende anche da fattori di natura contestuale quali, ad
esempio: la variazione del tasso di disoccupazione provinciale, il rischio di povertà familiare, la densità
imprenditoriale regionale o, più semplicemente, la regione nella quale l‟individuo risiede. Il passaggio
dall‟unità di analisi di tipo individuale a quella contestuale, fa così emergere la natura gerarchica del
modello che sta alla base dell‟organizzazione dei dati multilivello: in pratica, le unità d‟analisi di livello
inferiore sono raggruppate all‟interno delle unità d‟analisi di livello superiore. Nel caso specifico, le
unità di analisi di primo livello sono gli individui; quelle di secondo, le regioni.
23
3.2.1 Le fonti dati
I dati cui i ricercatori dell‟Isfol hanno attinto per la costruzione del modello sono stati molteplici, vista
anche la necessità di dover saturare i diversi livelli del modello. Per quel che concerne gli individui e le
caratteristiche individuali degli stessi, hanno fatto ricorso alle informazioni raccolte dalla Rilevazione
continua sulle forze di lavoro dell‟Istat, in particolare: le indagini relative al periodo compreso tra il
quarto trimestre del 2011 e il terzo trimestre del 2013, le ultime disponibili al momento della costruzione
del modello. I dati sono stati strutturati in formato pooled17, ovvero usando congiuntamente le otto
rilevazioni in maniera da ottenere una numerosità campionaria tale da rendere le stime quanto più robuste
e affidabili.18 La popolazione di riferimento per la stima del modello è quella dei giovani di età compresa
tra i 15 e i 29 anni in condizione di NEET o di occupato residente in Italia come media del periodo di
riferimento delle rilevazioni. La definizione di NEET adottata dai ricercatori Isfol coincide con quella
dell‟Istat. Complessivamente, le otto rilevazioni coprono 90.487 individui di cui 40.566 NEET e 49.921
occupati, rappresentativi rispettivamente di 5.290.040 individui, di cui 2.313.075 NEET e 2.976.965
occupati. Per quel che concerne i dati territoriali relativi agli aggregati di secondo livello (le Regioni) e
caratterizzanti i mercati del lavoro locali, i ricercatori hanno attinto alle fonti statistiche ufficiali Istat ed
Eurostat, rispettivamente: Registro statistico delle imprese attive Istat e il dato Eurostat At risk of poverty
rate by NUTS 2 regions.
3.2.2 Le variabili del modello: la variabile risposta e i predittori di primo e secondo livello
Detto già della variabile risposta (o variabile dipendente), che è lo status del giovane rappresentato in
forma dicotomica (NEET vs. occupato), il modello stima la probabilità di essere NEET sulla base dei
predittori (o covariate) di primo e secondo livello, ovvero le caratteristiche individuali dei soggetti e
quelle dei territori nei quali vivono. Le covariate introdotte nel modello sono quelle riprodotte nella
tabella 7, che riporta il codice della variabile (utile alla lettura del prospetto 1, vedi oltre) e le diverse
modalità previste dalle variabili categoriali introdotte. Per ciascuna variabile categoriale, la modalità di
riferimento per il calcolo dei coefficienti e la loro interpretazione è rappresentata dalla prima modalità,
ad esempio, per il sesso GEN1 che equivale alla modalità donna. Il coefficiente di GEN2, quindi, dirà
di quanto cresce (se positivo) o diminuisce (se negativo) il rischio di un uomo di essere NEET rispetto
ad una donna.
17 . Cfr. Gujarati, D.N. (2003). Basic Econometrics, International Edition - 4th ed.. McGraw-Hill Higher
Education. 18 . Questa scelta ha implicato anche degli svantaggi poiché si sono dovute riferire le stime ad un contesto medio
nel tempo.
24
TABELLA 7 – ELENCO PREDITTORI DI PRIMO E SECONDO LIVELLO
Livello Variabile Codifica Modalità della variabile
Variabili
di I
livello
Età ETA in anni compiuti
Sesso gen-01 Donna
gen-02 Uomo
Presenza in Italia
PRE1 Nato in Italia
PRE2 Fino a 12 mesi
PRE3 Da 1 a 2 anni
PRE4 Da 3 a 4 anni
PRE5 Oltre 5 anni
Titolo di studio
TIS1 Licenza elementare
TIS2 Licenza media
TIS3 Qualifica professionale
TIS4 Scuola magistrale, istituto d'arte
TIS5 Diploma: istituto professionale
TIS6 Diploma: istituto tecnico
TIS7 Diploma: liceo
TIS8 Diploma: altro
TIS9 Laurea (diploma o triennale): Scienze umanistiche
TIS10 Laurea (diploma o triennale): Scienze sociali
TIS11 Laurea (diploma o triennale): Scienze della salute
TIS12 Laurea (diploma o triennale): Ingegneria, informatica
e trasporti
TIS13 Laurea (diploma o triennale): Scienze naturali
TIS14 Laurea (diploma o triennale): Architettura
TIS15 Laurea (diploma o triennale): Altro
TIS16 Laurea (magistrale, specialistica, v.o.): Scienze
umanistiche
TIS17 Laurea (magistrale, specialistica, v.o.): Scienze
sociali
25
TIS18 Laurea (magistrale, specialistica, v.o.): Scienze della
salute
TIS19 Laurea (magistrale, specialistica, v.o.): Ingegneria,
informatica e trasporti
TIS20 Laurea (magistrale, specialistica, v.o.): Scienze naturali
TIS21 Laurea (magistrale, specialistica, v.o.): Architettura
TIS22 Laurea (magistrale, specialistica, v.o.): Altro
Condizione
occupazionale un anno
prima
CON1 Altro inattivo
CON2 Occupato
CON3 In cerca di nuova occupazione
CON4 In cerca di prima occupazione
Disoccupazione DIS(PROV) Variazione tasso di disoccupazione dei 15-29anni a livello
provinciale
Variabili di II
Povertà POV(REG) Rischio di povertà familiare (redditi)
livello
Imprenditorialità DEN(REG) Densità imprenditoriale a livello regionale
Fonte: elaborazioni Europartners su dati appendici A, B e C del
D.D. 10/Segr.D.G./2015.
