L’Utilizzo delle Tecnologie Informatiche in Europa

 

E’ aumentato del 13,10 % tra il 2014 ed il 2021

L’European Innovation Scoreboard-EIS calcola il valore dell’uso delle tecnologie informatiche. In modo particolare tale variabile è data dalla somma di due altre variabili ovvero:

• ·         Imprese che forniscono formazione per sviluppare o aggiornare le competenze ICT del proprio personale in percentuale;
• ·         Specialisti ICT occupati in % dell'occupazione totale.

Ranking dei paesi europei per valore dell’uso delle tecnologie informatiche nel 2021. La Finlandia nel 2021 è stata al primo posto per valore dell’uso delle tecnologie informatiche con un ammontare pari a 235,08, seguita dalla Svezia con un ammontare pari a 213,71 e dalla Svizzera con un ammontare pari a 195,16. A metà classifica troviamo l’Austria con un ammontare pari a 117,27, seguita dalla Croazia con un valore pari a 110,69 e dalla Spagna con un valore di 108,87. Chiudono la classifica l’Ucraina con un valore pari a 27,07, la Turchia con un ammontare pari a 25,81 e Israele con un valore pari a zero.

Ranking dei paesi per valore della variazione percentuale dell’utilizzo delle tecnologie informatiche tra il 2014 ed il 2021. La Romania è al primo posto per variazione percentuale dell’utilizzo delle tecnologie informatiche tra il 2014 ed il 2021 con un valore pari a 172,12% pari a 19,09 unità, seguita dalla Lituania con un valore pari a 138,87% pari a 44,42 e dalla Lettonia con un ammontare pari a 90,31 pari a 41,33 unità. A metà classifica vi sono la Macedonia del Nord con una variazione percentuale pari a 16,94% pari a 6,18 unità, seguita da Cipro con un valore pari a 16,51% pari a 15,12 unità e dalla Croazia con un ammontare pari a 16,31% pari a 15,52 unità. Chiudono la classifica la Norvegia con un ammontare pari a -23,82% pari a -45,43 unità, seguita dall’Austria con un ammontare pari a 26,12% pari a -41,47 unità e dalla Turchia con una variazione pari a -27,55% pari a -9,81 unità.

Clusterizzazione con algoritmo k-Means. Per verificare la presenza di clusters nell’interno del dataset analizzato è stato utilizzato l’algoritmo k-Means. Tuttavia, poiché l’algoritmo k-Means è non-supervisionato è stato necessario introdurre il coefficiente Silhouette per individuare il numero ottimale dei clusters. Tuttavia la scelta del numero ottimale dei clusters mediante il coefficiente Silhouette è avvenuta secondo i seguenti criteri:

• ·         Massimizzazione del numero dei clusters;
• ·         Nessuno degli elementi di ciascun singolo cluster abbia un valore del coefficiente Silhouette negativo.

In base all’applicazione di questi due parametri è stato individuato il numero ottimale di cluster. I clusters sono indicati di seguito:

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

In base all’analisi realizzata risulta che il valore mediano dell’utilizzo delle competenze informatiche risulta essere pari a 224,395 nel Cluster 1, pari a 167,876 nel Cluster 2, pari a 110,685 nel Cluster 4, pari a 88,8441 nel Cluster 2, pari a 30,1747 nel Cluster 3. Ne deriva pertanto il seguente ordinamento di clusters ovvero C1>C5>C4>C2>C3.

 

Predizione con gli algoritmi di machine learning.  Otto diversi algoritmi di machine learning sono stati utilizzati per realizzare la predizione dell’utilizzo delle competenze informatiche nel periodo considerato. In modo particolare gli algoritmi sono stati organizzati in un ranking con punteggio crescente in base alla massimizzazione del valore dell’R-quadro ed alla minimizzazione di quattro diverse tipologie di errori statistici ovvero “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”, “Mean Signed Difference”. Il 70% dei dati delle serie storiche sono stati utilizzati per l’addestramento delle reti neurali mentre il 30% rimanente è stato utilizzato per la predizione. L’ordinamento degli algoritmi in base all’efficienza predittiva è indicato di seguito:

• 1.      Linear Regression con un valore del payoff pari a 10;
• 2.      Simple Regression Tree con un valore del payoff pari a 11;
• 3.      Polynomial Regression con un valore del payoff pari a 17;
• 4.      Tree Ensemble Regression con un valore del payoff pari a 19;
• 5.      Random Forest Regression con un valore del payoff pari a 20;
• 6.      Gradient Boosted Tree Regression con un valore del payoff pari a 29;
• 7.      PNN-Probabilistic Neural Network con un valore del payoff pari a 34;
• 8.      ANN-Artificial Neural Network con un valore del payoff pari a 40.

