The Italian public universities over the last decade : an efficiency analysis

“Make more with less” is becoming the imperative for public organizations in the XXI century. Public budgets are tighter, year after year; while simultaneously citizens express their demand for higher quality of public and welfare services. In this context, it is important to analyze how productive are public institutions, the dynamics of performance in the short and medium run, and the determinants of efficiency; all this information, indeed, can improve policy-making and managerial practices. In this work we focus on a specific field within the Italian public sector, namely higher education. The Italian public education sector has been traditionally strongly regulated, with a strong central government role not only in the allocation of financial resources among universities, but also in the practical running of institutions. In such a context, the last fifteen-twenty years a wide reform process led to increasing autonomy of universities in several domains (financial, teaching and managerial). This reforming process also promoted an increasing competitive pressure on and between public universities in order to improve their efficiency (that is, the volume and quality of teaching and research produced, given the available resources) developing a quasi-markets configuration of the HE system (Agasisti & Catalano, 2013). The aim of this research is analyzing the technical efficiency of the Italian public universities over the last 11 years (2001-2011). More specifically, we investigate (i) How relative efficiency is distributed among Italian universities (ii) if technical efficiency increased or decreased over time, (iii) if such changes were driven by “pure efficiency” modifications or by technological changes, and (iv) which external factors conditioned the evolution of efficiency. Efficiency analyses are conducted through Data Envelopment Analysis (DEA). The preference for a non-parametrical approach (DEA), while requires no assumption on the functional form of the relationship between inputs and outputs and on the distribution of the inefficiency scores, brings about some considerable drawbacks mainly due to the deterministic non-statistical nature of the model. This issue has been addressed by relatively recent work of Simar & Wilson (1998, 2000, 2006). The latter proposed a way of repeatedly simulating the data generating process (DGP) of the estimated frontier basically through resampling the DEA efficiency scores, this way approximating their sampling distributions and allowing for a sensitivity analysis of the efficiency score of a given DMU (bootstrapping procedure). Once robust efficiency scores were obtained, we performed a second stage Tobit regression in order to test the proposed explanatory variables of DEA scores. Lastly, Malmquist indexes were calculated to investigate how efficiency changed during the time period, and separating this change into two components: a change in pure technical efficiency and a change in the technology implied (i.e. a production frontier shift). Main findings concern efficiency distribution, which favors southern universities due to their lower incomes, but a ranking variation analysis highlights positive differential results for northern institutions when quality adjusted values for students or graduates are selected, denoting a better ‘success rate’. The intertemporal analysis showed a predominant role of technology change in the overall productivity growth. Looking a productivity trend over time, a strong and persistent growth in the first six is observed for DEA models using degrees awarded as output measure, probably due to the implementation of the bachelor-master degree structure. Finally, students’ contributions’ percentage over university expenditures results the more significant determinant of efficiency. Policy implications will be discussed.

“Produrre di più con meno risorse” sta diventando un imperativo per qualsiasi ente pubblico nel ventunesimo secolo. I bilanci pubblici divengono, anno dopo anno, sempre più ristretti; mentre simultaneamente i cittadini manifestano una domanda di crescente qualità dei servizi pubblici e di welfare in generale. In questo contesto risulta importante analizzare quanto siano produttive le istituzioni pubbliche, come evolve la loro performance nel breve e medio termine, quindi individuare le determinanti dell’efficienza. Tutte queste informazioni possono, naturalmente, migliorare le pratiche manageriali e di regolamentazione pubblica. In questo lavoro ci si concentra su un ambito specifico del settore pubblico italiano, l’istruzione universitaria. Quello dell’istruzione ha sempre costituito un ambito altamente regolamentato in Italia, dove il governo centrale svolge un ruolo non solo nell’allocazione dei risorse finanziare alle università, ma anche nella concreta gestione degli atenei. In questo contesto, un ampio processo di riforma ha condotto negli ultimi quindici anni ad una crescente autonomia da parte degli atenei in diversi ambiti (finanziario, didattico e gestionale). Questo processo di riforma inoltre ha promosso una crescente pressione competitiva su e tra gli stessi atenei pubblici perché incrementassero la propria efficienza (i.e., quantità e qualità della didattica e della ricerca prodotte, date le risorse loro disponibili) sviluppando una cosi detta configurazione dei quasi-mercati per il sistema universitario (Agasisti & Catalano, 2013). Obiettivo di questa ricerca è analizzare l’efficienza tecnica delle università pubbliche italiane nel corso degli ultimi 11 anni (2001-2011). In particolare saranno oggetto di indagine: (i) la distribuzione dell’efficienza relative tra le univesità italiane; (ii) l’incremento o la diminuzione dell’efficienza tecnica nel tempo; (iii) la natura di tali cambiamenti, siano essi dovuti da un incremento dell’”efficienza pura” o ad uno spostamento della frontiera tecnologica (produttiva) (iv) i fattori esterni determinanti l’evoluzione dell’efficienza Le analisi di efficienza sono state condotte attraverso Data Envelopment Analysis (DEA). La scelta di un approccio non parametrico (DEA), se da un lato non richiede alcuna assunzione a priori né circa la forma funzionale della relazione che lega gli input agli output, né circa la distribuzione dei punteggi di efficienza, allo stesso tempo comporta alcune rilevanti limitazioni dovute alla natura deterministica non-statistica di tale modello. Questo tema è stato affrontato da Simar & Wilson (1998,2000, 2006). Essi hanno proposto un metodo che prevede la simulazione ripetuta del processo di generazione dei dati (Data Generating Process, DGP) della frontiera stimata semplicemente attraverso il ricampionamento dei punteggi DEA ottenuti, approssimando così la loro distribuzione di ricampionamento e consentendo una analisi di sensitività dei punteggi di efficienza di ciascuna DMU (procedura di bootstrapping). Una volta ottenuti i così detti punteggi robusti, abbiamo effettuato una regressione di secondo stadio Tobit al fine di testare alcune ipotetiche variabili esplicative dei punteggi di efficienza DEA. Infine abbiamo calcolato gli indici di Malmquist per analizzare le variazioni dell’efficienza nel tempo, separando il cambiamento in una componente legata ad una variazione dell’efficienza pura ed una legata ad un miglioramento della tecnologia produttiva (funzione produttiva) impiegata. I principali risultati ottenuti riguardano la distribuzione dell’efficienza, che favorisce in alcuni casi le università del Sud a causa delle loro minori entrate, tuttavia una analisi delle variazioni di rango delle università tra diversi modelli DEA mostra un differenziale positivo per le università del Nord passando da un modello con studenti o laureati totali a regolari, e da studenti a laureati in genere, con un incremento di efficienza delle università del Nord quando valutate sulla base del tasso di successo nel far studiare/laureare in corso i propri studenti. L’analisi intertemporale ha mostrano in ruolo predominante dello scostamento della frontiera tecnologica nel determinare le mutazioni di produttività. Guardando all’andamento della produttività nel tempo, si può notare una crescita più sentita nei modelli con laureati nei primi sei anni, probabilmente per effetto dell’introduzione della riforma del “3+2”. Infine, per quanto riguarda la regressione di secondo stadio, l’incidenza della contribuzione studentesca sulle uscite di bilancio risulta una determinante significativa dell’efficienza. Verranno discusse policy implications.