La Cooperazione Internazionale tra i Ricercatori in Europa

 

Presenta elevati livelli di eterogeneità in Europa con una dominanza della Svizzera e dei paesi scandinavi

 

L’European Innovation Scoreboard calcola il valore dell’International Scientific co-Publications che è definito come il numero di pubblicazioni scientifiche con almeno 1 coautore estero. Tale valore viene considerato come un’approssimazione della qualità della ricerca scientifica.

Ranking delle nazioni europee per valore delle International Scientific Co-Publication. Nel 2021 la Svizzera e l’Islanda sono al primo posto per valore delle pubblicazioni scientifiche internazionali con un ammontare pari a 277,22, seguita dalla Danimarca con un ammontare pari a 239,21 e dalla Norvegia con un ammontare pari a 235,96. A metà classifica vi sono Malta con un ammontare pari a 128,35 unità, seguita dalla Repubblica Ceca con un ammontare di 123,61 unità e dalla Germania con un valore pari a 120,88 unità.

Variazione percentuale del valore delle co-pubblicazioni scientifiche internazionali nel periodo tra il 2014 ed il 2021. La Turchia è al primo posto per variazione percentuale del valore delle co-pubblicazioni scientifiche internazionali con un ammontare pari a 385,39, seguita dalla Lettonia con un ammontare pari a 144,34 e dalla Macedonia del Nord con un ammontare pari a 115,95. A metà classifica vi sono l’Italia con una variazione di 41,18%, seguita dalla Bulgaria con un ammontare pari a 41,14% e dalla Norvegia con un ammontare pari a 37,67%. Chiudono la classifica la Germania con un ammontare pari a 18,36%, seguita dalla Svizzera con un ammontare pari a 17,99% e dalla Francia con un ammontare pari a 16,52%. Ovviamente occorre considerare che i paesi per i quali il valore della variabile è significativamente elevato hanno un tasso di crescita della variabile analizzata ridotta rispetto ai paesi per i quali il valore di tale variabile risultava essere sostanzialmente ridotto.

Clusterization. Di seguito viene ad essere realizzata una clusterizzazione con modello:

•                     Cluster 1: Slovacchia, Bosnia Erzegovina, Croazia, Lituania, Ungheria;

•                     Cluster 2: Olanda, Finlandia;

•                     Cluster 3: Ucraina, Turchia;

•                     Cluster 4: Irlanda, Regno Unito, Slovenia, Belgio, Austria, Cipro;

•                     Cluster 5: Islanda, Svizzera;

•                     Cluster 6: Romania, Macedonia del Nord, Bulgaria;

•                     Cluster 7: Spagna, Repubblica Ceca, Francia, Malta, Italia, Grecia, Germania;

•                     Cluster 8: Montenegro, Lettonia, Serbia, Polonia;

•                     Cluster 9: Svezia, Danimarca, Lussemburgo, Norvegia;

•                     Cluster 10: Portogallo, Estonia, Israele.

È possibile creare un ordinamento dei vari clusters sulla base dei valori delle mediane in questo senso risulta che il primo cluster è il Cluster 5 con un valore della mediana pari ad un ammontare di 277,20, seguito dal Cluster 9 con un ammontare pari a 231,40, e dal Cluster 2 con un ammontare pari a 207,25. Chiudono la classifica il Cluster 8 con un ammontare pari a 84,41, seguito dal Cluster 6 con un ammontar pari a 47,40 e dal Cluster 3 con un valore pari a 19,65. Complessivamente pertanto viene ad essere determinato un ordinamento dei clusters per come indicato di seguito:  C5>C9>C2>C4>C10>C7>C1>C8>C6>C3.

Machine Learning e Predictions. Per realizzare una attività di predizione sui dati sono stati impiegati sette diversi algoritmi di machine learning. Gli algoritmi di machine learning sono stati addestrati con il 70% dei dati disponibili, mentre il restante 30% è stato utilizzato per la predizione vera e propria. Gli algoritmi sono stati scelti attraverso la capacità di massimizzare l’R-quadro e di minimizzare il valore delle seguenti tipologie di errori ovvero: “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”, “Mean Signed Difference”. I risultati mostrano il seguente ordinamento degli algoritmi ovvero:

1.                  Gradient Boosted Trees e Random Forest Regression con un valore del payoff pari a 8;

2.                  Polynomial Regression con un valore del payoff pari a 18;

3.                  Linear Regression con un valore del payoff pari a 21;

4.                  ANN-Artificial Neural Network e Simple Regression Tree con un valore del payoff pari a 27;

5.                  PNN- Probabilistic Neural Network con un valore del payoff pari a 29

In modo particolare la predizione realizzata attraverso l’utilizzo del Gradient Boosted Trees indica una riduzione del valore della variabile osservata per un ammontare pari a circa il -6,8% equivalente ad un ammontare medio per paese pari a -0,57%.

