Le Persone su Cui Contare nelle Regioni Italiane

 

Sono circa 10 milioni gli italiani con più di 14 anni che dichiarano di non avere persone su cui contare

L’Istat calcola il valore della variabile indicata come “Persone su cui contare” in base a quanto indicato dall’Istat tale valore indica la “Percentuale di persone di 14 anni e più che hanno parenti, amici o vicini su cui contare (oltre ai genitori, figli, fratelli, sorelle, nonni, nipoti) sul totale delle persone di 14 anni e più.”

Ranking delle regioni per valore delle persone su cui contare nel 2020. Nel 2020 il Trentino Alto Adige è al primo posto per valore di 87,9, seguito dalla Basilicata con un valore pari a 86,9 e dal Molise con un ammontare pari a 85,7. A metà classifica vi sono la Toscana e l’Abruzzo con un ammontare pari a 83,1, seguito dal Veneto con un valore pari a 82,3, e dal Friuli-Venezia Giulia con un ammontare pari a 81,3 unità. Chiudono la classifica la Sicilia con un valore pari a 79,8 unità, seguita dalle Marche con un valore pari a 78,5 unità e dalla Puglia con un ammontare pari a 77,5 unità.

Ranking delle regioni per valore della variazione percentuale delle persone su cui contare nel periodo 2013-2020. Il Molise è al primo posto per valore della variazione percentuale delle persone su cui contare nel periodo tra il 2013 ed il 2020 con un valore pari a 14,27% ovvero pari a 10,7 unità; seguito dalla Campania con un valore pari a 9,92% pari a 7,3 unità, e dall’Umbria con un ammontare pari a 7,99 % pari a 6,2 unità. A metà classifica vi sono la Calabria con un valore pari a 0,62% pari a 0,5 unità, seguita dall’Emilia Romagna con un valore pari a 0,6% pari a 0,5 unità, e il Veneto con un ammontare pari a 0,37% con un valore pari a 0,3 unità. Agli ultimi posto vi sono la Lombardia con un ammontare pari a -2,43% pari a -2 unità, seguita dalle Marche con un ammontare pari a -3,09% pari a -2,5 unità e dal Piemonte con un ammontare pari a 6,1% pari ad un ammontare di -5,2 unità.

Nord Italia. Nel Nord il valore delle persone su cui contare è diminuito nel passaggio tra il 2013 ed il 2020 di un valore assoluto pari a -1,20 e di un valore percentuale pari a -1,45%. Nel 2013 il valore delle persone su cui contare è stato pari a 82,90 unità ed è cresciuto nel 2014 ad un valore pari a 83,60 unità ovvero pari ad una crescita di 0,70 unità pari a 0,84%. Nel passaggio tra il 2014 ed il 2015 il valore delle persone su cui contare è diminuito da un ammontare pari a 83,60 unità fino ad un valore pari a 82,90 unità ovvero pari ad una variazione di -0,70 unità pari a -0,84%. Nel passaggio tra il 2015 ed il 2016 il valore delle persone su cui contare è passato da un ammontare pari a 82,90 fino ad un valore di 82,80 ovvero una variazione di -0,10 unità pari ad una variazione di -0,12%. Nel passaggio tra il 2016 ed il 2017 il valore delle persone su cui contare è cresciuto da un ammontare pari a 82,80 fino ad un valore pari a 83,50 unità ovvero pari ad un valore di 0,70 unità pari a 0,85%. Nel passaggio tra il 2017 ed il 2018 il valore delle persone su cui contare è diminuito da un ammontare pari a 83,50 fino ad un valore pari a 81,70 unità ovvero pari ad una variazione di -1,80 unità pari ad una variazione di -2,16%. Nel passaggio tra il 2018 ed il 2019 il valore della variazione delle persone su cui contare è diminuito da un ammontare pari a 81,70 unità fino ad un valore pari a 81,50 unità ovvero pari ad una variazione di -0,20 unità pari a a-0,24%. Nel passaggio tra il 2019 ed il 2020 il valore della variazione delle persone su cui contare è diminuito da un ammontare pari a 81,50 unità fino ad un valore pari a 81,70 unità ovvero pari ad una variazione di 0,20 unità pari a un valore di 0,25 unità.

