Jak se definuje a měří fenomén firem bez vlastních výrobních závodů?

Definice firem bez vlastních výrobních závodů (Factoryless Goods Producers, FGP) se v odborné literatuře a statistikách liší, přesto existují společné rysy. Americký Úřad pro řízení a rozpočet (OMB, 2010) definuje FGP jako podnik, který outsourcuje všechny výrobní procesy, jež tradičně patří k výrobě, ale zároveň sám zajišťuje podnikatelské aktivity včetně organizace kapitálu, práce a materiálních vstupů potřebných k výrobě produktu. Tato definice klade důraz na vlastnictví materiálních vstupů, což koresponduje s mezinárodními statistickými standardy (SNA08, BPM6). Nicméně Kamal, Moulton a Ribarsky (2015) upozorňují, že praktická identifikace vlastníků materiálních vstupů je obtížná.

Alternativní přístup přináší UNECE (2015), který zdůrazňuje, že FGP často vlastní nehmotné vstupy, jako je duševní vlastnictví – patenty, designy, značky – zatímco výrobní kapacity, práci a materiály zajišťuje externí smluvní výrobce. Bayard a kolegové (2015) kladou také důraz na vlastnictví duševního vlastnictví FGP. Bernard a Fort (2015) pak definují „factoryless manufacturer“ jako firmu bez výrobních závodů v USA, která však sama provádí předvýrobní činnosti, například design a inženýring, a zapojuje se do výrobních aktivit skrze nákup smluvních výrobních služeb.

Nedostatek oficiálních statistik o rozsahu a významu FGP vyplývá z jejich nestandardního způsobu kombinování vstupů a produkce, který neodpovídá tradičnímu lineárnímu modelu tvorby přidané hodnoty. To vede k problémům při měření přidané hodnoty a produktivity, a také k nesouladu v klasifikaci činností a sektorů. Některé firmy, které vykazují výrobní charakter, jsou statisticky evidovány jako velkoobchodníci. Tradiční klasifikace průmyslu (SIC, NAICS) nejsou konzistentní napříč sektory; například v odvětví stavebnictví je design a inženýring samostatnou upstream činností, zatímco v automobilovém průmyslu jsou tyto činnosti integrovány s výrobou.

Přechod k modelu FGP má rovněž dopad na statistiky platební bilance, protože materiály a mezivýrobky překračují hranice států, zatímco vlastnictví a účetní zachycení těchto toků jsou složité a různí se podle země.

Výzkumné odhady, například Bayard, Byrne a Smith (2015), ukazují, že v roce 2012 téměř polovina firem ze seznamu S&P 500 využívala smluvní výrobu, což představuje nárůst oproti 30 % v roce 2002. Zhruba pětina těchto firem se na smluvní výrobě spoléhala výhradně. Tento model je obzvlášť významný ve farmacii, oděvním průmyslu, výrobě hraček, elektroniky a ICT zařízení. Podcenění rozsahu FGP vede k výraznému podhodnocení velikosti výrobního sektoru v USA, odhady ukazují rozdíly v měřené přidané hodnotě o 5 až 20 %.

Podobné trendy pozorujeme i v jiných zemích, například ve Velké Británii, kde se státní statistický úřad chystá přehodnotit klasifikaci těchto firem ze sektoru velkoobchodu do sektoru výroby. Významnou roli hrají FGP ve farmacii, kde až 70 % společností využívá smluvní výrobu, a v automobilovém průmyslu, kde přibližně pětina výrobců vozidel ze S&P 500 spoléhá na externí výrobce. Tento trend bude pravděpodobně sílit s tím, jak se více hodnoty přesouvá do inženýringu a softwaru, což zejména u elektromobilů představuje novou výzvu a příležitost.

Pro pochopení fenoménu FGP je důležité chápat jeho dopady na klasifikaci ekonomických aktivit a na měření produktivity a zaměstnanosti. Firmy, které z hlediska vlastnictví nemají vlastní výrobní zařízení, však vykonávají klíčové výrobní a inovační činnosti, což znamená, že tradiční statistické přístupy často neodrážejí reálnou ekonomickou aktivitu. Dále je třeba vnímat složitost globalizace výroby, kdy výrobní procesy jsou rozprostřeny napříč zeměmi a vlastnické vztahy se prolínají, což komplikuje analýzu obchodních toků a ekonomických výsledků.