Conclusioni. In sintesi è possibile affermare che il valore delle pubblicazioni internazionali viene considerata come un’approssimazione del grado di internazionalizzazione del sistema della ricerca di un certo paese. Ovviamente i paesi dell’Europa Scandinava e la Svizzera hanno dei valori molto elevati di tale variabile mentre i paesi dell’Europa meridionale e dell’Europa dell’Est manifestano dei valori sostanzialmente ridotti. Tuttavia occorre considerare che tale variabile potrebbe essere oggetto di specifiche politiche economiche e politiche universitarie per esempio chiedendo ai docenti universitari ed ai ricercatori, nell’ambito del processo di valutazione qualitativa della ricerca, di sviluppare delle relazioni internazionali per poter proseguire nel percorso di carriera. Tali vincoli in realtà potrebbero anche operare come degli incentivi nel miglioramento dei sistemi di ricerca con dei positivi effetti in termini di spillover anche sull’università in senso ampio e quindi anche sulla didattica. Dai dati appare evidente comunque, come indicato nella clusterizzazione, una grande eterogeneità dei valori nell’interno del contesto europeo. A tal proposito il legislatore europeo, pure nel riconoscimento di quelle che sono le inevitabili differenze tra i vari sistemi di ricerca e universitari nazionali e regionali, dovrebbe proporre una qualche forma di uniformizzazione per fare in modo che venga ad essere creata una convergenza verso l’alto, ovvero una convergenza delle regioni dell’Europa meridionale e orientale verso i valori dell’Europa settentrionale. Un ruolo molto rilevante può essere svolto in questo senso dalla creazione di corsi di laurea graduate e postgraduate in lingua inglese per facilitare il contatto e le relazioni tra università ed istituti di ricerca appartenenti a paesi diversi. Nel contesto dell’economia della conoscenza che costituisce la determinante essenziale della fenomenologia tecnologica dell’industria 4.0 è necessario incrementare l’investimento nella formazione, nella ricerca e nell’internazionalizzazione delle istituzioni di ricerca ed universitarie per poter generare degli effetti positivi sia diretti che in termini di esternalità positiva per il capitale umano. I beni immateriali ed intangibili associati all’economia della conoscenza richiedono un grado di capitale umano molto elevato che soltanto dei sistemi universitari e della ricerca evoluti ed integrati ad livello internazionale possono efficacemente produrre.

 

La Grave Deprivazione Materiale nelle Regioni Italiane

L'articolo completo verrà pubblicato in data 19/10/2021 nel sito de "Il Sud Est". 

 

I Cittadini Romani Hanno Perso l'Opportunità di Votare i Programmi Amministrativi

Il vero danno che queste manifestazioni basate sulla contrapposizione tra fascismo ed antifascismo hanno prodotto per la popolazione della città di Roma è il fatto che la gente non andrà a votare per chi ha il migliore programma amministrativo, quanto piuttosto per il fatto che uno sia o meno configurato, in base ad un giudizio sommario ed evidentemente viziato da una dimensione mediatica parziale, come fascista o anti-fascista. Ne deriva che i cittadini verranno privati del dibattito circa le ampie inefficienze amministrative della città di Roma ed invece saranno riportati ad un dibattito politico dal sapore vintage a riflettere su ideologie e schemi politici del passato che hanno dimostrato di essere ampiamente fallimentare. Sarebbe stato meglio per gli abitanti di Roma se avessero orientato il loro dibattito a riflettere per esempio sulla trasformazione dell’urbe in smart city, sul perfezionamento dei servizi amministrativi nei confronti della popolazione residente, o anche sui seguenti temi:

• ·         Organizzazione del sistema dei trasporti;
• ·         Ottimizzazione della gestione dei rifiuti;
• ·         Potenziamento degli aeroporti internazionali;
• ·         Ristrutturazione e manutenzione delle opere del patrimonio museale e delle operare antiche;
• ·         Integrazione tra i campus universitari pubblici e privati;
• ·         Sostegno alla popolazione urbana in condizione di disagio sociale;
• ·         Rafforzamento della rete della polizia locale;
• ·         Creazione di condizione di ordine pubblico nei quartieri aventi rischio di legalità elevato;
• ·         Individuazione di spazi urbani per le nuove imprese;
• ·         Piani integrati di commercio e turismo urbano;
• ·         Piani urbanistici per nuove costruzioni di quartieri che siano eterogenei dal punto di vista socio-demografico ed economico;
• ·         Creazione e manutenzione delle aree verdi;
• ·         Creazione e manutenzione di impianti sportivi;
• ·         Apertura della città ad ospitare eventi internazionali;
• ·         Aumento dell’efficienza dei municipi nella somministrazione dei servizi ai residenti;
• ·         Ottimizzazione della gestione operative e finanziaria delle aziende municipalizzate;
• ·         Valutazione del funzionariato comunale per obbiettivi amministrativi raggiunti nell’interesse pubblico;
• ·         Creazione di politiche per la partecipazione delle fondazioni e delle associazioni private a programmi a guida pubblica circa il turismo, la riqualificazione sociale delle aree abbandonate e il sostegno alle persone con disagio sociale;
• ·         Analisi e creazione di strutture socio-sanitarie distribuite equamente in base alla domande demografica della popolazione nei vari municipi cittadini.

Questi sono alcuni dei temi che avrebbero dovuto essere oggetto della campagna elettorale. Ed invece no. I cittadini sono stati deviati ad affrontare temi storici, come fossero parte di un social game del passato. Risultato ? La città di Roma potrebbe essere governata con un grado di efficienza talmente ridotto da creare nostalgie per le pure disastrose amministrazioni precedenti. Occorre invece che i cittadini romani abbiano desiderio di futuro, di un futuro dove anche la città di Roma possa sperimentare forme differenziate di efficienza amministrativa nella fornitura dei servizi pubblici alla popolazione.

 

L’Attrattività dei Sistemi di Ricerca Europei

 

E’ cresciuta in media del 50,00% tra il 2014 ed il 2021 per i paesi considerati

L’European Innovation Scoreboard calcola il valore dell’Attrattività dei Sistemi di Ricerca costituita dalla performance di tre diversi indicatori ovvero: “International scientific co-publications”, “Most cited publications” and “Foreign Doctorate Students”.

Classifica dei paesi per valore dell’attrattività di sistemi di ricerca in Europa. La Svizzera è al primo posto per valore dell’attrattività dei sistemi di ricerca con un ammontare pari a 234,10 unità, seguita dal Lussemburgo con un ammontare pari a 207,67 unità, e dall’Olanda con un ammontare pari a 198,10 unità. A metà classifica vi sono Italia con un ammontare pari a 112,05 unità, seguita dalla Germania con un valore di 103,06 unità e dalla Spagna con un ammontare pari a 102,33 unità. Chiudono la classifica Romania, Bulgaria e Ucraina con un ammontare rispettivamente pari a 39,44, 32,02 e 19,49.

Variazione per variazione percentuale dell’attrattività dei sistemi di ricerca nel periodo 2014-2021. Al primo posto per variazione percentuale dell’attrattività dei sistemi di ricerca tra il 2014 ed il 2021 vi è la Lettonia con un ammontare pari a 322,38% equivalente ad un valore assoluto di 45,56 unità, seguita dalla Macedonia del Nord con un ammontare pari a 264,17% pari a 54,96 unità, e dalla Lituania con un ammontare pari a 159,76% pari ad un valore di 36,84 unità. A metà classifica vi sono la Bulgaria che ha visto crescere il valore percentuale dell’attrattività dei sistemi di ricerca di un ammontare pari a 29,74% ovvero pari ad un ammontare di 7,34 unità, seguita dall’Italia con un valore pari a 29,21% pari ad un ammontare di 25,33 unità e dal Portogallo con un valore percentuale pari a 28,08 unità pari ad un valore assoluto di 28,52. Chiudono la classifica la Norvegia con un ammontare pari a -2,21% ovvero pari a -3,55 unità, Israele pari a -2,53% ovvero pari ad un ammontare di -3,31, e dalla Francia pari ad un valore di -6,01% pari ad un valore di -8,37 unità. Tuttavia, complessivamente la media delle variazioni percentuali per i 38 paesi considerati è pari a 50,75% equivalente ad un ammontare di 19,95 unità.

Clusterizzazione. Viene di seguito proposta una clusterizzazione, ovvero un modello analitico non supervisionato, con algoritmo di classificazione k-Means ottimizzato con il coefficiente Silhouette e rappresentato anche con l’algoritmo t-SNE. L’obbiettivo di tale clusterizzazione consiste nel verificare se esistono dei raggruppamenti dei paesi europei per valore dell’attrattività dei sistemi di ricerca e se questi raggruppamenti coincidono con le classiche divisioni tra Nord, Sud ed Est Europa, che rispettivamente sono le aree ad alta, media e bassa crescita economica e livello di reddito pro-capite.