In seguito all’applicazione dell’algoritmo maggiormente performante nella predizione ovvero l’algoritmo Linear Regression sono stati ottenuti i seguenti risultati:

• ·         Bosnia con una variazione aumentativa da un valore pari a 71,24 fino ad un valore pari a 80,62 ovvero pari a 9,38 unità in valore assoluto equivalente al 13,17%;
• ·         Cipro con una variazione aumentativa da un ammontare pari a 106,72 fino ad u valore pari a 133,22 ovvero pari ad un valore di 26,50 unità pari a 24,83%;
• ·         Estonia con una variazione aumentativa da un ammontare pari a 151,41 fino ad un valore pari a 133,95 ovvero un valore pari a -17,46 unità pari a -11,53%;
• ·         Spagna con una variazione aumentativa da un ammontare pari a 108,87 fino ad un valore pari a 110,66 ovvero pari ad un ammontare di 1,79 unità pari a 1,65%;
• ·         Finlandia con una variazione diminutiva da un ammontare pari a 235,08 fino ad un valore di 228,80 ovvero pari ad un ammontare di -6,28 unità pari a -2,67%;
• ·         Croazia con una variazione aumentativa da un valore pari a 110,69 fino ad un valore di 120,89 unità ovvero pari ad un ammontare di 10,20 unità pari ad un valore di 9,22%;
• ·         Malta con una variazione diminutiva da un ammontare pari a 159,54 fino ad un valore pari a 150,91 ovvero pari ad una variazione di -8,63 pari a -5,41%;
• ·         Norvegia con una variazione aumentativa da un ammontare pari a 145,30 fino ad un valore pari a 169,09 ovvero pari ad una variazione di 23,79 unità pari a 16,38%;
• ·         Romania con una variazione diminutiva da un ammontare pari a 30,18 unità fino ad un valore di 24,45 unità ovvero pari ad un valore di -5,73 unità pari a -18,99%;
• ·         Slovenia con una variazione aumentativa da un ammontare pari a 136,90 unità fino ad un valore di 144,06 unità ovvero pari ad un valore di 7,17 unità equivalente al 5,24%;
• ·         Turchia con una variazione aumentativa da un ammontare pari a 25,81 unità fino ad un valore di 38,55 unità ovvero pari ad un valore di 12,75 unità pari a 49,39%;
• ·         Ucraina con una variazione aumentativa da un ammontare pari a 27,07 unità fino ad un valore di 31,03 ovvero pari ad un valore di 3,96 unità pari a 14,64%;

Il media il valore dell’utilizzo delle competenze informatiche nei paesi considerati ed in base all’utilizzo dell’algoritmo di machine learning “Linear Regression” è previsto in crescita da un ammontare pari a 109,07 fino ad un valore di 113,85 ovvero pari ad un valore di 4,79 unità pari a 4,39%.

Conclusioni. Il valore dell’utilizzo delle competenze informatiche è un indicatore rilevante della capacità di un paese di concorrere nelle nuove tecnologie. Coerentemente con i modelli di crescita economica classica e con i modelli di crescita economica endogena il ruolo delle tecnologie è essenziale insieme con la valutazione del capitale umano. Nel lungo periodo la capacità di un paese di produrre ricchezza, reddito e benessere per la popolazione dipende sostanzialmente dalla formazione del capitale umano soprattutto nelle tecnologie e nelle materie STEM-Science Technology, Engineering and Mathematics. In questo senso l’Europa mostra un’ampia eterogeneità con aree molto evolute, come per esempio la Finlandia e la Svezia ed aree molto arretrate come la Romania e la Macedonia del Nord. I policy makers europei dovrebbero realizzare delle politiche economiche per incrementare la capacità dei paesi europei di investire nelle competenze informatiche.