Centro. Il valore delle persone su cui contare nel centro è cresciuto nel periodo tra il 2013 ed il 2020 di un valore pari a 0,30 unità in valore assoluto ovvero pari a 0,36%. Nel 2013 il valore delle persone su cui contare nel centro è stato pari ad un ammontare di 82,30 unità ed è cresciuto di un ammontare pari a 83,40 unità nel 2014 con una variazione di 1,10 unità pari ad un ammontare di 1,34%. Nel passaggio tra il 2014 ed il 2015 il valore delle persone su cui contare è diminuito da un ammontare pare a 83,40 unità fino ad un ammontare di 82,40 unità ovvero pari ad un valore di 1 unità pari a -1,20%. Nel passaggio tra il 2015 ed il 2016 il valore delle persone su cui contare nel centro è diminuito da un ammontare pari a 82,40 fino ad un valore pari a 82,90 ovvero pari ad una variazione di 0,50 unità pari ad una variazione di 0,61%. Nel passaggio tra il 2016 ed il 2017 il valore della variazione delle persone su cui contare nel centro è passato da un ammontare pari a 82,90 unità fino ad un valore pari a 79,90 unità ovvero pari ad un valore di -3,00 unità ovvero pari a -3.62%. Nel passaggio tra il 2017 ed il 2018 il valore delle persone su cui contare nel centro è passato da un ammontare pari a 79,90 unità fino ad un valore pari a 82,70 unità ovvero pari ad una variazione di 2,80 unità pari ad un ammontare di 3,50 unità. Tra il 2018 ed il 2019 il valore delle persone su cui contare nel centro è passato da un ammontare pari a 82,70 unità fino ad un valore pari a 80,90 unità ovvero pari ad una variazione di -1,80 unità pari a -2,18%. Nel passaggio tra il 2019 ed il 2020 il valore delle persone su cui contare è cresciuto da un ammontare pari a 80,90 unità fino ad un valore di 82,60 unità ovvero pari ad una variazione di 1,70 unità pari ad una variazione di 2,10%.

Mezzogiorno. Il valore delle persone su cui contare nel Mezzogiorno è cresciuto nel passaggio tra il 2013 ed il 2020 da un ammontare pari a 77,50 unità fino ad un valore pari a 80,80 unità ovvero pari ad una variazione di 3,30 unità pari ad una variazione percentuale di 4,26%. Nel passaggio tra il 2013 ed il 2014 il valore delle persone su cui contare è cresciuto da un ammontare pari a 77,50 unità fino ad un valore di 78,50 unità ovvero pari ad un variazione di 1,00 unità pari ad un valore di 1,29%. Nel passaggio tra il 2014 ed il 2015 il valore delle persone su cui contare è cresciuto da un ammontare pari a 78,50 unità fino ad un valore pari a 79,40 unità ovvero pari ad una variazione di 0,90 unità pari ad un valore di 1,15%. Nel passaggio tra il 2015 ed il 2016 il valore delle persone su cui contare è cresciuto da un ammontare pari a 79,40 unità fino ad un valore pari a 79,60 unità ovvero pari ad una variazione di 0,20 unità pari ad una variazione di 0,25%. Nel passaggio tra il 2016 ed il 2017 il valore delle persone su cui contare nel Mezzogiorno è passato da un valore di 79,60 fino ad un valore di 76,60 unità ovvero pari ad una variazione di -3,00 unità pari ad una variazione di -3,77%. Nel passaggio tra il 2017 ed il 2018 il valore delle persone su cui contare è passato da un ammontare pari a 76,60 unità fino ad un valore pari a 78,30 unità ovvero pari ad una variazione di 1,70 unità pari a a 2,22%. Nel passaggio tra il 2018 ed il 2019 il valore delle persone su cui contare è passato da un ammontare pari a 78,30 fino ad un valore pari a 81,90 unità ovvero una crescita pari ad una variazione di 3,60 unità pari a 4,60%. Nel passaggio tra il 2019 ed il 2020 il valore delle persone su cui contare nel Mezzogiorno è diminuito da un ammontare pari a 81,90 unità fino ad un valore pari a 80,80 unità ovvero pari ad una variazione di -1,10 unità pari a -1,34%.

