Hotărâre nr.01 din 19.02.2026 cu privire la aprobarea Instrucţiunii privind evaluarea ajutorului de stat

Anexa nr.3

la Instrucţiunea privind evaluarea ajutorului de stat

Anexă tehnică privind metode relevante pentru identificarea impactului de cauzalitate

O schemă de ajutor de stat poate avea un impact la diferite niveluri. În mod normal, se preconizează că aceasta va avea un efect direct la nivel de beneficiar. Înţelegerea amplorii acestui efect este crucială pentru a evalua nivelul de eficienţă şi eficacitate al unei măsuri publice. Cu toate acestea, întrucât ajutorul este direcţionat către întreprinderi care interacţionează pe pieţe sau în regiuni care concurează pentru a atrage activităţi economice, ajutoarele de stat au de asemenea, în mod normal, efecte indirecte. Acestea ar putea fi, de exemplu, efecte colaterale asupra altor întreprinderi (de exemplu, efecte colaterale pozitive ale cercetării şi dezvoltării sau efectul de evicţiune asupra investiţiilor din partea altor întreprinderi concurente), sau efecte de deplasare (de exemplu, mutarea activităţii economice de la o regiune la alta). Astfel de efecte indirecte constitui baza pentru posibilele daune şi beneficii care decurg din intervenţia statului în economie. Prin urmare, evaluarea măsurilor publice impune şi evaluarea amplorii acestor efecte indirecte.

Măsurarea efectelor directe şi indirecte ale unei politici necesită, în mod normal, utilizarea unor instrumente diferite. În ultimele decenii a avut loc o importantă dezvoltare a metodologiilor şi tehnicilor concepute pentru evaluarea efectului direct al politicilor asupra beneficiarilor. Aceste tehnici sunt prezentate mai în detaliu în continuare. În cazuri rare astfel de tehnici vor permite, de asemenea, evaluarea efectelor indirecte ale schemei de ajutor de stat pentru întreprinderi sau regiuni. Evaluarea efectelor indirecte ale schemei de ajutor de stat necesită, de regulă, alte tipuri de probe decât cele utilizate pentru evaluarea efectelor directe asupra beneficiarilor şi interpretarea se bazează, în mod normal, mai mult pe teorie economică şi modelare. Este mai dificil să se ofere orientări precise cu privire la acest tip de exerciţiu, care trebuie să fie adaptat la efectele pozitive şi negative potenţiale şi preconizate ale politicii. Prin urmare, evaluarea trebuie să fie realizată după o analiză atentă şi riguroasă a celor mai credibile efecte indirecte posibile ale politicii. Pe baza unei astfel de analize, evaluatorii pot deriva măsuri bazate pe microdate de la întreprinderile care nu au beneficiat de ajutor, în special în aceeaşi regiune, grup sau industrie, precum şi în regiunile învecinate. Aceasta ar trebui să constituie elementul central al evaluării efectelor indirecte ale schemei de ajutor de stat. În cazul în care este necesar, măsurile pot fi completate cu mai multe date macroeconomice şi, cel mai important, cu studii de caz alese cu atenţie.

Evaluarea efectelor directe este un prim pas necesar şi important. Cu toate acestea, o evaluare efectuată în mod riguros a efectelor indirecte ale ajutorului constituie o probă importantă în evaluarea efectelor mai ample ale schemei. Dacă lipsa unor investiţii suplimentare din partea beneficiarilor ajutorului reprezintă, în general, un indicator al eşecului politicii, un efect pozitiv nu este suficient în sine pentru a stabili că o politică şi-a îndeplinit obiectivele. În special, dacă se dovedeşte că impactul direct al ajutorului asupra beneficiarilor este foarte mic sau chiar inexistent, este foarte probabil să se considere că schema nu îşi îndeplineşte obiectivul, în cazul în care nu pot fi prezentate argumente foarte convingătoare privind existenţa unor efecte indirecte importante şi benefice. Contrariul este, de asemenea, adevărat: inclusiv în cazul în care evaluarea constată efectele pozitive directe ale ajutorului, rămâne întrebarea dacă pot exista efecte negative indirecte care le compensează sau chiar le depăşesc.

De asemenea, nu este întotdeauna uşor să se distingă în mod clar efectele directe de cele indirecte. O întreprindere ar putea să fi investit mai mult (efectul direct pretins) deoarece propriile investiţii au un efect de evicţiune asupra investiţiilor din partea întreprinderilor concurente (efect indirect de interacţiune). O întreprindere ar putea, de asemenea, să investească mai mult deoarece preconizează efectele colaterale şi investiţiile realizate de alte întreprinderi. De asemenea, ajutorul în sine sau pur şi simplu acordarea ajutorului ar putea avea oricare dintre efectele menţionate. Posibila prezenţă, direcţie şi amploare preconizată a efectelor indirecte ar trebui să fie discutate în detaliu în evaluarea efectelor directe. Teoria economică care leagă efectele indirecte de ajutor ar trebui să fie menţionată în mod explicit şi informaţiile suplimentare care pot servi drept probe în sprijinul teoriei ar trebui să constituie parte integrantă a evaluării.

Deducţia cauzalităţii

Impactul de cauzalitate al ajutorului reprezintă diferenţa dintre rezultatul în prezenţa ajutorului şi rezultatul în absenţa ajutorului. Rezultatul în prezenţa ajutorului este observat pentru întreprinderile care beneficiază de ajutor. Cu toate acestea, rezultatele înregistrate în absenţa ajutorului se măsoară numai pentru întreprinderile care nu beneficiază de ajutor. Prin definiţie, nu se observă rezultatul care ar fi putut fi obţinut în absenţa ajutorului pentru întreprinderile care au primit ajutoare. Prin urmare, pentru a estima efectul ajutorului asupra beneficiarilor este necesar să se construiască un scenariu contrafactual, şi anume, să se stabilească un scenariu rezonabil care să determine ce s-ar fi putut întâmpla cu beneficiarii ajutorului în cazul în care nu l-ar fi primit. Scenariul necesită identificarea unui grup de control, şi anume, un grup de întreprinderi care ar trebui să fie cât mai apropiate de grupul de întreprinderi care au primit ajutorul sub toate aspectele, cu excepţia ajutorului propriu-zis.

