L’Impatto dell’innovazione tecnologica sulle vendite in Europa

 

È cresciuto del 16,05%  tra il 2014 ed il 2021

 

L’European Innovation Scoreboard-EIS calcola il valore dell’impatto dell’innovazione tecnologica sulle vendite. L’indicatore è costituito sulla base di tre diversi elementi ovvero: Esportazioni di prodotti a media e alta tecnologia, esportazioni di servizi ad alta intensità di conoscenza, e vendite risultanti di prodotti innovativi.

Ranking dei paesi europei per valore dell’impatto dell’innovazione tecnologica sulle vendite nel 2021. La Germania è al primo posto per valore dell’impatto dell’innovazione tecnologica sulle vendite con un ammontare pari a 125,56, seguita da Israele con un ammontare pari a 125,37 e dall’Irlanda con un ammontare pari a 121,91 unità. A metà classifica vi sono la Grecia con un ammontare pari a 91,42 unità, seguita dalla Slovenia con un ammontare pari a 82,31 e dalla Romania con un valore pari a 81,43. Chiudono la classifica l’Islanda con un ammontare pari a 34,67 unità, seguita dalla Bosnia con un valore pari a 27,24 e dal Montenegro pari ad un ammontare pari a 16,50 unità. In media il valore dell’impatto dell’innovazione tecnologica sulle vendite è stato pari ad un valore di circa 80,68% nel 2021.

Ranking dei paesi europei per variazione percentuale del valore dell’impatto dell’innovazione tecnologica sulle vendite tra il 2014 ed il 2021. La Bulgaria è al primo posto per valore della variazione percentuale dell’impatto dell’innovazione tecnologica sulle vendite nel periodo tra il 2014 ed il 2021 con un ammontare pari a 85,58% pari ad un valore di 23,41 unità, seguita dalla Lituania con un ammontare pari a 85,4% pari ad un valore di 20,77 unità, e dalla Grecia con un ammontare pari a 67,89% pari ad un ammontare di 36,97 unità. A metà classifica vi sono l’Italia con un ammontare pari a 14,03% pari ad un valore di 11,69 unità, seguita dalla Slovenia con un ammontare pari a 13,82% pari ad un valore di 9,99 unità e dal Montenegro con un valore pari a 9,05 % pari ad un valore di 1,37 unità. Chiudono la classifica l’Ucraina con un ammontare pari a -16,24% pari ad un ammontare di -7,4 unità, seguita dalla Turchia con un ammontare pari a -18,53% pari ad un valore di -15,34 unità, e dalla Danimarca con una variazione pari ad un valore di -24,95% pari ad un valore di -25,5 unità. Complessivamente per i paesi analizzati il valore dell’impatto dell’innovazione tecnologica sulle vendite è cresciuto di un ammontare pari a 16,05% pari ad un valore di 7,62 unità.

Clusterizzazione con algoritmo k-Means. Di seguito viene utilizzato l’algoritmo k-Means per individuare la presenza di clusters. Poiché l’algoritmo k-Means è supervisionato è necessario individuare un criterio per poter scegliere il numero ottimale dei clusters. A tal proposito viene utilizzato il coefficiente Silhouette. In base all’ottimizzazione del coefficiente di Silhouette sono individuati i seguenti clusters:

·         Cluster 1: Olanda, Repubblica Ceca, Slovacchia, Francia, Svizzera, Ungheria, Israele, Lussemburgo, Svezia, Belgio, Germania, Cipro, Finlandia, Reno Unito, Turchia, Danimarca, Irlanda, Austria, Italia, Spagna, Slovenia;

·         Cluster 2: Ucraina, Croazia, Lettonia, Bulgaria, Islanda, Macedonia del Nord, Norvegia, Lituania, Bosnia, Grecia, Montenegro, Portogallo, Polonia, Serbia, Romania, Estonia, Malta.

Calcolando il valore della mediana dei clusters risulta che il valore mediano dei paesi del cluster 1 C1 è pari a 97,42 mentre il valore della mediana del cluster 2-C2 è pari ad un valore di 59,67. Ne deriva pertanto il seguente ordinamento C1>C2. Come appare evidente dall’analisi realizzata risulta che esiste una contrapposizione tra l’Europa occidentale e l’Europa orientale in termini di impatto dell’innovazione tecnologica sulle vendite. La motivazione di tale contrapposizione può essere ricollegata alla mancanza di adeguato capitale umano nei paesi dell’Est Europa tale da poter sostenere una produzione di prodotti e servizi innovativi che possa trainare le vendite delle aziende tech.