Clusterizzazione. Di seguito viene ad essere presentata una clusterizzazione con l’algoritmo k-Means ottimizzato per il tramite del coefficiente Silhouette che mette in evidenza la presenza di 3 clusters come indicato di seguito ovvero:

·         Cluster 1: Puglia, Campania, Sicilia;

·         Cluster 2: Piemonte, Marche, Lombardia, Veneto, Friuli-Venezia Giulia, Basilicata, Liguria, Lazio, Umbria, Toscana, Emilia-Romagna; Sardegna, Molise, Calabria, Abruzzo,

·         Cluster 3: Trentino-Alto Adige, Valle d’Aosta.

La clusterizzazione viene ad essere realizzata per mettere in evidenza la presenza di una dimensione della regionalizzazione che possa in un qualche modo richiamare alla struttura per macro-regioni ovvero Centro, Nord, Sud. Risulta pertanto che le regioni del Cluster 3 hanno un valore della mediana della variabile “Persone su cui contare” pari a 86,55 unità, seguito dalle regione del Cluster 2 con un valore della mediana pari a 83,1 e dal Cluster 1 con un valore pari a 79,8 unità. Ne deriva pertanto il seguente ordinamento dei cluster ovvero C3>C2>C1.

Machine Learning e Predictions. Di seguito sono stati utilizzato otto diversi algoritmi di machine learning per la predizione del valore delle “Persone su cui contare”. I dati sono stati divisi in due parti: il 70% dei dati sono stati impiegati per l’addestramento degli algoritmi ed il 30% restante è stato utilizzato per la predizione vera e propria. Per scegliere l’algoritmo “best predictor” gli otto algoritmi sono stati ordinati in un ranking basato su quattro diverse tipologie di errori ovvero “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”, “Mean Signed Difference”. Ne è derivato pertanto il seguente ordinamento degli algoritmi in termini di massimizzazione della capacità predittiva ovvero:

·         Tree Ensemble Regression con un valore del payoff pari a 5;

·         Simple Regression Tree con un valore del payoff pari a 10;

·         Linear Regression con un valore del payoff pari a 12;

·         Gradient Boosted Trees Regression con un valore del payoff pari a 17;

·         Random Forest Regression e Probabilistic Neural Networks-PNN con un payoff pari a 21;

·         ANN-Artificial Neural Network con un valore pari a 26;

·         Polynomial Regression con un valore pari a 32.

In base all’utilizzo dell’algoritmi Tree Ensemble Regression vengono predetti i seguenti valori per le regioni indicate ovvero:

·         Piemonte con un valore predetto in crescita da un ammontare pari a 80 fino ad un valore pari a 82,23 ovvero una crescita di 2,2 unità pari al 2,8%;

·         Veneto con una variazione diminutiva da un ammontare pari a 82,3 unità fino ad un valore di 81,53 ovvero una variazione di -0,8 unità pari ad un ammontare di -0,9%;

·         Umbria con una variazione diminutiva da un ammontare pari a 83,8 unità fino ad un valore pari a 83,07 unità ovvero pari ad una variazione di -0,7 unità pari ad un ammontare di -0,9%;

·         Lazio con un variazione diminutiva da un ammontare pari a 83,2 unità fino ad un valore di 80,88 unità ovvero una variazione di -2,3 unità pari ad una variazione di -2,8%;

·         Abruzzo con una variazione diminutiva da un ammontare pari a 83,1 unità fino ad un valore di 80,03 unità ovvero una variazione di -3,1 unità pari ad una variazione di -3,7%;

·         Basilicata con una variazione diminutiva da un ammontare pari a 86,9 unità fino ad un valore pari a 82,71 unità ovvero pari ad una variazione complessiva di -4,2 unità pari a -4,8%.