3.2.3 Il calcolo del coefficiente di svantaggio
Il calcolo del coefficiente di svantaggio deriva, invece, dall‟equazione riparametrizzata in forma
logistica che consente la stima della probabilità p di essere NEET, che è pari a:
I coefficienti che vengono moltiplicati per i codici delle variabili riportate nella tabella 4, sono i valori
stimati dal modello per i rispettivi predittori19.
19 . Ovviamente, le modalità delle variabili categoriali riportate nell‟equazione non possono che assumere valori
0 o 1 a seconda che siano rilevate sugli individui o meno. Ad esempio, un individuo con una laurea triennale
in architettura avrà TIS14=1 e tutti gli altri codici TIS, pari a 0. Stesso dicasi per la Regione di residenza
individuata dal codice REG seguito dal numero corrispondente alla regione in questione. I codici delle variabili
26
3.2.4 L‟indice di svantaggio
Per la costruzione dell‟indice di svantaggio, infine, i valori dei coefficienti sono stati ripartiti in classi.
Vista la distribuzione fortemente asimmetrica del coefficiente di svantaggio calcolato su tutte le unità
del campione analizzato, le classi sono state individuate dai quartili della distribuzione osservata nella
popolazione (tabella 8).
TABELLA 8 – VALORI DI P (COEFFICIENTE DI SVANTAGGIO) PER LA
DETERMINAZIONE DELLE CLASSI DELL’INDICE DI SVANTAGGIO
Limiti delle classi di svantaggio definiti dal valori di p
Indice di Svantaggio Minimo Massimo
1 - Basso 0 0,650716
2 - Medio basso 0,650717 0,805638
3 - Medio alto 0,805639 0,8975
4 - Alto 0,897501 1
Fonte: elaborazioni Europartners su dati appendici A, B
e C del D.D. 10/Segr.D.G./2015
3.3 Pregi e limiti della tecnica adottata: la profilazione in pratica
Il pregio maggiore del lavoro svolto dai ricercatori dell‟Isfol è quello di aver fornito al decisore uno
strumento statistico di profilazione dell‟utenza molto raffinato. A livello nazionale, difatti, rappresenta
quasi un unicum, soprattutto in considerazione del fatto che lo strumento è stato adottato e inserito in un
documento ufficiale della PA. Non solo, lo strumento ha anche una duplice valenza operativa: fornire
una metodologia quantitativa di classificazione dell‟utenza basata su parametri oggettivi; e garantire uno
strumento di allocazione delle risorse partendo dalla classificazione dell‟utenza così prodotta.
Il coefficiente di svantaggio risponde al primo compito, l‟indice di svantaggio al secondo. Il coefficiente
di svantaggio, difatti, deriva direttamente dal modello logit multilivello costruito dai ricercatori. Dal
punto di vista metodologico, la scelta del modello è ineccepibile20: i test statistici effettuati dagli autori
relative ai predittori di secondo livello saranno anch‟essi dicotomici (0 se l‟individuo non risiede in quel
territorio, 1 se risiede) e i coefficienti assumeranno valori pari a quelli delle Province e Regioni di residenza,
in base ai dati Istat ed Eurostat. Ad esempio, un giovane residente nella provincia di Reggio Calabria avrà
valori POV(REG18)=32,0; DEN(REG18)=48,0 e DIS(PROV80)=25,17 (vedi appendici A, B e C del D.D.
10/Segr.D.G./2015). 20 . A tal proposito, appaiono tecnicamente infondate alcune critiche mosse alla metodologia adottata che invitano
a: “[…] stimare il modello introducendo interazioni tra caratteristiche individuali e di contesto” (Cfr. Albertini,
27
confermano la validità della decisione di orientarsi verso la famiglia dei multilivel poiché la struttura
gerarchizzata del dato ha effetti statisticamente significativi sulle variabili introdotte nel modello
completo. Si potrebbe, forse, obiettare circa la scelta di un logit di tipo multilevel “semplicemente” ad
intercetta variabile (o casuale): ma, anche in questo caso, la decisione appare ben ponderata e pragmatica.