Calitatea grupului de control este esenţială pentru validitatea evaluării. Caracteristicile întreprinderilor care beneficiază de ajutor diferă, de regulă, de cele ale întreprinderilor care nu beneficiază de ajutor. Acestea ar putea, de exemplu, să fie active în zone mai sărace cu un potenţial al pieţei mai redus, să se confrunte cu mai multe restricţii de creditare, să fie mai mult sau mai puţin eficiente, să aibă sau nu un proiect de pus în aplicare etc. Prin urmare, simpla comparare a beneficiarilor cu cei care nu beneficiază de ajutor este susceptibilă să reflecte această realitate mai mult decât efectul politicii în sine.

Asigurarea faptului că diferenţa sistematică dintre beneficiari şi cei care nu beneficiază de ajutoarele de stat (aşa-numitul efect al selecţiei) nu denaturează rezultatele este principala problemă pentru efectuarea unei evaluări durabile. În ultimele decenii au fost dezvoltate mai multe metode fiabile pentru a soluţiona această problemă. Alegerea metodei depinde de politica care urmează să fie evaluată şi de datele disponibile. De asemenea, fiecare dintre metode are limitări şi este valabilă numai pe baza unui anumit număr de ipoteze. Credibilitatea unui studiu poate fi sporită prin identificarea şi discutarea în mod explicit a limitărilor. Prezenta anexă descrie cele mai relevante metode, axându-se pe aspectele cele mai practice şi subliniind importanţa unei bune strategii de identificare.

A. Experimente aleatorii

Identificarea unui grup de control adecvat este esenţială pentru a obţine o estimare bună (nedenaturată) a efectului politicii. Cazul cel mai favorabil este atunci când nu există nici un efect al selecţiei deoarece beneficiarii au fost selectaţi în mod aleatoriu. De asemenea, nu există o diferenţă sistematică între beneficiari şi cei care nu beneficiază de ajutoare, cu excepţia ajutoarelor în cauză, iar diferenţa în ceea ce priveşte rezultatele poate fi atribuită politicii.

Cu toate acestea, selecţia aleatorie a beneficiarilor ajutoarelor este criticată uneori, întrucât aceasta este în contradicţie cu scopul a numeroase scheme de a selecta cei mai adecvaţi beneficiari posibili ai ajutoarelor pe baza unor criterii obiective. Cu toate acestea, în anumite circumstanţe, ar fi posibil să se introducă elemente aleatorii în ceea ce priveşte eligibilitatea sau stimulentele de participare a beneficiarilor. Un exemplu îl constituie stabilirea unui buget fix pentru schema dată. În cazul în care cererea de sprijin a solicitanţilor depăşeşte bugetul şi caracteristicile lor sunt relativ egale, atunci se poate încerca să se stabilească caracterul aleatoriu al tratamentului. Un alt exemplu este expunerea aleatorie a beneficiarilor potenţiali ai ajutorului la niveluri diferite de informaţii privind schema de ajutor de stat.

Proiectele pilot oferă oportunităţi suplimentare pentru alocarea aleatorie a ajutorului. În cazul unor politici inovatoare, ar putea fi oportun să se evalueze mai întâi un proiect pilot la scară mai mică. Proiectul pilot ar putea avea o dimensiune mai mică şi beneficiarii pot fi aleşi mai uşor în mod aleatoriu. O altă alternativă ar fi intensificarea unei scheme, de exemplu, considerând drept eligibile a 25 % din întreprinderile selectate în mod aleatoriu în primul an, crescând ulterior procentul la 50 %, 75 % şi, respectiv, 100 % în al doilea, al treilea şi, respectiv, al patrulea an (sau, alternativ, promovând schema în rândul unei audienţe din ce în ce mai mari). Pentru o politică nouă, o perioadă de intensificare este în multe cazuri o necesitate administrativă.

Aceste idei ar putea fi mai potrivite pentru punerea în aplicare a unor scheme complet noi sau a unei modificări semnificative a schemelor existente. Probabil este destul de greu să se randomizeze eligibilitatea (în mod direct sau indirect) pentru continuarea unor scheme existente. Cu toate acestea, acest lucru nu înseamnă că experimentele aleatorii nu pot fi utilizate pentru părţi din evaluarea acestora. În special, există în continuare posibilitatea de a alege în mod aleatoriu beneficiarii pentru variante ale schemei potenţial mai eficiente, mai orientate şi/sau cu efect mai redus de denaturare. De exemplu, în cazul unui program de subvenţionare, poate fi posibil să se propună în schimb, în mod aleatoriu, un sistem de împrumuturi nou introdus.

B. Metode cvasi-experimentale

Deşi experimentele aleatorii sunt cele mai bune mijloace posibile pentru a evalua efectul politicilor, nu este întotdeauna posibil să fie puse în aplicare. Au fost dezvoltate alte metode pentru a evalua efectele unei politici dintr-o perspectivă ex post. Metodele au obiectivul comun de a utiliza diferenţe exogene ale mediului în care operează întreprinderile, pentru a crea situaţii foarte aproape de experimente (aşa-numitele experimente naturale sau cvasiexperimente).

În general, este o provocare pentru evaluarea ex post să identifice experimentele naturale sau cvasi-experimentele. Cu toate acestea, o analiză atentă a elaborării politicii poate implica o analiză cu privire la existenţa unor diferenţe exogene suficiente. În cazul în care este necesar, configuraţia iniţială poate fi ajustată pentru a introduce mai multe elemente care să permită identificarea efectelor politicii.

Controlul în ceea ce priveşte diferenţele observabile

Astfel cum s-a explicat mai sus, în mod normal există diferenţe semnificative între beneficiarii ajutorului şi cei care nu beneficiază de ajutor. Prin urmare, este necesar ca astfel de diferenţe să fie luate în considerare atunci când se compară rezultatele între cele două grupuri de beneficiari ai ajutorului şi cei care nu beneficiază de ajutor.

Multe dintre diferenţele în ceea ce priveşte caracteristicile sunt, de regulă, observabile. Cel mai comun mod pentru a lua în considerare astfel de diferenţe constă în utilizarea regresiei liniare. Regresia liniară urmăreşte să verifice influenţa caracteristicilor observate asupra rezultatelor obţinute. Aceasta presupune o relaţie liniară între rezultat, de exemplu, investiţiile în cercetare şi dezvoltare, şi alte caracteristici ale întreprinderii, de exemplu, sectorul, vârsta, mărimea etc., inclusiv acordarea ajutorului. Regresia liniară poate fi concepută drept o aproximare liniară a unor relaţii mai complicate. Regresiile lineare pot fi privite ca tehnici cu scop general şi sunt utilizate în numeroase contexte de evaluare diferite.