In media il valore delle predizioni per le regioni considerate è diminutivo con un valore medio pari a-1,7%.

Conclusioni. In sintesi, possiamo notare che circa l’80% degli intervistati dall’ISTAT-BES che hanno più di 14 ritengono di avere delle persone su cui contare nelle macro-regioni italiane. Inoltre, tra il 2013 ed il 2020 il valore delle persone su cui contare è cresciuto di un ammontare pari a 1,9% in media nelle regioni italiane. Tuttavia, l’unica macro-regione con una variazione diminutiva delle “Persone su cui contare” tra il 2013 ed il 2020 è il Nord Italia mentre nel Mezzogiorno e nel Centro Italia il valore è crescente nel medesimo periodo. Tuttavia, la clusterizzazione evidenzia la presenza di 3 clusters con una dominanza del cluster costituito dalle due sole regioni della Valle d’Aosta e del Trentino Alto Adige, al secondo posto vi sono le altre regioni del Nord e le regioni del Centro, mentre nel terzo cluster vi sono le regioni del Sud Italia. Tuttavia, il dato può anche essere letto al contrario nella considerazione della presenza di circa il 20% della popolazione che manca di avere dei riferimenti, ovvero delle persone su cui contare in caso di necessità. Ne deriva la necessità di attivare delle reti solidarietà e aiuto nei confronti delle persone che sono prive di adeguati supporti relazionali. In modo particolare considerando che il numero degli italiani che hanno più di 14 anni sono circa 52.479.805 allora vuol dire che vi sono circa 10.495.961 che mancano di supporto e quindi potrebbero richiedere l’ausilio di associazioni, di organizzazioni del terzo settore, e di politiche sociali. Un dato da non sottovalutare soprattutto se si considera la presenza in Italia di molti nuovi poveri che generalmente sono anche caratterizzati dal forme di esclusione sociale.

 

La Penetrazione della Banda Larga in Europa

 

L’European Innovation Scoreboard della Commissione Europea calcola il valore della penetrazione della banda larga nei paesi dell’UE. La penetrazione della banda larga è calcolata attraverso l’utilizzo del rapporto seguente ovvero:

Tale indicatore è rilevante in quanto impatta sulla capacità delle imprese di accedere a servizi come per esempio l’e-commerce.

Classifica dei paesi per valore della penetrazione della banda larga in Europa nel 2021. Svizzera, Danimarca, Portogallo e Svezia sono al primo posto per valore della penetrazione della banda larga nel 2021 tra i paesi Europei con un valore pari a 202,48, seguiti al secondo posto da Spagna e Finlandia con un ammontare pari a 197,48 e al terzo posto dall’Olanda con un valore pari a 187,08. A metà classifica vi sono la Turchia, la Norvegia e il Regno Unito con un valore pari a 134,16.  Chiudono la classifica la Bosnia con un valore pari a 100, l’Ucraina con un ammontare pari a 91,10 e la Grecia con un valore pari a 89,44.

Classifica dei paesi per valore della variazione percentuale della banda larga in Europa tra il 2014 ed il 2021. La Croazia è al primo posto per valore della variazione percentuale della penetrazione della banda larga tra il 2014 ed il 2021 con un ammontare pari a 246,41% equivalente ad un valore assoluto pari a 77,92, seguita dalla Serbia con un valore pari a 123,61% pari a 67,7 in valore assoluto, e la Grecia con un ammontare pari a 100,00% con un valore assoluto pari a 44,72. A metà classifica vi sono l’Irlanda con una variazione percentuale pari a 48,32, seguita dall’Estonia con un ammontare pari a 45,77% a parimerito con Lituania e Montenegro. Chiudono la classifica la Bosnia con un valore pari a 0,00, la Lettonia con un ammontare pari a -2,82% e l’Ucraina pari a -6,03%.