• ·         Cluster 1: Svizzera, Lussemburgo;
• ·         Cluster 2: Repubblica Ceca, Montenegro, Malta, Grecia, Ungheria, Bosnia, Slovacchia;
• ·         Cluster 3: Francia, Austria, Finlandia, Irlanda, Israele, Norvegia;
• ·         Cluster 4: Germania, Italia, Spagna, Cipro, Portogallo, Slovenia, Estonia;
• ·         Cluster 5: Regno Unito, Svezia, Danimarca, Islanda, Belgio, Olanda;
• ·    Cluster 6: Polonia, Romania, Turchia, Bulgaria, Ucraina, Lettonia, Lituania, Croazia, Serbia, Macedonia del Nord.

Tuttavia, è possibile verificare che vi sono delle notevoli differenze nella performance in termini di attrattività dei sistemi di ricerca. In modo particolare viene proposta un ranking dell’attrattività dei sistemi di ricerca sulla base del valore della mediana dei paesi costituenti il cluster. I risultati mostrano che: il Cluster 1 è al primo posto con un valore pari a 220,89 unità, seguito dal cluster 5 con un ammontare pari della mediana pari a 181,02 unità, seguito dal cluster 3 con un valore pari a 152,34 unità, dal cluster 4 con un ammontare pari a 112,05 unità, dal cluster 2 con un valore pari a 76,75 unità e dal cluster 6 con un valore pari a 48,21 unità. Nel complesso possiamo notare che il valore dell’attrattività dei sistemi di ricerca dei paesi del cluster 6 è pari a -78,17% del valore dell’attrattività dei sistemi di ricerca del cluster 1. Ne deriva pertanto che l’ordinamento dei clusters è così determinato C1>C5>C3>C4>C2>C6.

Machine learning. Per predire il valore futuro dell’andamento del valore dell’attrattività dei sistemi di ricerca sono stati impiegati otto diversi modelli di apprendimento-ovvero di machine learning- addestrati con il 70% dei dati immessi. Gli algoritmi sono stati valutati nella loro capacità performativa attraverso i seguenti criteri ovvero: R-quadro, Mean Absolute Error, Mean Squared Erro, Root Mean Squared Error, Mean Signed Difference. A ciascun algoritmo è stato assegnato un punteggio in base alla massimizzazione dell’R-quadro e alla minimizzazione degli errori. I risultati mostra l’esistenza del seguente ordinamento di algoritmi per efficienza predittiva ovvero:

• ·         Artificial Neural Network ANN-MLP;
• ·         Random Forest;
• ·         Tree Ensemble;
• ·         Probabilistic Neural Network-PNN;
• ·         Simple Regression Tree;
• ·         Polynomial Regression;
• ·         Linear Regression;
• ·         Gradient Boosted Trees.

Conclusioni. In sintesi i dati mostrano l’esistenza di una spaccatura tra i paesi del Nord Europa che hanno valori elevati di attrattività dei sistemi di ricerca ed i paesi dell’Est Europa che hanno valori molto bassi dell’attrattività dei sistemi di ricerca. Dobbiamo tuttavia sottolineare che tale indicatore, per come viene calcolato dall’European Innovation Scoreboard, risulta essere molto sensibile nei confronti di quelle che sono le relazioni internazionali poste in essere dai vari paesi. Ovviamente per quanto riguarda il numero di dottorati stranieri ed il numero di pubblicazioni scientifiche internazionali realizzate in co-autorato, è chiaro che i paesi del Nord Europa hanno un vantaggio sistemico assolutamente consistente e che i paesi dell’Est Europa arrancano significativamente. Tuttavia, in questo senso è possibile intervenire con delle politiche economiche europee per fare in modo che le università siano sempre più internazionalizzate non soltanto con i vari programmi come l’Erasmus, quanto soprattutto attraverso delle collaborazioni che siano valevoli per i dottorandi e il personale impegnato nella ricerca scientifica. L’internazionalizzazione delle istituzioni universitarie dovrebbe comprendere sempre dei corsi di laurea in lingua straniera per fare in modo che sia più facile per gli operatori della conoscenza avere delle relazioni internazionali e quindi incrementare il valore dell’attrattività dei sistemi di ricerca nazionali.

 

 

Il Rischio Povertà nelle Regioni Italiane

 Nel Sud Italia 34 persone su 100 rischiano la povertà

L'articolo completo verrà pubblicato in data 04/10/2021 nel sito de "Il Sud Est".