O alternativă la regresia liniară constă în utilizarea tehnicilor de corelare. Tehnicile de corelare vizează formarea de perechi între fiecare beneficiar şi o altă întreprindere care “pare” foarte asemănătoare, dar care nu a primit ajutor. Elementele observabile utilizate pentru corelare pot fi caracteristicile întreprinderii sau probabilitatea estimată de a primi ajutor (corelarea punctajului de propensiune). Corelarea poate fi o modalitate utilă de control pentru elementele observabile în contextul unei strategii empirice valabile.

Cu toate acestea, atât regresia liniară simplă, cât şi corelarea au anumite limitări interne. Ambele sunt valabile numai sub incidenţa aşa-numitei ipoteze a independenţei condiţionate. Această condiţie presupune că, odată ce impactul caracteristicilor observabile a fost luat în considerare, rezultatul este independent de caracteristicile observabile. În practică, aceasta presupune, în mod normal, că fiecare variabilă care are un efect atât asupra rezultatului, cât şi asupra selecţiei este observabilă (şi este luată în considerare în forma funcţională corespunzătoare). În caz contrar, simplul fapt că o întreprindere participă reflectă anumite caracteristici (neobservate) ale întreprinderii care, de asemenea, îi determină performanţele. Nici regresia liniară, nici corelarea nu vor reuşi să furnizeze o evaluare valabilă. De exemplu, dacă o întreprindere are un proiect “promiţător”, acest lucru afectează atât probabilitatea ca aceasta să solicite ajutor (şi să beneficieze de ajutor), cât şi probabilitatea ca întreprinderea să aibă succes în dezvoltarea unei afaceri. Neluarea în considerare a acestui aspect va denatura rezultatele.

În special, în cazul corelării, compararea rezultatelor între un beneficiar şi “geamănul” cu care a fost corelat şi care nu beneficiază de ajutor permite evitarea efectului de selecţie numai în cazul în care acordarea ajutorului nu are legătură cu variabile neobservate care au, de asemenea, o influenţă asupra rezultatului. În realitate, această ipoteză va fi rareori îndeplinită. Măsurarea tuturor variabilelor care au un impact asupra solicitării sau obţinerii de ajutor este rareori posibilă. Punerea în aplicare a tehnicilor de corelare necesită, de asemenea, ca întreprinderile care beneficiază de ajutoare să aibă caracteristici observabile foarte similare cu cele care nu beneficiază de ajutor. În cazul în care întreprinderile corelate sunt cu adevărat similare în ceea ce priveşte fiecare element observabil, motivele pentru care unele întreprinderi au primit ajutor, iar altele nu sunt, prin definiţie, neobservate. Justificarea cu privire la validitatea unei evaluări pe baza corelării sau a unei regresii liniare clasice mai simple nu poate consta, prin urmare, în simpla existenţă a unui set de date foarte complet cu multe caracteristici observate.

Dimpotrivă, justificarea potenţială a utilizării corelării sau a regresii liniare mai simple în evaluare se bazează pe faptul că motivele neobservate care explică eligibilitatea sau atribuirea ajutorului nu au nicio influenţă directă sau indirectă asupra rezultatelor (după ce sunt controlate în ceea ce priveşte elementele observabile). Pentru ca o evaluare bazată pe simpla corelare sau pe regresia liniară să fie valabilă, trebuie să existe încrederea că grupul de întreprinderi care nu a beneficiat de ajutor a fost determinat în mod exogen. Acest lucru presupune că, odată ce sunt controlate elementele observabile, nu mai rămâne niciun factor neobservat care explică eligibilitatea sau acordarea de ajutoare şi care ar influenţa în mod direct sau indirect rezultatele. În general, corelarea întreprinderilor care sunt eligibile pentru ajutor în mod egal nu va îndeplini ultimul criteriu. De exemplu, în cazul în care toate întreprinderile sunt eligibile, întreprinderile care beneficiază de ajutoare pentru investiţii sunt mai susceptibile să aibă un proiect decât întreprinderile care nu au obţinut ajutor (deoarece, în caz contrar, acestea ar fi solicitat şi obţinut ajutor). În ansamblu, întreprinderile cu un proiect sunt mai susceptibile să crească în ceea ce priveşte vânzările sau ocuparea forţei de muncă, dar aceasta nu are legătură cu ajutorul, iar corelarea pe baza elementelor observabile nu este în măsură să delimiteze cele două aspecte (cu excepţia cazului în care se măsoară existenţa unui proiect de investiţii comparabil).

În multe situaţii, ipoteza independenţei condiţionate este sortită eşecului. În consecinţă, ar putea fi necesar să se pună în aplicare alte tehnici decât simpla regresie liniară sau corelarea pentru a ţine seama de existenţa selecţiei neobservate în cadrul tratamentului aplicat.

În continuare, prezenta anexa descrie în detaliu cele mai frecvente metodologii utilizate pentru evaluarea impactului politicilor în acest context, şi anume, modificarea diferenţelor (Differences-in-Differences, DID), proiectarea discontinuităţii regresiei (Regression Discontinuity Design, RDD), variabilele instrumentale (Instrumental Variables, IV). Aceste metodologii îşi întemeiază validitatea pe ipoteze diferite şi cea mai bună alegere este determinată, de regulă, de contextul politicii şi de disponibilitatea datelor. Prezentarea descrie avantajele şi dezavantajele fiecărei tehnici în parte. Cu excepţia notabilă a tratamentelor controlate randomizate (randomised controlled treatments, RCT) prezentate mai sus, nu există o tehnică mai bună decât toate celelalte sub toate aspectele. Alegerea unei anumite tehnici trebuie să fie ghidată de o analiză atentă a contextului măsurii şi a datelor disponibile.

Trebuie subliniat în acest context că nu utilizarea unei anumite tehnici econometrice permite identificarea efectelor unei politici, ci exogenitatea grupului de control şi, prin urmare, calitatea scenariului contrafactual. Prin urmare, calitatea studiului de evaluare va depinde semnificativ de măsura în care cercetătorul poate stabili în mod convingător exogenitatea grupului de control. În cazurile în care ar putea persista denaturări reziduale, este esenţial ca

acestea să fie discutate în detaliu, inclusiv sursele lor şi direcţiile, precum şi amploarea probabilă a efectelor pe care le au asupra rezultatelor.

a. Modificarea diferenţelor (“Difference-in-Difference”)

Justificare şi identificare

Astfel cum s-a explicat anterior, o simplă comparaţie între beneficiari şi chiar un grup bine ales de nebeneficiari este puţin probabil să conducă la o evaluare valabilă, întrucât nu este posibil să se excludă existenţa unor diferenţe neobservate între cele două grupuri, ceea ce conduce la o diferenţă persistentă a rezultatelor, inclusiv în absenţa ajutorului. De asemenea, simpla comparare a rezultatelor anterior şi ulterior acordării ajutoarelor pentru beneficiar este, de asemenea, susceptibilă să conducă la o evaluare falsă. Aceasta nu permite delimitarea efectelor ajutorului de efectele altor factori care au, de asemenea, un impact asupra rezultatelor celor două grupuri, de exemplu, tendinţa economică generală, schimbările mediului de reglementare sau creşterea costurilor forţei de muncă.