Clusterizzazione. Di seguito è stata realizzata una analisi dei cluster attraverso l’algoritmo k-Means ottimizzato per il tramite del coefficiente Silhouette. In modo particolare è stato scelto di impiegare il valore di Silhouette maggiore di zero in grado di massimizzare il numero dei clusters. A seguito dell’applicazione di tale metodo sono stati ottenuti cinque diversi clusters ovvero:

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

Per ordinare i clusters viene scelto il valore della mediana e pertanto risulta che al primo posto vi è il cluster 4 con un valore della penetrazione della banda larga mediano pari a 202,485, seguito dal Cluster 1 con un valore pari a 184,391, dal cluster 2 con un valore pari a 148,32, dal cluster 3 con un valore pari a 135,21 ed infine dal cluster 5 con un valore della mediana pari a 126,42. Ne deriva pertanto il seguente ordinamento dei clusters ovvero C4>C1>C2>C3>C5.

Machine learning and prediction. Di seguito vengono applicati otto diversi algoritmi di machine learning per la predizione del valore della penetrazione della banda larga nei paesi europei. In modo particolare gli algoritmi vengono scelti sulla base della capacità di massimizzare il valore dell’R-quadro e di minimizzare i seguenti errori statistici ovvero: “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”, “Mean Signed Difference”.  Gli algoritmi sono stati addestrati attraverso l’utilizzo del 70% dei dati disponibili nel dataset, ovvero la serie storica per il 37 paesi considerati tra il 2014 ed il 2021, mentre il 30% rimanente è stato utilizzato per la predizione vera e propria. In base all’analisi della performance degli algoritmi risulta il seguente ordinamento degli algoritmi ovvero:

• 1.      Polynomial Regression e Gradient Boosted Tree Regression sono al primo posto con un valore del payoff pari a 8;
• 2.      Probabilistic Neural Network-PNN è al secondo posto con un valore del payoff pari a 16;
• 3.      Random Forest Regression è al terzo posto con un valore del payoff pari a 24;
• 4.      Artificial Neural Network-ANN è al quarto posto con un valore del payoff pari a 25;
• 5.      Linear Regression è al quinto posto con un valore del payoff pari a 30;
• 6.      Simple Regression Tree è al sesto posto con un valore del payoff pari a 31;
• 7.      Tree Ensemble Regression al settimo posto con un valore del payoff pari a 38.

Tuttavia, anche se Polynomial Regression e Gradient Boosted Tree Regression sono a parimerito, per effettuare la predizione viene preferito l’algoritmo Gradient Boosted Tree Regression per il fatto di avere dei valori migliori in termini di minimizzazione del MAE, MSE e RMSE. Pertanto, applicando l’algoritmo considerato risultano le seguenti predizioni:

• ·         Belgio con un variazione +9,92%;
• ·         Germania -19,95%;
• ·         Estonia +8,84%;
• ·         Finlandia +2,510%;
• ·         Francia +22,12%;
• ·         Croazia +20,78%;
• ·         Norvegia variazione pari a 0,00%;
• ·         Polonia -14,5%;
• ·         Slovenia -1,53%;
• ·         Slovacchia -9,2%;
• ·         Turchia +11,52%;
• ·         Ucraina +480,00%;

In media l’algoritmo predice una crescita della penetrazione della banda larga pari a circa 2,38%.

Conclusioni. La penetrazione della banda larga è molto rilevante per poter creare le condizioni di una crescita economica che possa essere rilevante nel contesto dell’economia digitale. Infatti, la possibilità di fare e-commerce, di lavorare da remoto ed in smart working, ed anche la creazione di start up e di newcos nel settore digitale richiede una significativa presenza di investimenti per la banda larga. Inoltre, la banda larga non è rilevante solo per le attività private, quanto anche per le attività pubbliche, in quanto l’intera attività di digitalizzazione della pubblica amministrazione può essere realizzata soltanto in presenza di una crescita del valore della banda larga. Ne deriva, pertanto, che se i policy makers europei sono interessati alla creazione di una vera e propria economica digitale con le ricadute positive anche in termini di economia della conoscenza è assolutamente necessario promozionare degli investimenti nel rafforzamento della banda larga. Inoltre, l’analisi a cluster mostra una evidente dominanza dei paesi del Nord Europa soprattutto scandinavi rispetto ai paesi dell’Europa Meridionale ed Orientale.