Un modello a intercetta variabile, difatti, prevede che varino solamente i valori delle intercette al variare
delle unità di secondo livello (nel caso in esame, le regioni). I parametri da stimare, quindi, si limitano
a: i coefficienti dei predittori, che restano fissi all‟interno dei gruppi individuati dalle variabili di secondo
livello (le regioni); e le intercette che, invece, variano al variare dei gruppi di secondo livello. Se i
ricercatori avessero deciso di implementare un modello anche a pendenza variabile (o casuale), i
parametri da stimare sarebbero raddoppiati21. Un simile modello risulterebbe più complesso non solo in
termini statistici, ma anche e soprattutto più difficile da maneggiare in chiave interpretativa e operativa22.
Fin qui, gli aspetti esclusivamante metodologici, legati alla tipologia di modello usato. Veniamo ora alla
selezione delle variabili usate nel modello come predittori di primo e secondo livello, oltre che alla scelta
stessa delle unità di secondo livello e del numero di livelli.
Le variabili usate per caratterizzare le unità di primo livello (i giovani in età compresa tra i 15 e i 29anni)
tengono conto di alcune informazioni: il profilo demografico (età e sesso); il livello e la tipologia di
istruzione (titolo di studio più elevato conseguito e livello di competenza linguistica); il trascorso
occupazionale del soggetto. Tra le variabili scelte per saturare la dimensione dell‟istruzione, spicca
quella relativa alla competenza linguistica: essa è rilevata come proxy della presenza in anni in Italia
dell‟individuo. I dati presentati nell‟Appendice D del D.D. 10/Segr.D.G./2015 mostrano, difatti, come
le competenze linguistiche siano associate alla durata della presenza in Italia dei giovani (dati
OCSE-PIAAC). Dal punto di vista concettuale la variabile in questione pare essere più un
completamento della dimensione relativa al profilo demografico che non di quello educativo. Del resto,
la letteratura in materia di profiling per i servizi pubblici per l‟impiego sottolinea ampiamente la
rilevanza delle variabili demografiche e, in particolare, quella relativa all‟origine etnica o provenienza
dei soggetti23. Appare quindi strano che i ricercatori dell‟Isfol non abbiano introdotto nel modello il dato
M., Giubileo F. e Pastore F. (2015): “Profilo dei giovani a rischio disoccupazione” pubblicato il 31.03.15 su
lavoce.info (link)). I modelli multilivello, per costruzione, rispondono proprio a questa esigenza: tenere conto
- nella stima dei parametri - degli effetti tra le caratteristiche individuali e quelle di contesto. 21 . Oltre alle intercette, in questo caso, varierebbero anche le pendenze (i coefficienti dei predittori) al variare
delle unità di secondo livello. 22 . Cfr. Gelman, A. and Hill J. (2006). Data analysis using regression and multilevel/hierarchical models.
Cambridge University Press. 23 . Trattandosi di tecniche ampiamente diffuse nei Paesi anglosassoni, non stupisca il fatto che si rilevi l‟etnia o
il gruppo razziale dei soggetti presi in carico dai servizi: esso costituisce un elemento fortemente discriminante
28
relativo alla cittadinanza dei soggetti, informazione che nelle rilevazioni sulle forze lavoro viene
regolarmente registrata (Istat (2011)) e che, abbinata alla regione di residenza, molto probabilmente,
avrebbe potuto dare interessanti indicazioni. Il prospetto 1 riporta i grafici nei quali sono rappresentate
la forza e la direzione dei vari predittori usati per il calcolo della probabilità di essere NEET: non essere
nato in Italia costituisce un fattore di rischio (di essere NEET) per i soggetti presi in carico. Riduttivo
collegare questo effetto alla sola competenza linguistica, senza tener conto anche della cittadinanza degli
individui24. Sempre da un punto di vista concettuale e quindi operazionale, il modello è lacunoso sotto
un altro aspetto: il background familiare. Nella costruzione del modello, difatti, sono state ignorate
variabili quali lo status socio-educativo dei genitori dei soggetti in carico al Piano GG: informazioni,
anche queste, registrate dalle rilevazioni sulle forze lavoro Istat25. Omissioni piuttosto strane da un punto
di vista logico e teorico, che stonano molto con la complessità metodologica dello strumento usato. Da
sottolineare, infine, come sul versante dei fattori preventivi giochino un ruolo decisivo tanto i trascorsi
lavorativi dell‟individuo, quanto i percorsi formativi.
Dal prospetto 1, difatti, emerge come il fattore predittivo preminente di (non essere NEET), sia costituito
dall‟essere stato occupato un anno prima, a ulteriore conferma dell‟infinita letteratura in materia che
sottolinea la natura dualistica del mercato del lavoro italiano e le difficoltà dei cosiddetti outsiders di
entrarvi26. Mentre sul versante formativo, sono le lauree tecnico-ingegneristiche quelle che garantiscono
maggiori opportunità di non essere NEET ai giovani.
per lo status occupazionale degli individui, cfr. Bell, S.H. and Orr. L.L.(2002): "Screening (and creaming?)
applicants to job training programs: the AFDC homemaker–home health aide demonstrations." Labour
Economics 9.2 (2002): 279-301. 24 . Cfr. Frölich, M., Lechner M. and Steiger H. (2003): “Statistically Assisted Programme Selection – International
Experience and Potential Benefits for Switzerland”, Swiss Journal of Economics and Statistics 139, 311–31. 25 . Istat (2011). Rilevazione Continua sulle Forze di Lavoro. Questionario Unico 2° trimestre 2011 (link) 26 . Cfr. Barbieri, P. (1997): "Non c'è rete senza nodi. Il ruolo del capitale sociale nel mercato del lavoro." Stato e
mercato 17.1 (1997): 67110; Barbieri, P. and Scherer, S. (2005): "Le conseguenze sociali della
flessibilizzazione del mercato del lavoro in Italia." Stato e mercato 25.2 (2005): 291-322.