Cu toate acestea, combinarea celor două abordări ar putea permite evaluarea efectului de cauzalitate al ajutorului: aceasta este abordarea bazată pe “modificarea diferenţelor”. Ideea de bază este de a lua în considerare diferenţa în timp între întreprinderi în ceea ce priveşte rezultatele.Diferenţele preexistente ar fi atribuite altor factori decât ajutorul de stat. Doar modificarea diferenţelor (“difference-in-difference”) ar fi atribuită ajutorului. Cu alte cuvinte, metoda compară diferenţa de performanţă între beneficiari şi grupul de control înainte de acordarea ajutorului, precum şi după acordarea ajutorului şi apoi atribuie modificarea diferenţei ajutorului. Metoda funcţionează în cazul în care, în timp, atât beneficiarii, cât şi grupul de control sunt afectaţi de alţi factori care afectează, de asemenea, performanţa în acelaşi mod. Prin urmare, se poate concluziona că ajutorul este singurul element determinant care explică modificările observate în performanţa beneficiarilor în raport cu grupul de control.

Ipoteza fundamentală este aceea că diferenţele dintre beneficiari şi grupul de control sunt stabile în timp şi că ambele grupuri sunt afectate în mod identic de şocurile comune (devieri de la medie) pe parcursul perioadei. Această ipoteză se poate dovedi eronată în practică. De exemplu, în cazul în care beneficiarii sunt întreprinderile mai vulnerabile, este probabil ca acestea să fie mai afectate de recesiunea economică şi de climatul general de afaceri. Prin urmare, grupul de control trebuie, de asemenea, să fie alcătuit din întreprinderi vulnerabile. În general, alegerea grupului de control este esenţială pentru valabilitatea metodei. Identificarea nu constă în utilizarea abordării bazate pe modificarea diferenţelor, care reprezintă doar punerea în aplicare tehnică, ci în selecţia corespunzătoare a grupului de control.

Este necesară o atenţie specială în alcătuirea grupului de control, în cazul în care cei care nu beneficiază de ajutor au decis ei înşişi să nu solicite ajutor. Se poate aştepta ca solicitarea sau nesolicitarea ajutorului să aibă legătură cu beneficiile obţinute prin acordarea ajutorului. Prin urmare, există motive să se considere că rezultatele anticipate ale întreprinderilor care nu solicită ajutor (în ceea ce priveşte ocuparea forţei de muncă, productivitatea, vânzările etc.) diferă de rezultatele preconizate pentru beneficiari. De exemplu, în cazul în care toate întreprinderile care solicită ajutoare primesc un ajutor, singurele întreprinderi care nu solicit sunt cele fără un proiect (plecând de la premisa unui nivel scăzut al costurilor de candidatură). Întreprinderile respective sunt susceptibile nu doar să aibă performanţele cele mai scăzute, ci şi să involueze odată cu trecerea timpului, în timp ce întreprinderile mai consolidate pun în aplicare proiecte şi se dezvoltă. Nu se poate aştepta ca ocuparea forţei de muncă, productivitatea sau vânzările să rămână paralele, iar dubla diferenţiere nu conduce, în general, la soluţionarea problemei.

Prin urmare, întreprinderile din grupul de control care nu au beneficiat de ajutoare trebuie să fi fost selectate pentru motive care nu au nicio influenţă asupra rezultatelor măsurate. Nu trebuie ca acestea să se fi autoselectat şi să fi decis în mod voluntar să nu participe. Scenariul cel mai convingător este atunci când lipsa participării este legată de neeligibilitatea care este consecinţa unui experiment natural. În acest caz, este puţin probabil ca neeligibilitatea să se datoreze factorilor neobservaţi care au, de asemenea, o influenţă asupra rezultatelor. Grupurile de control ar putea, de exemplu, să fie întreprinderi situate în regiuni care nu mai sunt eligibile pentru ajutor (în cazul în care eligibilitatea nu este legată de propria performanţă, ci mai degrabă de un eveniment exogen).

Punerea în aplicare

Din punct de vedere tehnic, metodele bazate pe modificarea diferenţelor pot fi puse în aplicare în cadrul unui model de regresie liniară, fie prin corelare. În primul caz, grupul de control este ales în mod independent de caracteristicile observabile şi, prin urmare, este comparabil la nivel global cu întregul grup de beneficiari ai ajutorului. Ulterior, sunt luate în considerare diferenţele observabile într-o regresie liniară clasică. În al doilea caz, grupul de control este alcătuit din întreprinderi care sunt comparabile în mod individual cu fiecare întreprindere care a beneficiat de ajutor în cadrul eşantionului bazat pe factori observabili. Rezultatul pentru fiecare întreprindere este comparat cu rezultatul celei mai comparabile întreprinderi (celor mai comparabile întreprinderi), iar rezultatele sunt agregate. Cele două metode reprezintă două moduri diferite de a lua în considerare diferenţele observabile, însă nu există o diferenţă fundamentală în ceea ce priveşte identificarea efectului de cauzalitate al politicii.

În funcţie de circumstanţe, poate fi util să se compare variaţiile rezultatelor beneficiarilor şi ale grupului de control înainte de acordarea ajutorului. În cazul în care rezultatele încep deja să devină divergente în mod sistematic înainte ca ajutorul să fi fost efectiv acordat, este probabil ca grupul de control şi grupul de beneficiari să devină divergente din motive care nu au legătură cu ajutorul şi ca metoda să nu ofere o estimare valabilă a efectului de cauzalitate al ajutorului. Aceasta nu constituie un test riguros al validităţii ipotezei, întrucât un astfel de test nu există, dar reprezintă cel puţin un prim control util al coerenţei.