Jak automatizované rozhodování na základě dat mění ekonomiku a společnost?

Ve světě, kde ekonomika prochází zásadními změnami díky digitalizaci a globálním krizím, jako je inflace způsobená konfliktem na Ukrajině nebo extrémními klimatickými událostmi, se mění i přístup k řízení a pochopení ekonomických procesů. Návrat explicitní průmyslové politiky v mnoha zemích signalizuje zásadní posun nejen v praktické politice, ale také v akademickém pohledu na ekonomii. Volný trh jako ideál ustupuje komplexnějšímu a více regulovanému přístupu, který reflektuje nové reálie.

Významnou roli v těchto změnách hrají data a způsob, jakým jsou využívána. Historicky ekonomové často přijímali statistiky jako dané – nezkoumali jejich původ, metody sběru či možné chyby. V 80. letech, kdy jsem studoval, bylo běžné považovat data za nezpochybnitelná fakta. Dnes je přístup naopak paradoxní: máme k dispozici obrovské množství dat díky internetu a moderním technologiím, ale současně je často věnována malá pozornost tomu, jak přesná a spolehlivá tato data opravdu jsou.

Data nejsou něco daného, jsou vytvořená, konstruovaná s určitými omezeními a chybami. Základní aspekty, jako jsou národní účty nebo cenové indexy, se často přehlížejí, přestože jejich metodologické detaily mohou zásadně ovlivnit výsledky ekonomických analýz. Přestože existují výjimky, mnoho výzkumníků zjednodušuje realitu a automaticky používá standardní statistiky bez kritického pohledu na jejich relevanci a kvalitu. To je podobné, jako kdybychom řešili detailní zdobení dortu, ale netušili, kolik ingrediencí bylo použito při jeho pečení.

Při využití moderních metod, jako je strojové učení nebo generativní umělá inteligence, které stále více pronikají do rozhodovacích procesů vlád a firem, je potřeba pochopit, jak data vznikají a jaká rizika přinášejí. Algoritmy jsou v podstatě kodifikovanými verzemi „homo economicus“ – racionálních maximalizátorů, kteří rozhodují na základě dostupných informací a předem stanovených cílů. Problémy s datovou zaujatostí (biasem) jsou zřejmé a často dokumentované. Data totiž odrážejí nerovnosti existující ve společnosti, a tak algoritmy mohou neúmyslně tyto nerovnosti reprodukovat či dokonce posilovat.

Je však méně známé, že problém není jen v samotné zaujatosti dat, ale také v tom, že algoritmy vyžadují explicitní definici cílů a hodnot, které mají optimalizovat. Ve skutečnosti se však v mnoha oblastech, jako je trestní spravedlnost nebo sociální péče, střetávají hodnoty, které jsou navzájem neslučitelné. Například v otázce trestu je možné mít zcela odlišné názory na to, zda je jeho hlavním účelem rehabilitace nebo odplata. Zatímco lidská společnost se často dokáže dohodnout na konkrétních praktikách, aniž by plně vyřešila hluboké etické otázky, algoritmy vyžadují jednoznačné kvantifikovatelné cíle, což je v těchto případech obtížné či nemožné.

Je tedy zásadní nejen sledovat a rozumět technickým aspektům automatizovaného rozhodování a kvalitě vstupních dat, ale také chápat širší společenské, politické a etické souvislosti. Data nejsou neutrální a jejich interpretace ani rozhodování založená na datech nejsou zbaveny hodnotových soudů. Pouze hluboké porozumění konstrukci dat, limitům měření a kontextu jejich použití může zajistit, že rozhodování podpořené umělou inteligencí bude skutečně přínosné a spravedlivé.

Je nezbytné rozvíjet kritické myšlení o datech, včetně vzdělávání v oblasti statistiky a metodologie, což v současnosti chybí. Zároveň je třeba podporovat transparentnost a odpovědnost v algoritmickém rozhodování, aby se minimalizovalo riziko systémové nespravedlnosti a posilování existujících nerovností. Bez tohoto širšího porozumění může využívání dat a AI v ekonomice a veřejné správě vést k mylným závěrům a škodlivým důsledkům.