29
PROSPETTO 1 – COEFFICIENTI DEI PREDITTORI DI PRIMO E SECONDO LIVELLO
Preditorri di I livello
Caratteristiche demografiche Predittori di I livello:
Percorso formativo
CON5
Fonte: elaborazioni Europartners su dati appendici A, B e C del
D.D. 10/Segr.D.G./2015
30
Sulla base di queste risultanze, forse, si sarebbero potuti creare ulteriori indicatori relativi ai percorsi
formativi e lavorativi. Nello specifico, con i dati panel della rilevazione sulle forze lavoro, si sarebbero
potute creare delle variabili volte a differenziare ancora più dettagliatamente le traiettorie occupazionali
e formative degli individui nell‟arco di tempo investigato.
Rispetto ai predittori di secondo livello scelti per caratterizzare i mercati del lavoro locali, due sole
considerazioni: la prima, riguarda l‟uso della variazione del tasso di disoccupazione provinciale; la
seconda, la scelta dei livelli. L‟uso della variazione del tasso di disoccupazione è una scelta teoricamente
raffinata: facendo ricorso a questo dato, difatti, si vuole cogliere la struttura occupazionale del territorio
in questione nel tempo analizzato e, quindi, la sua vitalità o reattività alla congiuntura, cosa che non
sarebbe stata possibile fotografandone il livello a un dato tempo. Se si scorrono i dati dell‟Appendice B
del D.D. 10/Segr.D.G./2015, si può vedere come all‟interno delle diverse regioni vi siano delle situazioni
anche profondamente differenti in questo senso. Per quel che concerne la scelta dei livelli, vista anche
l‟introduzione di una variabile con dettaglio provinciale (la variazione del tasso di disoccupazione), ci
si può chiedere come mai non si sia optato per la costruzione di un modello a tre livelli: primo livello gli
individui; secondo, le province; terzo, le regioni. Probabilmente, anche in questo caso, come nel caso
della scelta della tipologia di effetti variabili, avrà prevalso la volontà dei ricercatori di ridurre al
massimo gli elementi di complessità di un modello di per sé già complicato.
Sviscerati pregi e limiti del coefficiente di svantaggio, analizziamo quelli dell‟indice di svantaggio. La
prima cosa che balza all‟occhio nella costruzione dell‟indice è la scelta di operare una trasformazione
del suo livello di misurazione: da continuo a ordinale, con le quattro classi di svantaggio individuate dai
quartili osservati nella distribuzione del coefficiente calcolato sul campione. Come noto, i quartili
consentono di ripartire una popolazione in quattro gruppi di eguale dimensione: ognuno individua un
25% di essa. Una scelta piuttosto radicale, vista l‟elevata asimmetria negativa della distribuzione di
partenza. Non è dunque un caso che il D.D. 10/Segr.D.G./2015 sia dovuto intervenire anche nella
modifica dei limiti di demarcazione delle classi di svantaggio definiti dai valori del coefficiente come
illustrato dalla tabella 9.
TABELLA 9 – VALORI DI P (COEFFICIENTE DI SVANTAGGIO) PER LA
DETERMINAZIONE DELLE CLASSI REVISIONATE DELL’INDICE DI SVANTAGGIO
Indice di Svantaggio Limiti delle classi di svantaggio definiti dal valori di p
Minimo Massimo
1 - Basso 0 0,25
2 - Medio basso 0,250001 0,5
31
3 - Medio alto 0,500001 0,75
4 - Alto 0,750001 1
Fonte: elaborazioni Europartners su dati appendici A, B e C del
D.D. 10/Segr.D.G./2015
A partire da febbraio del 201527, le quattro fasce di svantaggio sono state così ridefinite: la cosa ha
prodotto notevoli modifiche nella classificazione dei soggetti presi in carico. Il grafico 4 mostra come,
conseguentemente, siano mutati radicalmente i rapporti tra le numerosità di casi collocati nella classe
Alta e quelli nella classe Bassa e tra i casi appartenenti alle classi Alta e Medio-alta e Medio-bassa e
Bassa. Se prima veniva classificato come ad alto rischio di svantaggio un giovane contro cinque giovani
classificati a Basso rischio, da febbraio 2015 il rapporto letteralmente si capovolge e al 16 aprile del
2015 si arriva a quattro giovani ad Alto rischio contro uno a Basso rischio di svantaggio.
GRAFICO 4 – RAPPORTI TRA LE NUMEROSITÀ DI CASI APPARTENENTI ALLE
CLASSI ESTREME DELL’INDICE DI SVANTAGGIO E ALLE CLASSI ALTA E MEDIO-
ALTA E MEDIO-BASSA E BASSA
27 . I dati sul monitoraggio dell‟indice di svantaggio iniziano ad essere pubblicati a partire dal 22-esimo rapporto
di monitoraggio, datato 9-102014.