Metode suplimentare şi teste ale robusteţii pot fi utilizate atunci când există mai multe grupuri de control potenţiale care sunt valide a priori. Primul şi cel mai natural control al robusteţii constă în punerea în aplicare a mai multor estimatori de modificare a diferenţelor şi compararea rezultatelor. În plus, este posibil, de asemenea, să se utilizeze grupurile de control diferite pentru a construi o estimare mai credibilă. Imaginaţi-vă o schemă care vizează IMM-urile într-o anumită regiune. Două grupuri de control potenţiale sunt întreprinderile care nu fac parte din categoria IMM-urilor din regiunea respectivă sau IMM-urile dintr-o regiune adiacentă. Niciuna dintre întreprinderile respective nu a decis în mod voluntar să solicite ajutor, fiind pur şi simplu neeligibile. Cu toate acestea, niciunul dintre grupurile de control nu este perfect: întreprinderile mari din aceeaşi regiune sunt susceptibile a fi afectate în mod diferit de tendinţele economice generale, în timp ce IMM-urile din regiunea învecinată ar putea face obiectul unor şocuri regionale diferite. În loc de a alege între cei doi estimatori de modificare a diferenţelor, este posibilă combinarea lor şi punerea în aplicare a unui estimator al diferenţei triple (DDD): începând de la “clasica” modificare a diferenţelor dintre IMM-uri şi non-IMM-uri în regiunea în cauză, se poate deduce aceeaşi modificare a diferenţelor din regiunile învecinate pentru a anula variaţia rezultatelor între IMM-uri şi non-IMM-uri în regiunea în care s-a beneficiat de ajutor. Ca alternativă, s-ar putea încerca în mod sistematic să se creeze un grup de control sintetic, alcătuit din IMM-uri din mai multe regiuni alăturate şi non-IMM-uri din aceeaşi regiune, pentru o mai bună reproducere a modelului de rezultat pentru beneficiari înainte de acordarea ajutorului.

Deducţia

În plus faţă de o proiectare atentă şi alegerea grupului de control, problema deducţiei trebuie abordată în mod specific. Noţiunea de deducţie în acest context se referă la întrebarea dacă efectele care au fost estimate sunt cu adevărat semnificative. Semnificaţia statistică este un aspect diferit de semnificaţia economică. Cea de-a doua se referă la magnitudinea efectelor estimate în comparaţie cu alţi parametri relevanţi din punct de vedere al teoriei economice. Astfel cum s-a explicat anterior, semnificaţia economică este esenţială. Cu toate acestea, această discuţie este relevantă, în principiu, numai în cazul în care, din punct de vedere statistic, efectele sunt estimate cu precizie suficientă, şi anume, se poate exclude inexistenţa niciunui efect.

Există motive să se considere că o simplă deducţie pe baza ipotezelor standard (cum ar fi ipoteza homoscedasticităţii şi ipoteza absenţei autocorelării) este probabil să supraestimeze importanţa statistică a efectelor.

Prima problemă se referă la gruparea datelor. În cazul în care grupul de control, precum şi grupul de beneficiari sunt fiecare foarte omogene (chiar dacă se deosebesc unele de altele), toate întreprinderile din fiecare grup sunt susceptibile a fi afectate de abateri similare de la medie (şocuri). Din punct de vedere statistic, acest lucru înseamnă că termenul de eroare are un element comun. În cazul în care variaţia acestui element comun este mare în comparaţie cu variaţia rezultatelor observate pentru întreprinderile individuale, concluzia va fi denaturată. Dacă există două perioade sau două grupuri, problema poate fi deosebit de gravă şi la limita unei probleme de identificare: este imposibil să se separe efectul şocurilor comune în cadrul fiecărui grup de efectul politicii. Problema nu trebuie să fie la fel de gravă dacă grupurile nu sunt atât de omogene. Cu toate acestea, este necesar să se aibă întotdeauna în vedere prezenţa şocurilor comune pentru subseturile omogene ale grupurilor. De exemplu, în cazul în care cererea este locală, în mod normal, va fi necesar să se corecteze structura grupată a termenului de eroare la nivelul localităţilor. Acelaşi lucru ar putea fi valabil pentru industrii sau sectoare.

A doua problemă apare atunci când se utilizează datele grupurilor. Termenii de eroare ai celor mai multe date la nivel de întreprindere, cum ar fi ocuparea forţei de muncă, productivitatea şi investiţiile sunt, în mod normal, autocorelaţi. Aceasta înseamnă că abaterile de la medie într-o anumită perioadă este probabil să persiste în perioada următoare. Ignorarea acestui aspect conduce la supraestimarea preciziei estimării efectelor şi la respingerea, mai des decât ar trebui, a ipotezei că politica nu a avut niciun efect. Această problemă poate fi gravă, astfel cum arată economiştii Bertrand, Duflo, and Mullainathan.

b. Variabilele instrumentale

Justificare şi identificare

Variabilele instrumentale (“IV”) reprezintă o metodă clasică de abordare a caracterului endogen al variabilelor explicative. Întrucât beneficierea de ajutor poate fi văzută ca o variabilă explicativă endogenă a performanţei unei întreprinderi într-un context de regresie liniară, este firesc să se utilizeze variabile instrumentale pentru a evalua efectul ajutorului.

O variabilă este endogenă atunci când aceasta este corelată cu un element neobservat, care determină, de asemenea, rezultatul. De exemplu, imaginaţi-vă că se urmăreşte identificarea efectului subvenţiei de stat asupra ocupării forţei de muncă în cadrul întreprinderilor prin corelarea ocupării forţei de muncă cu participarea la program şi alte elemente observabile. Să ne închipuim că programul de ajutor vizează întreprinderile neperformante care sunt susceptibile să se confrunte cu condiţii de piaţă dificile. Condiţiile de piaţă nu sunt observabile de către evaluator şi, prin urmare, nu pot fi controlate în mod direct. Cu toate acestea, în cazul în care această variabilă nu este luată în considerare, este probabil ca efectul subvenţiei să fie subestimat de către evaluator din cauza caracterului endogen al participării la program. Măsura în care întreprinderea se confruntă cu condiţii de piaţă favorabile sau dificile are un impact atât asupra participării la program, cât şi asupra ocupării forţei de muncă, şi anume participarea la program este corelată cu termenul de eroare care explică ocuparea forţei de muncă. Impactul condiţiilor de piaţă asupra participării la program înseamnă că este imposibil să se atribuie întreaga corelaţie între participarea la program şi ocuparea forţei de muncă impactului de cauzalitate al ajutorului.

