Zasadniczym celem prezentowanego badania było ustalenie wpływu wyko-rzystania Wolnego i Otwartego Oprogramowania na zmianę sprawności funk-cjonowania podmiotów gospodarczych oraz na ich konkurencyjność na rynku.
Jeżeli chodzi o skuteczność badanych jednostek, ponad dwie piąte ankie-towanych ogółem stwierdziło, iż wykorzystanie WOO nie miało wpływu na zmianę w tym względzie, bez mała jedna piąta zauważyła poprawę spraw-ności funkcjonowania podmiotu związaną z wdrożeniem otwartych rozwią-zań, natomiast zaledwie 1,4% respondentów stwierdziło pogorszenie
sku-W y k r e s 8 . 1
Wpływ wykorzystania Wolnego i Otwartego Oprogramowania na zmianę sprawności funkcjonowania firmy (w %)
brak odpowiedzi 40,1
przyczyniło się do pogorszenia
1,4
przyczyniło się do poprawy
17,5
nie miało wpływu 41,0
Źródło: Opracowanie własne na podstawie wyników badań empirycznych.
195
Rozdział 8. Wpływ wykorzystania WOO na zmianę sprawności funkcjonowania i pozycji konkurencyjnej…
teczności firmy pod wpływem użycia Wolnego i Otwartego Oprogramowa-nia (wykres 8.1).
Inaczej kształtowały się oceny wpływu wykorzystania WOO na konkurencyj-ność badanych podmiotów (wykres 8.2). Zależności takiej nie dostrzegła ponad połowa ankietowanych, a na wystąpienie związku wskazała niespełna jedna dziesiąta podmiotów, czyli prawie dwukrotnie mniej, niż w wypadku oceny oddziaływania eksploatacji WOO na sprawność jednostki. Co więcej, wśród 9,4% respondentów, którzy udzielili pozytywnej odpowiedzi, aż 5,7% stwier-dziła, że wpływ Wolnego i Otwartego Oprogramowania na konkurencyjność był bardzo mały lub mały. Zaledwie 3,7% respondentów ogółem stwierdziło, iż był on średni lub bardzo duży.
Różnica w ocenie współzależności wykorzystania WOO i sprawności funk-cjonowania oraz konkurencyjności badanych podmiotów ma zapewne
cha-W y k r e s 8 . 2
Wpływ wykorzystania Wolnego i Otwartego Oprogramowania na pozycję konkurencyjną na rynku (góra) i ocena jego poziomu (dół) (w %)
37,8
9,4
52,8
tak nie
brak odpowiedzi
3,9
1,8
3,2
0,5 0
0,5 1 1,5 2 2,5 3 3,5 4 4,5
bardzo mały mały średni bardzo duży
Źródło: Opracowanie własne na podstawie wyników badań empirycznych.
rakter semantyczny i związana jest z niejasnością pojęcia „konkurencyjność”.
„Sprawność” firmy, mimo iż nadal enigmatyczna, wydaje się terminem bar-dziej klarownym i łatwiejszym do zidentyfikowania w praktyce przez ankieto-wanych. W związku z tym dalsza analiza, w której wykorzystane będą metody mikroekonometryczne, oparta będzie na ocenie zmiany sprawności badanych podmiotów.
W ekonometrycznym modelu zmiennej jakościowej, mającym na celu usta-lenie, które czynniki zidentyfikowane w badaniu mają decydujący wpływ na skuteczne wykorzystanie Wolnego i Otwartego Oprogramowania przez pod-mioty gospodarcze, zmienną objaśnianą jest przedstawiony na samym początku tego rozdziału wpływ wykorzystania WOO na sprawność firmy (SPR). Jest to zmienna binarna, która przyjmuje wartość 1, gdy eksploatacja WOO korzyst-nie wpłynęła na sprawność badanej jednostki oraz 0 w przeciwnym wypadku.
Jeśli chodzi o zmienne objaśniające, odpowiadają one tym pytaniom kwestionariusza ankiety, które wykazują ogólną merytoryczną przydatność, a także techniczną możliwość wykorzystania dla celów modelowania. Są to odpowiednio:
• poziom komputeryzacji (KOM, zmienna uporządkowana),
• typ działalności, w jakiej wykorzystywany jest sprzęt komputerowy (DZI, zbiór zmiennych binarnych),
• posiadanie działu IT (DIT, zmienna binarna),
• wykorzystywane programy z rodziny WOO (PRO, zbiór zmiennych binar-nych),
• przyczyny wykorzystania WOO (PRZ, zbiór zmiennych binarnych),
• organy decydujące o wyborze oprogramowania (DEC, zbiór zmiennych binarnych),
• bariery wykorzystania WOO (BAR, zbiór zmiennych binarnych),
• sektor podstawowej działalności (SEK, zmienna nominalna),
• rodzaj własności (WLA, zmienna nominalna),
• poziom zatrudnienia (ZAT, zmienna uporządkowana),
• siedziba firmy (SIE, zmienna uporządkowana),
• zmiana wykorzystania WOO i oprogramowania zamkniętego w ostatnich trzech latach (ZMI, zmienna uporządkowana),
• województwo, w którym przedsiębiorstwo jest zlokalizowane (WOJ, zmienna binarna).