32
Fonte: elaborazioni Europartners su dati MLPS, Monitoraggio mensile della Garanzia Giovani
Il grafico 5 mostra come la classificazione vari ancor di più tra le regioni. Come prevedibile, sono quelle
del Meridione a presentare i rapporti maggiori tra giovani classificati ad Alto rischio e giovani classificati
a Basso rischio. Su tutte, Basilicata, Sicilia, Campania e Calabria.
GRAFICO 5 - RAPPORTI TRA LE NUMEROSITÀ DI CASI APPARTENENTI ALLE CLASSI
ESTREME DELL’INDICE DI SVANTAGGIO PER REGIONE
Fonte: elaborazioni Europartners su dati MLPS, Monitoraggio
mensile della Garanzia Giovani
3.4 Soluzioni tecniche innovative usate in modo tradizionale
Alla luce di questi dati, è spontaneo chiedersi quale possa essere la reale utilità di ricorrere a un indice
ripartito in classi (quindi con livello di misurazione ordinale), quando si ha disposizione uno strumento
che fornisce un coefficiente continuo, con livello di misurazione a rapporti.
Questa trasformazione di livelli di misurazione non è una sottigliezza meramente metodologica, poiché
ha un impatto operativo significativo nella classificazione degli individui e quindi nella loro destinazione
ai diversi pacchetti di soluzioni/interventi. Per essere più chiari, un conto è classificare i soggetti sulla
33
base di un indice che contempla solamente quattro ordini di grandezza (Basso, MedioBasso, Medio-
Alto, Alto), un altro è farlo con un indice continuo che può assumere qualsiasi valore compreso tra 0 e
1. Le storture di una ripartizione in classi dell‟indice così ideata sono state tali da costringere i decisori
del Piano GG a una revisione in corsa dei criteri di costruzione dello stesso. Con la prima ripartizione in
classi, si aveva l‟assurdo di considerare a Basso rischio sia un soggetto con un indice pari a 0,6 che uno
con un indice pari a 0,1, cioè un individuo sei volte più a rischio del primo. In ogni caso, un indice così
costruito, anche con le modifiche realizzate in corso d‟opera, non offre grandi garanzie in termini di
corretta discriminazione tra i soggetti, appiattendo in maniera eccessiva le differenze tra i soggetti
appartenenti alla stessa classe di rischio e rendendo poco raffrontabili quelle tra soggetti appartenenti a
diverse classi di rischio.
3. GARANZIA GIOVANI: AFFINITÀ E DIFFERENZE TRA LE REGIONI
I dati di monitoraggio sin qui presentati sono stati integrati con quelli relativi ai macro-indicatori tratti
dalle fonti statistiche ufficiali nazionali e con quelli relativi agli indicatori diretti di monitoraggio
dell‟offerta, estrapolati da varie fonti amministrative e portali ufficiali delle regioni. Questa operazione
ha consentito la realizzazione di un‟analisi comparativa che mette in luce le differenze tra le varie regioni
italiane ad un anno dall‟avvio del Piano GG ma, ancora di più, le lacune informative derivanti
dall‟incompleta e parziale presentazione dei dati raccolti a livello regionale, resi solo parzialmente
pubblici dall‟Ente attuatore. L‟analisi comparativa è stata realizzata mediante un‟analisi per gruppi28.
Le variabili usate fanno riferimento a tre dimensioni che individuano i tre fattori ritenuti portanti per
l‟interpretazione dell‟attuazione del Piano GG, vale a dire (tabella 10):
► Il bacino: le caratteristiche socio-economiche del territorio regionale considerate tramite il trend
dei NEET negli ultimi 10 anni, il trend degli abbandoni scolastici sempre nello stesso periodo di
tempo e la stima delle unità lavorative irregolari al 2013.
► La domanda: ossia la percentuale di NEET iscritti a Garanzia giovani e la percentuale di adesioni
da fuori regione
28 L‟analisi è stata realizzata secondo l‟algoritmo two-step, così come implementato sul software SPSS 19.0. Per
maggiori dettagli sull‟analisi cfr. Estrogeni-Europartners (2015) “GARANZIA GIOVANI. Come stanno le
cose a un anno dall‟avvio”.
34
► L‟offerta: considerata attraverso la struttura anagrafica dei presi in carico, la percentuale dei presi
in carico rispetto agli aderenti e un indice di concentrazione delle risorse, calcolato a partire dalla
riclassificazione delle misure proposta nel paragrafo (6).