Cu toate acestea, există, de asemenea, alţi factori care explică participarea la program, dar nu şi ocuparea forţei de muncă. De exemplu, potrivit economistei Criscuolo şi alţii, localizarea geografică poate determina suma totală disponibilă pentru program în regiune. De asemenea, lista regiunilor acoperite de program se modifică în timp. În cazul în care bugetul programului pentru o anumită regiune s-a schimbat de-a lungul timpului din motive externe (de exemplu, media PIB-ului pe cap de locuitor în UE a scăzut), aceasta are un efect asupra participării la program, dar nu şi asupra condiţiilor pieţei locale pe care întreprinderea îşi desfăşoară activitatea. Variaţia ocupării forţei de muncă care este legată de schimbările exogene privind acoperirea programului nu este legată de condiţiile de piaţă locale. Prin concentrarea pe această “parte” a variabilei de participare la program, este posibilă izolarea impactului real al participării asupra ocupării forţei de muncă în cadrul întreprinderii, fără interferenţa condiţiilor pieţei locale. Aceasta este logica variabilelor instrumentale.

În ceea ce priveşte evaluarea ajutoarelor de stat, o variabilă instrumentală este o variabilă care permite explicarea acordării ajutorului, dar nu are un impact direct asupra celorlalţi factori determinanţi neobservaţi ai rezultatului care trebuie să fie măsurat. Prin urmare, variabilele instrumentale permit axarea pe participarea la schemă, fără interferenţe din partea efectelor selecţiei. Cu titlu ilustrativ, se poate observa logica variabilei instrumentale după cum urmează. Într-o primă etapă, participarea la program este regresată asupra tuturor variabilelor exogene, inclusiv variabilele instrumentale. Într-o a doua etapă, variabila de participare (variabila care indică dacă ajutorul a fost acordat) este înlocuită cu participarea, astfel cum se prevedea în prima etapă: participarea preconizată nu este corelată cu elementul neobservat care determină, de asemenea, rezultatul.

Probleme privind instrumentele slabe

O variabilă instrumentală este o variabilă care permite explicarea acordării ajutorului, dar care nu are un impact direct asupra celorlalţi factori determinanţi neobservaţi ai rezultatului care urmează să fie măsurat. Această definiţie simplă şi clasică ascunde însă o serie de dificultăţi practice. Există teste care vizează verificarea coerenţei instrumentelor în cazul în care sunt utilizate mai multe instrumente decât ceea ce este strict necesar pentru a identifica un model. Cu toate acestea, nu există niciun test de verificare a validităţii instrumentelor. Principalul obiectiv al unui studiu care utilizează variabile instrumentale în general este de a explica motivul pentru care fiecare instrument individual poate fi considerat necorelat cu factorii determinanţi neobservaţi ai performanţei întreprinderilor, cum ar fi ocuparea forţei de muncă, productivitatea, vânzările, investiţiile etc. Astfel de explicaţii, bazate atât pe argumente economice, cât şi pe elemente factuale, sunt necesare pentru a aprecia validitatea evaluării. Cu toate acestea, ele nu sunt suficiente, în special în cazul în care sunt utilizate mai multe instrumente.

Discutarea calităţii variabilelor instrumentale ar trebui să includă aspectul instrumentelor slabe, şi anume, instrumentele slab corelate cu variabila rezultatului. În cazul în care variabilele instrumentale sunt insuficient corelate cu variabila endogenă, estimările sunt susceptibile a fi imprecise. Ar putea exista tentaţia de a adăuga mai multe variabilele instrumentale în această situaţie. Este bine cunoscut faptul că prin instrumentarea cu un număr suficient de mare de variabile este posibil să se recupereze suficient din variabila iniţială pentru a obţine rezultate semnificative din punct de vedere statistic. În acelaşi timp, metoda celor mai mici pătrate în două etape se apropie, în mod natural, din ce în ce mai mult de metoda obişnuită denaturată a celor mai mici pătrate. Posibilitatea unei astfel de denaturări ar trebui să fie abordată în mod explicit în orice evaluare care utilizează metoda variabilelor instrumentale. În special, trebuie să fie abordat aspectul credibilităţii în ceea ce priveşte nu doar exogenitatea lor individuală, ci şi exogenitatea comună.

Un caz particular apare atunci când se presupune că variabila endogenă este autocorelată. În cazul în care sursa endogenităţii se presupune că este exclusiv contemporană, devine posibil să se folosească valorile anterioare ca variabile instrumentale. Cu toate acestea, ulterior ar trebui să se analizeze validitatea exactă a acestei abordări. De exemplu, dacă variabilele explicative sunt autocorelate, acest lucru ar putea fi, de asemenea, valabil pentru rezultatele măsurate. În plus, variabilele decalate sunt, de asemenea, endogene. În general, în cazul în care autocorelarea variabilelor explicative este foarte amplă, ipoteza exogeneităţii ar putea să nu se aplice. În cazul în care aceasta este redusă, s-ar putea recurge la utilizarea unor decalaje numeroase (şi a unor valori viitoare potenţiale) şi ar putea apărea riscul de a cădea în capcana de a folosi multe instrumente slabe, descris anterior. În ansamblu, instrumentarea prin valorile anterioare ar putea fi o strategie valabilă, dar trebuie să fie utilizată cu precauţie.

În general, pentru a se evita problemele descrise mai sus, se recomandă cu tărie să se utilizeze numai un număr redus de instrumente convingătoare. Cu toate acestea, ulterior este necesar, de asemenea, să se demonstreze că instrumentele sunt buni indicatori ai variabilei explicative endogene.

Modificări ale estimărilor în două etape: Modelul de selecţie Heckman

În cazul în care variabila endogenă este o variabilă a tratamentului (variabilă fictivă a participării), prima regresie a metodei celor mai mici pătrate în două etape poate fi considerată un model de probabilitate liniară a probabilităţii care urmează să fie tratată. Acest model al probabilităţii liniare este o aproximare liniară. Cu toate acestea, în unele cazuri, probabilitatea care urmează să fie tratată, chiar şi limitată fiind la întreprinderi eligibile, ar putea fi redusă. De asemenea, aproximările liniare ar putea fi prea grosiere pentru a aproxima în mod eficient probabilitatea care urmează să fie tratată şi pentru a se concentra asupra efectelor distribuţiei, care reprezintă chiar subiectul de interes. Există mai multe moduri de a aborda acest aspect. Toate se bazează pe înlocuirea modelului probabilităţii liniare a probabilităţii care urmează să fie tratată cu o funcţie non-liniară.

O abordare clasică constă în abordarea problemei evaluării în contextul modelului de selecţie. Abordarea tratează efectul selecţiei ca o problemă variabilă omisă în regresia liniară a rezultatului asupra elementelor observabile şi participării. Există mai multe variante ale acestei metodologii, de exemplu, estimarea întregului model prin probabilitate maximă sau instrumentarea acordării ajutorului prin valoarea prognozată a ecuaţiei de selecţie.