La Digitalizzazione nei Paesi Europei

 

Tra il 2014 ed il 2021 è aumentata in media del 54% nel 37 paesi considerati.

L’European Innovation Scoreboard della Commissione Europea misura il grado di digitalizzazione dei paesi dell’Unione Europea. Il grado di digitalizzazione è misura in base a due criteri ovvero la penetrazione della banda larga e l’offerta di individui con competenze digitali complessive di base.

Il ranking dei paesi per grado di digitalizzazione nel 2021. La Svizzera e la Danimarca sono al primo posto per valore della digitalizzazione con un valore pari a 211,4 seguiti dalla Finlandia con un ammontare pari a 211,2 e da Olanda e Islanda al terzo posto con un ammontare di 205,5. A metà classifica vi sono la Slovenia, al sedicesimo posto con un ammontare pari a 136,5, la Croazia con un ammontare pari a 125,4 e l’Ungheria con un valore pari a 119,5. Chiudono la classifica la Macedonia del Nord con un ammontare pari a 72,47, seguita dalla Bulgaria con un ammontare pari a 72,02 e dalla Bosnia con un valore pari a 54,69%.

Classifica dei paesi europei per variazione percentuale del valore della digitalizzazione nel periodo tra il 2014 ed il 2021. Cipro è al primo posto con un valore pari a 638,94, seguito dalla Serbia con un valore pari a 152,39 e dalla Grecia con un ammontare pari a 100. A metà classifica vi sono l’Italia e la Finlandia con un variazione percentuale della digitalizzazione tra il 2014 ed il 2021 pari ad un ammontare di 32,17, seguiti dalla Germania con un valore pari a 31,91 e dalla Lituania con un valore pari a 30,7. Chiudono la classifica la Bosnia con un valore pari a 0%, la Lettonia con un ammontare pari a -1,85% e l’Ucraina con un valore pari a -6,03%.

Clusterizzazione. In seguito, viene realizzata una clusterizzazione per verificare se vi sono delle aggregazioni di paesi per valore della digitalizzazione che possano in un qualche modo riverberare le macro-regioni dell’Europa ovvero Nord, Centro e Sud. Per la clusterizzazione è stato utilizzato l’algoritmo k-Means. Tuttavia, essendo k-Means un algoritmo non supervisionato, al fine della scelta del numero ottimale dei clusters è stato scelto il coefficiente di Silhouette. L’analisi così svolta ha dato origine a 5 clusters indicati di seguito:

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

Il valore della mediana calcolato per i cinque clusters è tale da determinare il seguente ordinamento: C2>C4>C1>C5>C3. In modo particolare il cluster C2 ha un valore della mediana del grado di digitalizzazione pari a 205,52, il cluster C4 un valore pari a 159,22 inferiore del 22,5% rispetto al valore del C1, il cluster 3 un valore pari a 115,01 pari a -44,00% rispetto al cluster 2, il cluster C5 un valore pari a 94,67 pari ad un ammontare di -53,9% rispetto al cluster 2, il valore di C3 pari a 85,46 pari ad un ammontare di -58,4% rispetto al cluster 2.

Machine Learning and prediction. Di seguito sono stati utilizzati otto diversi algoritmi di machine learning per la predizione del valore del grado di digitalizzazione nei paesi dell’Unione Europea. Il 70% dei dati sono stati utilizzati per l’addestramento degli algoritmi mentre il restante 30% dei dati è staot impiegato per lal predizione vera e propria. Gli algoritmi sono stati scelti in base alla loro performance ovvero in base alla capacità di massimizzare il valore dell’r-quadro e di minimizzare i seguenti errori statistici ovvero “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”,  “Mean Signed Difference”. Il risultato dimostra il seguente ordinamento degli algoritmi ovvero:

• 1.      Linear Regression con un valore del payoff pari a 9;
• 2.      ANN-Artificial Neural Network con un valore del payoff pari a 12;
• 3.      Simple Regression Tree con un valore del payoff pari a 17;
• 4.      Tree Ensemble Regression con un valore pari a 20;
• 5.      Probabilistic Neural Network-PNN con un valore del payoff pari a 24;
• 6.      Polynomial Regression e Random Forest Regression con un valore del payoff pari a 29;
• 7.      Gradient Boosted Trees Regression con un valore del payoff pari a 40.