TABELLA 10 – INDICATORI USATI PER L’ANALISI DI RAGGRUPPAMENTO
Dimensione Indicatore Descrizione dell'Indicatore
Bacino
Trend 2004-2013 Early
school leavers
Trend degli early school leavers tra il 2004 e il 2013
(differenza percentuale
% unità lavorative
irregolari
% di Unità lavorative irregolari sul totale delle unità lavorative
attive
Trend 2004-2013 NEET Trend dei NEET tra il 2004 e il 2013 (differenza percentuale)
Domanda % di raggiungimento del
bacino
% di NEET (2013) iscritti a GG (marzo 2014-marzo 2015
Attrattività % di adesioni da altre regioni
Offerta
Struttura anagrafica dei
presi in carico
Rapporto tra presi in carico 15-18 anni e presi in carico 25-29
anni (ogni 15-18enne quanti 25-29enni)
% di presi in carico % di presi in carico sul totale delle adesioni a GG
Concentrazione delle
risorse
Indice di concentrazione delle risorse programmate (variazione
0-1, il valore 1 sta per massima concentrazione)
Fonte: Estrogeni-Europartners 2015
I risultati dell‟analisi per gruppi sono presentati nella tabella 11 e permettono di individuare cinque
orientamenti di policy. Per illustrarne meglio le implicazioni, nella tabella 12 riportiamo le percentuali
di impegno delle risorse secondo la riclassificazione proposta in precedenza.
TABELLA 11 – RISULTATI ANALISI DI RAGGRUPPAMENTO: 5 ORIENTAMENTI DI
POLICY
ORIENTAMENTO DELLA POLICY
Dimensione Indicatore Indifferenziata Compensativa Responsiva Procedurale Riparativa
35
Contributo
alla
costruzione
del gruppo
(0-1)
Emilia
Romagna
Liguria
Lombardia
Piemonte
Toscana
Trentino
Alto
Adige
Valle d'Aosta
Abruzzo
Calabria
Campania
Lazio
Molise
Puglia
Basilicata
Friuli
Venezia
Giulia
Marche
Umbria
Veneto
Sicilia
Sardegna
Veneto
Bacino
Trend 2004-
2013 NEET
0,6 55,0 18,5 31,9 8,6 61,3
Trend 2004-
2013 Early
school leavers
1 -4,8 -5,1 -1,9 -5,1 -43,1
% unità
lavorative
irregolari
0,4 9,5 19,6 13,7 22,1 8
Domanda
% di
raggiungimento
del bacino
0,6 20,9 22,6 47,4 28 23,9
Attrattività 0,4 36,7 17,6 20,1 4,1 16,6
Offerta
Struttura
anagrafica dei
presi in carico
0,8 2,6 13,4 6,1 5,1 3,8
% di presi in
carico
0,4 35,1 36,3 44,1 59,8 54,6
Concentrazione
delle risorse
0,1 0,5 0,4 0,6 0,1 0,5
Fonte: Estrogeni-Europartners 2015
36
I valori riportati in tabella sono i valori medi registrati per quel dato indicatore in corrispondenza del
gruppo individuato dall‟analisi di raggruppamento.
Il primo orientamento connota Garanzia Giovani come una politica indifferenziata e caratterizza Emilia
Romagna, Liguria, Lombardia, Piemonte, Toscana, Trentino Alto Adige, Valle d'Aosta. In queste
regioni, nonostante i discreti risultati nel contrasto all'abbandono scolastico (-4,8% nel periodo
20042013), negli ultimi dieci anni è esplosa l‟emergenza NEET (+55%). La scelta è stata di usare
Garanzia Giovani come intervento trasversale ai diversi profili di disagio occupazionale e formativo (il
rapporto tra presi in carico 15-18enni e 25-29enni è molto equilibrato: 2,6). Queste regioni sono, inoltre,
particolarmente attrattive (il 36,7% delle adesioni proviene da fuori regione). In questo cluster di regioni,
però, si evidenzia una capacità di raggiungimento del bacino e di presa in carico comparativamente più
bassa rispetto agli altri gruppi (rispettivamente del 20,9% e del 35,1%).
Il secondo orientamento di policy permette di interpretare Garanzia Giovani in termini di politica
compensativa. Questo cluster comprende Abruzzo, Calabria, Campania, Lazio, Molise, Puglia. In queste
regioni, la crescita dei NEET non è stata particolarmente elevata (+18,5% in dieci anni) poiché il
fenomeno era già su livelli alti. La stessa dinamica si riscontra rispetto agli abbandoni scolastici (5,1%
tra il 2004 e il 2013). La caratteristica principale è data dalla struttura anagrafica dell'intervento: per ogni
15-18enne, sono stati presi in carico 13,4 utenti 25-29enni. Garanzia Giovani si configura, quindi, come
un intervento compensativo nei confronti di una coorte specifica. La crescita limitata del fenomeno lascia
supporre che questo gruppo anagrafico sia nella condizione di NEET da diversi anni, il peso di tale
condizione può essere stata mitigato dalle opportunità offerte dal mercato del lavoro irregolare (19,6%
di ULA irregolari).