Cu toate acestea, este esenţial să se analizeze identificarea şi, în special, alegerea variabilelor. Nu este satisfăcător să se utilizeze aceleaşi variabile în ambele etape din procesul de estimare, chiar dacă rezultatele sunt suficient de precise.

Este fiabil doar să se estimeze un model de selecţie cu o aşa-numită variabilă de excludere. O variabilă exclusă este o variabilă care explică selecţia beneficiarului ajutorului, dar nu şi rezultatul. Nu este suficient să se înlăture o variabilă din ecuaţia principală pentru a o adăuga pe lista variabilelor explicative ale ecuaţiei de selecţie. Dimpotrivă, variabila de excludere trebuie să explice selecţia, fără a avea însă niciun impact asupra rezultatului care se doreşte a fi explicat. Aceasta este, în esenţă, foarte aproape de o variabilă instrumentală validă. Alegerea unei astfel de variabile nu poate fi determinată de convenienţă; aceasta trebuie să provină din teoria economică, structura instituţională şi/sau experienţă.

c. Modelul de discontinuitate a regresiei

Modelul de discontinuitate a regresiei (RDD) este cea mai recentă completare adusă instrumentelor de evaluare. Acesta a cunoscut un mare succes în comunitatea academică în ultimul deceniu, în special datorită simplităţii. Metoda exploatează existenţa unei variabile care are un impact discontinuu asupra probabilităţii de a fi afectat de o politică. În contextul schemelor de ajutor de stat, pot fi utile mai multe tipuri de discontinuităţi. Primul tip de discontinuitate se referă la frontierele geografice: eligibilitatea schemelor poate fi legată de hotare administrative precise, precum unităţile administrativ-teritoriale, localităţile, regiunile NUTS etc. Al doilea tip de discontinuitate provine din condiţiile impuse întreprinderilor care beneficiază de o schemă, în special în ceea ce priveşte vechimea şi dimensiunea.

Un exemplu: Proiectele prezentate de către întreprinderi sunt evaluate pe bază de puncte (din 100), iar întreprinderile care obţin cel puţin 70 de puncte beneficiază de ajutoare, în timp ce celelalte nu primesc niciun ajutor. O întreprindere care a obţinut 71 de puncte a prezentat un proiect mai bun decât o întreprindere care a obţinut 69 de puncte. Cu toate acestea, consecinţa acestei diferenţe marginale este dramatică: prima întreprindere beneficiază de ajutor, în timp ce a doua nu beneficiază de niciun ajutor. Prin urmare, compararea rezultatelor pentru cele două întreprinderi reflectă foarte bine efectul de cauzalitate al ajutorului.

Din punct de vedere formal, modelul de discontinuitate a regresiei necesită ca gradul de probabilitate pentru a primi ajutor să fie discontinuu, în timp ce toate celelalte variabile sunt continue. Punerea în aplicare din punct de vedere tehnic poate fi foarte apropiată de cea a variabilei instrumentale, utilizând ca instrument o variabilă fictivă care depăşeşte pragul. Cu toate acestea, există două diferenţe majore. Prima este că modelul de discontinuitate a regresiei se bazează pe ipoteze mai slabe. Mai exact, nu se solicită a priori independenţa instrumentului. De exemplu, în cazul punctajului, întreprinderile cu proiecte mai performante ar putea depune mai multe cereri decât cele cu proiecte neperformante. Singura cerinţă este ca, în jurul pragului, probabilitatea de a candida să nu fie discontinuă. Cea de-a doua diferenţă constă în faptul că estimările sunt realizate numai pe baza unor întreprinderi foarte aproape de ambele părţi ale pragului. Prin urmare, ipotezele mai vulnerabile au dezavantajele lor: estimările privind modelul de discontinuitate a regresiei au un caracter mai local decât estimările prin variabile instrumentale în general. În cazul în care efectele ajutorului sunt diferite pentru întreprinderile care se situează mai departe de prag, estimările privind modelul de discontinuitate a regresiei nu sunt o estimare corectă a efectului asupra tuturor beneficiarilor ajutorului.

Localizarea estimărilor respective poate prezenta motive de preocupare în cazul în care se aşteaptă discrepanţe semnificative ale efectelor departe de pragul prevăzut. De asemenea, politica ar putea afecta puternic asupra întreprinderilor individuale de cealaltă parte a frontierei. De exemplu, acest lucru s-ar putea întâmpla dacă efectele de deplasare sunt semnificative. Prin urmare, utilizarea modelelor de discontinuitate a regresiei la frontiera geografică nu este o strategie empirică bună. În sfârşit, punctul forte al modelului de discontinuitate a regresiei constă în concentrarea asupra unei benzi înguste în jurul discontinuităţii. În cazul în care banda este largă, impactul celorlalte caracteristici nu poate fi presupus a fi constant. Acest aspect nu este soluţionat în mod normal prin controlarea elementelor observabile, care ia o formă funcţională specială.

Verificarea grafică a datelor poate oferi un anumit confort în ceea ce priveşte fiabilitatea ipotezei care stă la baza modelului de discontinuitate a regresiei. În special, este foarte important controlul a trei aspecte. În primul rând, dacă există într-adevăr o discontinuitate a pragului în ceea ce priveşte acordarea ajutorului. În al doilea rând, dacă rezultatele care trebuie să fie măsurate prezintă o discontinuitate în acelaşi moment şi nicio altă discontinuitate de acelaşi tip în alt loc. În al treilea rând, este necesar, de asemenea, să se verifice că nu există nicio discontinuitate a celorlalţi parametri corelaţi cu rezultatele, inclusiv tendinţa de a solicita ajutor.

În sfârşit, discontinuităţile pot fi create în mod deliberat pentru a permite o evaluare a schemei de ajutor de stat. În special, intensificarea politicilor ar putea fi utilizată pentru a crea discontinuităţi şi a contribui la identificarea efectelor unei politici.

C. Estimarea structurală

În unele cazuri, este posibil să se meargă şi mai departe şi să se compare un model teoretic, de exemplu, al investiţiilor efectuate de întreprinderi, cu datele pentru a recupera parametrii cheie de interes. Această abordare este diferită din punct de vedere calitativ de cele prezentate anterior. Estimarea structurală utilizează un model teoretic complet specificat al comportamentului întreprinderii. Estimarea permite ulterior recuperarea parametrilor care determină comportamentul întreprinderii. Aceasta permite o evaluare exactă a factorilor determinanţi ai comportamentului individual al întreprinderilor şi efectuarea de simulări cu privire la eficienţa altor instrumente. Cu toate acestea, estimarea structurală este, în general, mai exigentă în ceea ce priveşte resursele şi datele, precum şi în ceea ce priveşte ipotezele.