W przypadku sześciu pytań utworzono nowe zmienne poprzez łączenie kate-gorii odpowiedzi, biorąc pod uwagę zbytnie „rozdrobnienie” katekate-gorii w stosunku do merytorycznych potrzeb badania lub niską częstość odpowiedzi. Były to:
• rodzaj własności (WLA): kategorie „własność publiczna” oraz „dominujący udział skarbu państwa” połączono w jedną: „własność publiczna”; kategorie
197
Rozdział 8. Wpływ wykorzystania WOO na zmianę sprawności funkcjonowania i pozycji konkurencyjnej…
„dominujący udział kapitału zagranicznego” oraz „własność kapitału zagra-nicznego” połączono w jedną: „własność kapitału zagrazagra-nicznego”,
• poziom komputeryzacji (KOM): połączono kategorie „bardzo niski” oraz
„niski” w jedną kategorię „niski”; kategorie „bardzo wysoki” oraz „wysoki”
połączono w jedną kategorię „wysoki”,
• bariery wykorzystania WOO (BAR): kategorie „brak wystarczającego mar-ketingu (promocji) ze strony autorów takiego oprogramowania” oraz „brak znanych marek WOO” włączono do kategorii „inne”,
• sektor podstawowej działalności (SEK): kategorie „rolnictwo, leśnictwo, łowiectwo i rybactwo”, „górnictwo i wydobywanie”, „wytwarzanie i zaopa-trywanie w energię elektryczną, gaz, parę wodną, gorącą wodę i powietrze do układów klimatyzacyjnych”, „transport i gospodarka magazynowa”,
„działalność związana z zakwaterowaniem i usługami gastronomicznymi”,
„informacja i komunikacja”, „działalność związana z obsługą rynku nie-ruchomości” oraz „działalność profesjonalna, naukowa i techniczna” włą-czono do kategorii „inne”,
• wykorzystywane programy WOO (PRO): kategorie „LaTeX”, „Zimbra”, Scribus”, „Drupal”, „Pidgin”, „RawTherapee” oraz „SugarCRM” włączono do kategorii „inne”,
• przyczyny wykorzystywania WOO (PRZ): kategorie „oczekiwania (presja) instytucji i władz publicznych”, „oczekiwania (presja) kontrahentów lub klientów”, „zmiany kadrowe (zmiana osoby podejmującej decyzje w tym zakresie)” oraz „konieczność dostosowania się do możliwości technicznych innych podmiotów” włączono do kategorii „inne”.
Pięć zmiennych objaśniających (DZI, DEC, PRO, PRZ i BAR) w naturalny sposób stanowi zbiory zmiennych binarnych, stanowiąc zestawy odpowiedzi na pytania wielokrotnego wyboru. Dodatkowo wszystkie nominalne i uporządko-wane zmienne objaśniające podzielono na n zmiennych binarnych, wskazują-cych poszczególne kategorie, przy czym w wypadku każdej zmiennej (nomi-nalnej lub uporządkowanej) jedna zmienna binarna nie jest explicite uwzględ-niana w modelu i staje się kategorią referencyjną.
Wydaje się, iż dla powyższego zbioru danych byłoby możliwe zastosowanie regresji binarnej, gdzie wszystkie zmienne (zależne i niezależne) są zero-jedyn-kowe. Zaletą tego typu podejścia byłoby bardzo intuicyjne tłumaczenie efek-tów krańcowych. Jednak z powodu konieczności dokonania pełnej hierarchi-zacji, polegającej na stworzeniu wszystkich możliwych interakcji zmiennych binarnych, brakuje obserwacji do przeprowadzenia tego typu analizy. Model nie w pełni shierarchizowany nie gwarantuje wystandaryzowania prognozy do przedziału [0, 1], dlatego najlepszym rozwiązaniem wydaje się zastosowanie modelu logitowego, którego prognozy zawsze należą do tego przedziału.
W konsekwencji, wykorzystując próbę liczącą 255 obserwacji (liczba do -stęp nych obserwacji dla zmiennej objaśnianej), oszacowano model logitowy postaci:
gdzie nieobserwowalny wpływ wykorzystania Wolnego i Otwartego Oprogra-mowania na sprawność funkcjonowania przedsiębiorstw (SPR*i) jest kombina-cją liniową 13 zmiennych objaśniających (reprezentowanych przez 97 zmien-nych binarzmien-nych) i wektora szacowazmien-nych parametrów β.
Liczba parametrów większa niż liczba unikalnych obserwacji powoduje jed-nak, iż w tej postaci model jest w stanie idealnie dopasować się do danych.