TABELLA 12 – ORIENTAMENTI DI POLICY E RIPARTIZIONE DELLE RISORSE PER
TIPO DI MISURA
Tipo di misura
Orientamento Regione
Supporting Education Training Job
Start-
up
GG come politica
Indifferenziata
Piemonte 21,4 45,1 33,5 - -
Valle d'Aosta 20,4 8,6 66,7 4,3 -
37
Lombardia 27,2 8,1 25,2 33,4 6,2
Trentino Alto Adige 13,2 12,6 38,8 35,3 -
Liguria 21,1 33,4 23,3 10,2 12,0
Emilia Romagna 11,9 32,4 41,7 5,3 8,7
Toscana 18,2 24,1 40,5 15,0 2,3
GG come politica
compensativa
Lazio 27,2 9,3 26,0 32,7 4,7
Abruzzo 15,3 12,8 45,6 16,4 10,0
Molise 14,0 15,6 57,3 4,6 8,5
Campania 44,2 12,7 36,5 1,6 5,0
Puglia 20,8 14,9 34,0 27,8 2,5
Calabria 22,1 9,1 29,8 16,0 23,1
GG come politica
responsiva
Friuli Venezia
Giulia
6,7 16,1 58,2 19,0 0,0
Umbria 11,4 37,3 26,3 16,2 8,8
Marche 14,9 16,5 52,5 15,1 1,1
Basilicata 17,4 23,3 50,4 6,6 2,3
GG come politica
procedurale
Sicilia 32,4 31,3 10,5 14,0 11,8
Sardegna 27,9 19,2 21,0 22,5 9,4
GG come politica
riparativa
Veneto 14,5 33,5 40,7 6,0 5,3
Fonte: Estrogeni-Europartners 2015
Il terzo orientamento vede Garanzia Giovani come una politica responsiva e tale orientamento accomuna
Basilicata, Friuli Venezia Giulia, Marche, Umbria. In queste regioni, si riscontra un'elevata capacità di
raggiungimento del bacino di utenza potenziale (47,4%) e l'attrattività di utenza da fuori regione è media
(20,1%). Ciò nonostante, il tasso di presa in carico è elevato (44,1%). Inoltre, si è scelto di concentrare
molto le risorse (il valore del relativo indice è 0,6). Garanzia Giovani sembra essere stata usata come
risposta mirata per contenere, soprattutto attraverso azioni di training, una crescita significativa ma non
elevatissima dei NEET (+31,9% in dieci anni).
Il quarto gruppo di regioni evidenzia un‟applicazione di Garanzia Giovani quale come politica
procedurale, con particolare riferimento alla Sicilia e alla Sardegna. Nelle due regioni insulari, negli
38
ultimi dieci anni i NEET sono cresciuti poco (+8,6%) e gli interventi sull'abbandono scolastico hanno
avuto risultati discreti (-5,1% dal 2004 al 2013), tuttavia la struttura economica del territorio è ancora
caratterizzata da ampie sacche di lavoro irregolare (lo è quasi un'unità lavorativa su quattro: 22,1%). La
capacità di raggiungimento del bacino di utenza potenziale non è stata particolarmente alta (28%), si
evidenzia invece un'elevata capacità di presa in carico dell'utenza (59,8%), tuttavia la scelta di non
concentrare le risorse su misure specifiche (l'indice di concentrazione è dello 0,1) lascia intendere che
Garanzia Giovani sia stata applicata soprattutto concentrandosi sul rispetto della procedura di contatto-
adesione-presa in carico, senza scegliere una direttrice di sostegno specifica.
Infine il quinto orientamento, caratterizzante il solo Veneto, regione nella quale Garanzia Giovani
sembra connotarsi come politica riparativa. In questa regione, negli ultimi dieci anni si è assistito a due
fenomeni paralleli: la drastica riduzione di abbandoni scolastici (-43%) e l'esplosione del fenomeno dei
NEET (+61,3%). Ciò è avvenuto in territori dove il lavoro irregolare è limitato (8% di unità lavorative
irregolari). Attualmente, la capacità del mercato del lavoro locale di assorbire i giovani che
abbandonavano la scuola non è più sufficiente, per cui Garanzia Giovani è stata usata per riparare gli
impatti negativi di un modello centrato sull'ingresso precoce nel mondo del lavoro. Ciò appare
confermato dalla concentrazione delle risorse su misure di qualificazione del profilo professionale
dell'utenza.
L‟analisi proposta rappresenta un esercizio tecnico esemplificativo di quelli che potrebbero essere gli
usi più avanzati dei dati di monitoraggio da parte non solo delle istituzioni coinvolte nell‟attuazione del
Piano GG, ma anche da parte degli stakeholders lato sensu. Appare evidente quale possa essere il valore
aggiunto in chiave di comprensione del funzionamento degli interventi di queste analisi e,
conseguentemente, i limiti che la parzialità o totale mancanza di dati con un dettaglio maggiore
soprattutto relativamente ai servizi offerti determini nella valutazione della loro efficacia.
5. CONCLUSIONI: COSA CI INSEGNA UN ANNO DI MONITORAGGIO DELLA GG?
Secondo un contributo molto citato su monitoraggio e controllo di gestione, le funzioni del monitoraggio
possono essere ricondotte essenzialmente a cinque29:
i. compliance: raccogliere informazioni per far rispettare le regole;
29 . Alberto Martini, Giuseppe Cais, “Valutazione (delle politiche) e controllo (di gestione): un ennesimo ma non
ultimo tentativo di sistemazione concettuale“, in Valutazione 2000: esperienze e riflessioni, a cura di M. Palumbo, FrancoAngeli, Milano, 2000.
39
ii. management control: raccogliere informazioni per tenere sotto controllo l‟organizzazione;
iii. accountability: raccogliere informazioni per rendere conto dei risultati ottenuti;
iv. learning: raccogliere informazioni per capire se e come gli interventi funzionano;
v. policy and program design: raccogliere informazioni per orientare le scelte tra alternative di
policy.