Este imposibil să se ofere orientări precise cu privire la estimarea structurală, întrucât identificarea, estimarea şi deducţia trebuie să fie determinate de la caz la caz. Cu toate acestea, orientările generale furnizate anterior se aplică în continuare. În primul rând, este necesar ca modelul teoretic să corespundă principalelor caracteristici stilizate ale pieţei. În al doilea rând, problemele privind caracteristicile neobservate şi selecţia trebuie să fie abordate în mod adecvat şi explicit.

D. Observaţii metodologice suplimentare

Eterogenitatea efectelor tratamentului

Secţiunile anterioare s-au concentrat pe estimarea efectului mediu al tratamentului asupra celor care au făcut obiectul tratamentului. Denumirea în sine sugerează că efectul ajutorului variază de la un beneficiar la altul. Această eterogenitate poate avea multe cauze şi consecinţe multiple. Prima consecinţă ar putea consta în faptul că, în cazul în care ajutoarele sunt foarte eficiente pentru unele întreprinderi, dar mult mai puţin pentru altele, efectul mediu ar putea fi nesemnificativ din punct de vedere statistic. Lipsa unui efect important din punct de vedere statistic nu înseamnă că ajutorul nu produce efecte pentru nicio întreprindere. Din punct de vedere al politicii, performanţa medie a unei scheme este un prim indicator foarte interesant. Cu toate acestea, încercarea de a înţelege factorii determinanţi ai acestei eterogenităţi este la fel de importantă pentru proiectarea unor scheme îmbunătăţite. Aceasta permite concentrarea directă asupra întreprinderilor pentru care ajutorul prezintă cel mai ridicat nivel de eficienţă şi cel mai redus nivel de denaturare.

Prin urmare, ori de câte ori este posibil, efectul ajutorului ar trebui să fie estimat pentru diferite tipuri de întreprinderi, cum ar fi întreprinderile mici în raport cu întreprinderile mari, întreprinderile tinere în raport cu întreprinderile vechi, întreprinderile inovatoare, întreprinderile care se confruntă cu restricţii de creditare etc.

Denaturările concurenţei pentru întreprinderile care nu beneficiază de ajutoare

Evaluarea impactului schemei asupra întreprinderilor neparticipante, fie direct, fie indirect, este foarte utilă pentru evaluarea ajutoarelor de stat. Ajutoarele de stat pot denatura pieţele prin intermediul efectelor asupra celor care nu beneficiază de acestea, de exemplu prin propagarea cunoştinţelor de la beneficiari sau prin reducerea competitivităţii în raport cu beneficiarii etc.

De asemenea, efectele asupra întreprinderilor sau asupra locaţiilor care nu beneficiază de ajutoare pot avea un efect asupra validităţii evaluării. De exemplu, o parte din efectul ajutoarelor regionale s-ar putea concretiza prin oportunităţile la frontieră: întreprinderile situate în mod tradiţional pe partea “greşită” a frontierei se mută pur şi simplu pe cealaltă parte. În acest caz, un model de discontinuitate a regresiei la frontieră poate capta cel mult efectul de deplasare şi riscă să supraestimeze efectul agregat real al politicii. Într-o astfel de situaţie, trebuie să fie utilizată o altă strategie empirică (de exemplu, poate fi util să se verifice soliditatea evaluării în regiuni mai extinse).

E. Date

Accesul la date microeconomice adecvate care să permită efectuarea evaluării impactului este esenţial. Datele trebuie să fie coerente între beneficiari şi nebeneficiari. Prin urmare, acestea trebuie să aibă aceeaşi sursă, cu excepţia firească a informaţiilor privind ajutoarele în cauză. Datele trebuie să fie accesibile la nivelul cel mai rafinat, cu toate că, în unele cazuri, ar putea fi necesară o anumită formă de agregare într-o etapă ulterioară.

Sunt necesare date conţinând indicatorii de rezultat atât pentru tratament, cât şi pentru grupul de control, inclusiv momentul în care este măsurat rezultatul. De asemenea, sunt necesare cât mai multe date posibil privind factorii care au potenţialul de a influenţa rezultatele şi decizia entităţilor de a participa la programul de ajutor. Datele sunt utilizate pentru a “controla” diferenţele dintre grupurile tratate şi grupurile de control. De exemplu, la nivel de întreprindere, astfel de date pot să includă localizarea, mărimea şi aspecte demografice, precum şi factorii de producţie utilizaţi.

Sursa de date cea mai naturală este de origine administrativă, cum ar fi datele din rapoartele fiscale sau anchetele naţionale. Aceste surse oferă informaţii privind localizarea şi activitatea întreprinderilor şi, uneori, a fabricilor individuale. Acestea permit în mod normal urmărirea investiţiilor şi a vânzărilor în funcţie de activitate, precum şi calcularea indicatorilor financiari. Anchetele naţionale sau comunitare de mari dimensiuni, cum ar fi anchetele comunitare privind inovarea, sunt, de asemenea, de interes, referindu-se la un eşantion mare şi reprezentativ şi furnizând informaţii complementare pe teme specifice. În sfârşit, seturile de date fuzionate angajator-angajat sunt, de asemenea, o sursă de informaţii pertinente. Astfel de date permit în mod normal corelarea caracteristicilor forţei de muncă cu localizarea fiecărei fabrici, ceea ce poate fi crucial atunci când dimensiunea geografică a forţei de muncă este o chestiune de interes.

În afară de indicatorii privind rezultatele şi caracteristicile beneficiarilor, sunt necesare date cu privire la ajutor şi la procedura de acordare a ajutorului. Astfel de informaţii provin în mod obişnuit chiar de la autoritatea care acordă ajutorul şi cuprind date cu privire la valoarea şi calendarul de acordare a ajutoarelor pentru beneficiari. Cu toate acestea, datele generale privind procesul de atribuire a ajutorului sunt, de asemenea, deosebit de utile. Datele privind solicitanţii respinşi sunt importante, în special în cazul în care acordarea ajutorului are loc pe baza unui mecanism de punctare.

Accesul la astfel de date confidenţiale este în mod normal reglementat. Prin urmare, asigurarea accesului prompt la date pentru întreaga echipă ştiinţifică de evaluare este esenţială. De asemenea, sursele administrative sunt, în mod normal, accesibile cu întârziere. Este important să se ia în considerare disponibilitatea datelor atunci când se elaborează planul de evaluare.