W związku z tym zastosowano szczególną procedurę modelowania: w pierwszej kolejności dokonano oszacowania modelu z pominięciem zmiennej PRO (19 zmiennych binarnych), by – po usunięciu nieistotnych statystycznie (wartość p < 0,1) zmiennych – ponownie włączyć ją do estymacji. Weryfikacja wspólnej nieistotności statystycznej zmiennych nominalnych1 w oszacowanym modelu (bez zmiennej PRO) wskazała istotność wszystkich sześciu zmiennych tego typu (tablica 8.1a).
W związku z tym z modelu usunięto 56 nieistotnych statystycznie zmien-nych binarzmien-nych stanowiących kategorie zmienzmien-nych: DZI, DEC, PRO, PRZ i BAR. Usunięte zostały również dwie zmienne, będące kategoriami SIE i DEC, z powodu występowania problemu quasi-całkowitego podziału (ang.
quasi-complete separation). Następnie do tak „oczyszczonego” modelu włą-czono 19 zmiennych binarnych reprezentujących zmienną PRO. Piętnaście z nich okazało się nieistotne statystycznie, dlatego usunięto je i – kończąc
pro-1 W rezultacie konwersji do postaci zbioru zmiennych binarnych, zmienne uporządkowane tracą uszeregowanie kategorii, zachowując cechy zmiennych nominalnych (w szczególności potrzebę ustanowienia kategorii referencyjnych). Z tego względu zmienne objaśniające, zdefiniowane uprzednio jako nominalne bądź uporządkowane, będą odtąd określane mia-nem zmiennych nominalnych.
199
Rozdział 8. Wpływ wykorzystania WOO na zmianę sprawności funkcjonowania i pozycji konkurencyjnej…
cedurę modelowania – ponownie sprawdzono łączną nieistotność zmiennych nominalnych. Tym razem dwie z nich, KOM i SIE, okazały się statystycznie nieistotne (tablica 8.1b). Wartość testu ilorazu wiarygodności dla modelu bez tych zmiennych wyniosła LR = 10,34, co przy χ2(6)0,05 = 12,59 oznacza lepsze dopasowanie. Ostatecznie uzyskano model następującej postaci2:
2 Błędy oszacowań w nawiasach. Gwiazdkami oznaczono odpowiednie poziomy istotności poszczególnych parametrów: *** – p ≤ 0,01, ** – p ≤ 0,05, * – p ≤ 0,1.
Ta b l i c a 8 . 1
Łączna statystyczna nieistotność zmiennych nominalnych a)
Zmienna LR* DF χ2(DF) (α = 0,05) Dopasowanie bez zmiennej
KOM 10,89 2 5,99 GORSZE
SEK 50,74 10 18,31 GORSZE
WLA 22,54 5 11,07 GORSZE
ZAT 24,18 3 7,81 GORSZE
SIE 16,94 4 9,49 GORSZE
ZMI 23,63 2 5,99 GORSZE
b)
Zmienna LR* DF χ2(DF) (α = 0,05) Dopasowanie bez zmiennej
KOM 3,25 2 5,99 LEPSZE
SEK 33,5 10 18,31 GORSZE
WLA 16,19 5 11,07 GORSZE
ZAT 9,99 3 7,81 GORSZE
SIE 7,06 4 9,49 LEPSZE
ZMI 15,07 2 5,99 GORSZE
* Podwojona różnica logarytmów funkcji wiarygodności dla porównywanych modeli.
Źródło: Opracowanie własne na podstawie wyników badań empirycznych.
, , , , ,
SPR DIT DZI DZI DEC
DEC PRO PRO PRO
Minimalna wartość logarytmu funkcji wiarygodności (przy liczbie obser-wacji n = 192) wyniosła -57,406. Model okazał się więc istotny statystycznie (LR χ2(37) = 122,08; p = 0,000), podobnie jak wszystkie zmienne objaśniające.
Oczywiście nie wyjaśniają one wpływu eksploatacji WOO na sprawność funk-cjonowania firm w pełnym zakresie, jednak uzyskane wartości miar dopasowa-nia modelu do danych należy uznać za satysfakcjonujące (tablica 8.2).
Interpretacji wyników oszacowania modelu najłatwiej dokonać z wykorzysta-niem ilorazów szans (ang. odds ratio), które przedstawiono w tablicy 8.3. Ma to szczególne znaczenie, gdyż, przeważnie również możliwe w przypadku modelu logitowego, wyprowadzenie wniosków z efektów krańcowych tym razem wydaje się być nieuzasadnione. Z jednej strony, efekty krańcowe dla średnich wartości zmiennych objaśniających nie mają większego zastosowania, gdy – jak w prezen-towanym przypadku – w zbiorze zmiennych objaśniających znajdują się zmienne binarne, bowiem ich wartości średnie równają się frakcjom jedynek w próbie [Gruszczyński, 2010, s. 66]. Z drugiej strony natomiast, obliczenie efektów krań-cowych dla konkretnej jednostki obserwacji wymaga określenia jednostki „repre-zentatywnej”, co w omawianym badaniu wydaje się być dość karkołomne.
Oszacowania ilorazów szans można zinterpretować w następujący sposób:
podmioty z wyodrębnioną komórką IT (DITi) mają, ceteris paribus,