Stando a quanto reso disponibile a terzi da parte del MLPS, il monitoraggio del Piano GG sembra molto
sbilanciato sulla dimensione dell‟accountability: la reportistica settimanale ha una funzione prettamente
esterna, è rivolta a soggetti esterni al programma (mezzi di informazione, opinione pubblica), poca
considerazione è data alle esigenze degli operatori, dei tecnici e, in genere degli addetti ai lavori. La
rilevanza del to account è fortemente ridimensionata, riducendo al minimo la quantità di dati diffusi e
mettendo in primo piano i “grandi numeri” del programma, poco si dice sulla composizione interna di
questi aggregati, così come sono limitate le informazioni di contesto. Si pensi, ad esempio, alla totale
mancanza di diffusione e pubblicazione dei dati di dettaglio riguardanti la profilazione dell‟utenza: uno
snodo nevralgico per il management control del Piano GG, ma ancor di più per il learning.
La logica di monitoraggio che emerge, quindi, appare abbastanza lontana da quanto espresso nei
documenti tecnici e preparatori: ad esempio, non c‟è alcuna menzione degli output negativi. Così come
è stato usato nel primo anno di attuazione della GG, il monitoraggio perde molta della valenza tecnica e
operativa per assumere una funzione quasi esclusivamente comunicativa e autopromozionale. I dati di
monitoraggio sembrano essere usati – o meglio opportunamente selezionati – per supportare il consenso
attorno al Piano GG. Questa deriva si presta a considerazioni critiche solo nel caso in cui a livello di
gestione interna del programma non sia fatto un uso adeguato dei dati di monitoraggio. Anche nel caso
in cui ciò avvenga, rimane il fatto che in termini di trasparenza nell‟impiego delle risorse pubbliche,
questa opacità e selettività delle informazioni non rappresenta una situazione ottimale, anzi presta il
fianco a obiezioni che, in assenza di precisazioni in merito, possono essere anche trancianti se non
addirittura pregiudiziali30. Sarebbe bastato ad esempio precisare che i dati di monitoraggio diffusi nel
corso dell‟anno rappresentano una selezione limitata delle informazioni disponibili. Questa precisazione
sarebbe stata coerente anche con la scelta di diffondere settimanalmente i dati. Sotto questo profilo,
alcune indicazioni positive possono essere rintracciate nella progettazione esecutiva proposta
dall‟ISFOL per il monitoraggio e la valutazione del Piano GG nel quinquennio 2014-201831. All‟interno
30 . Si vedano, ad esempio, i numerosi contributi critici formulati dal centro ADAPT
(http://www.bollettinoadapt.it/) 31 . Cfr. ISFOL, Il monitoraggio e la valutazione del Piano della Garanzia per i Giovani in Italia, Piano esecutivo,
annualità 2014-2018, Roma, 29 luglio 2014.
40
del documento si descrivono con sufficiente puntualità diverse azioni di monitoraggio e valutazione, tra
le quali spicca la pubblicazione a fine 2015 di un rapporto di valutazione degli interventi. Questo
prodotto potrebbe essere l‟occasione giusta per colmare le lacune evidenziate sinora e mettere in moto
quel circolo virtuoso, tra monitoraggio, valutazione e policy making, alla base di un qualsiasi processo
di implementazione delle politiche pubbliche. Se le indicazioni presenti nella progettazione esecutiva
fanno ben sperare, qualche preoccupazione la desta la precondizione, esplicitamente riportata nel
documento citato. I tecnici dell‟ISFOL infatti precisano che “[la] precondizione necessaria per avviare
le attività di monitoraggio e valutazione riportate nel presente piano è una convenzione ISFOL - MLPS
che garantisca all‟ISFOL la disponibilità di tutte le fonti informative indicate all‟interno di ciascuna
linea di intervento”. Senza entrare nel merito delle singole attività previste, due sono i livelli
problematici: il primo, riguarda il trasferimento dei dati da un organismo centrale come il Ministero a
un altro ente nazionale come ISFOL. Su questo fronte si suppone non debbano esserci problemi, anche
perché l‟ente di ricerca è un‟emanazione diretta del MLPS. Un secondo ordine di problemi, attiene al
trasferimento dei dati dai soggetti attuatori, le regioni, all‟ente incaricato del monitoraggio. Pur non
avendo elementi di fatto a disposizione, non è difficile immaginare che possano esserci delle resistenze
da parte degli enti locali a trasferire tutte le informazioni necessarie. I flussi informativi necessari a
supportare un monitoraggio completo ed efficace del Piano GG possono essere problematici in assenza
di una netta volontà politica di condividere le informazioni. A riguardo c‟è anche da ricordare che in
termini di “cultura del dato” non tutte le regioni italiane sono sullo stesso livello. La mancata
disponibilità di alcune informazioni potrebbe non rimandare solo ad una chiusura “politica”, ma al più
banale fatto che tali dati non sono stati costruiti nella forma corretta o, peggio, non sono stati affatto
raccolti. In entrambi i casi, la situazione sarebbe grave: ammettere di non avere certezza rispetto ai dati
disponibili per valutare una politica del valore di un miliardo e mezzo di euro getta una luce veramente
poco rassicurante sul livello raggiunto dalla cultura della valutazione in Italia.