Pertanto, risulta che l’algoritmo Linear Regression è il best predictor. Applicando l’algoritmo risultano le seguenti predizioni:

• ·         Austria: riduzione del valore della digitalizzazione da un ammontare pari a 146,82 fino ad un valore di 135,64 ovvero pari ad un valore assoluto di -11,71 e percentuale pari a-7,6%;
• ·         Belgio: riduzione del valore della digitalizzazione da un ammontare pari a 159,22 fino ad u valore pari a 156,181 ovvero una variazione diminutiva pari ad un valore di -3,03 ovvero pari ad un ammontare di -1,90%;
• ·         Svizzera: una crescita del valore della digitalizzazione da un ammontare di 211,43 fino ad un valore di 222, 417 ovvero pari ad un valore di 10,98 unità pari a 5,19%;
• ·         Francia: diminuzione del valore della digitalizzazione da un ammontare pari a 117,73 fino ad un valore di 115,35 ovvero pari ad un valore di -2,38 pari a -2,02%.
• ·          Croazia: diminuzione del valore della digitalizzazione da un ammontare pari a 125,36 fino ad un valore di 95,968 ovvero pari ad un valore di -29,39 pari a -23,44%;
• ·         Islanda: riduzione del valore della digitalizzazione da un ammontare pari a 205,48 fino ad un valore di 203,38 ovvero pari ad una variazione di -2,1 unità pari a 1,022%;
• ·         Lituania: aumento della digitalizzazione da un ammontare pari a 158,74 fino ad un valore di 164,27 ovvero una variazione pari a 5,53 unità pari ad un ammontare di 3,48%;
• ·         Malta: riduzione del valore della digitalizzazione da un ammontare pari a 166,13 fino ad un valore di 159,23 ovvero pari ad un valore di -6,9 unità pari a -4,15%;
• ·         Romania: crescita del valore della digitalizzazione da un ammontare pari a 85,46 fino ad un valore di 89,37 ovvero pari ad una variazione di 3,91 pari a 4,57%;
• ·         Serbia: riduzione del valore della digitalizzazione da un ammontare pari a 94,67 fino ad un valore di 79,53 ovvero pari ad una variazione di -15,14 unità pari a -15,99%;
• ·         Svezia: aumento del valore della digitalizzazione da un ammontare pari a 203,88 fino ad un valore di 233,19 ovvero pari ad un ammontare di 29,31 pari ad un ammontare di 14,38%.
• I media il valore della digitalizzazione per i paesi considerati è predetto in riduzione di un valore pari a -1,85 unità pari a -1,22%.

Conclusioni. Il grado di digitalizzazione nelle nazioni europee è molto eterogeneo. L’analisi della clusterizzazione mostra la presenza di cinque raggruppamenti che sostanzialmente richiamano la contrapposizione tra un Nord Europa, soprattutto scandinavo, altamente digitalizzato, contro un Sud Europa, soprattutto mediterraneo e balcanico, significativamente arretrato in termini di digitalizzazione. Tuttavia complessivamente il confronto tra i dati del 2014 e del 2021 mostra la crescita della digitalizzazione con tasso percentuale pari al 54%. La predizione tuttavia, mostra un andamento tendenzialmente riduttivo della digitalizzazione nei paesi analizzati. Ovviamente il grado di digitalizzazione è essenziale per consentire alle nazioni europee di accedere all’economia della conoscenza e di usare i vantaggi offerti dai processi di smartizzazione e di industria 4.0 applicati sia al pubblico che al privato. In questo senso l’Unione Europea dovrebbe farsi carico di una grande opera di realizzazione di opere digitali soprattutto nell’Est Europa con attenzione anche alla formazione di capitale umano dotato di conoscenze professionali nel settore digitale.