 

Machine Learning and Prediction. Di seguito vengono analizzati otto diversi algoritmi di machine  learning per predire il valore dell’impatto dell’innovazione tecnologiche sulle vendite nei paesi europei. Gli algoritmi vengono classificati considerando le performance in termini di r-quadro e minimizzazione degli errori statistici. Il 70% del campione è stato utilizzato per l’apprendimento, mentre il restante 30% è stato utilizzato per la predizione vera e propria. L’ordinamento degli algoritmi in termini di performance è indicato di seguito:

• ·         Tree Ensemble Regression con un valore pari a 4;
• ·         Linear Regression con un valore pari a 8;
• ·         ANN con un valore pari a 12;
• ·         Gradient Boosted Tree con un valore pari a 17;
• ·         Random  Forest Regression con un valore pari a 19;
• ·         Simple Regression Tree con un valore pari a 25;
• ·         Polynomial Regression con un valore pari a 27;
• ·         PNN-Probabilistic Neural Network con un valore pari a 32.

Attraverso l’utilizzo dell’algoritmo maggiormente performante in termini di minimizzazione degli errori statistici e di massimizzazione dell’R-quadro, ovvero il Tree Ensemble Regression, sono stati ottenuti i seguenti risultati ovvero:

• ·         Austria con una variazione aumentativa da un ammontare di 27,244 fino ad un valore di 30,78 ovvero pari ad un ammontare di 3,5 unità pari ad un ammontare di 12,98%;
• ·         Belgio con una variazione diminutiva da un ammontare pari a 108,295 fino ad un valore pari a 97,191 ovvero pari ad un ammontare di -11,104 unità pari ad un valore di -10,25%;
• ·         Bulgaria con una variazione aumentativa da un ammontare pari a 105,388 unità fino ad un valore di 107,48 unità pari ad una variazione di 2,092 unità pari ad una variazione di 1,98%;
• ·         Cipro con una variazione aumentativa da un ammontare pari a 99,60 unità fino ad un valore pari a 100,04 unità ovvero pari ad un ammontare di 0,44 unità pari ad un valore di 0,44%;
• ·         Repubblica Ceca con una variazione da un ammontare di 12,55 unità fino ad un valore di 114,818 unità ovvero pari ad una variazione di -10,74 unità  pari ad un ammontare di -8,55%;
• ·         Lussemburgo con una variazione diminutiva da un ammontare di 97,41 unità fino ad una variazione di 95,88 unità ovvero pari ad una variazione di -1,533 unità pari ad una variazione di -1,57%;
• ·         Olanda con una variazione diminutiva da un ammontare di 63,96 unità fino ad una variazione di 56,65 unità ovvero pari ad una variazione di -7,31 unità pari ad una variazione di -11,42%;
• ·         Norvegia con una variazione aumentativa da un ammontare di 96,53 fino ad una variazione di 99,23 unità ovvero pari ad una variazione di 2,69 unità pari ad una variazione di 2,79%;
• ·         Portogallo con una variazione aumentativa da un ammontare di 64,77 unità fino ad una variazione di 72,64 unità ovvero pari ad una variazione di 7,86 unità pari ad una variazione di 12,14%;
• ·         Romania con una variazione aumentativa da un ammontare di 66,02 unità fino ad un valore di 69,19 unità ovvero pari ad una variazione di 3,16 unità pari ad una variazione di 4,79%;
• ·         Spagna con una variazione da 82,30 unità fino ad un valore di 77,88 unità ovvero pari ad una variazione di -4,4 unità pari ad una variazione di -5,3%;
• ·         Ucraina con una variazione diminutiva da un ammontare di 117,61 fino ad un valore di 114,311 unità ovvero pari ad una variazione di -3,306 unità pari ad una variazione di -2,8%.

In media il valore dell’impatto dell’innovazione tecnologica sulle vendite nei paesi considerati tende a diminuire da un ammontare di 87,89 unità fino ad una variazione di 86,34 unità ovvero pari ad una variazione di -1,55 unità pari ad una variazione di -1,76%.

Conclusioni. Il valore dell’impatto dell’innovazione tecnologica sulle vendite è cresciuto nei paesi europei tra il 2014 ed il 2021 del 16% circa. Occorre considerare che l’innovazione tecnologica e la ricerca e sviluppo sono delle determinanti essenziali soprattutto per le esportazioni. Tuttavia è necessario che i policy makers europei investano ulteriormente nell’Europa dell’Est per incrementare il valore dell’impatto dell’innovazione sulle vendite e stimolare la crescita economica attraverso le esportazioni di prodotti high tech.

L’affollamento degli istituti di pena nelle regioni italiane

 

Tra il 2008 ed il 2020 è diminuito di circa il 21,8%

L’Istat-BES calcola l’affollamento degli istituti di pena nelle regioni italiane. La variabile è calcolata come il valore percentuale di detenuti presenti in istituti di detenzione sul totale dei posti disponibili definiti dalla capienza regolamentare.

Ranking delle regioni per valore dell’affollamento degli istituti di pena nel 2020. La Puglia è al primo posto per valore dell’affollamento degli istituti di pena nel 2020 con un valore pari a 130,3 unità, seguita dal Molise con un valore pari a 129,5 unità e dal Friuli-Venezia Giulia con un ammontare pari a 128,8 unità. A metà classifica vi sono la Campania con un valore pari a 105,8 unità, seguita dall’Emilia Romagna con un valore pari a 104,9 unità, e dalla Toscana con un valore pari a 103,4 unità. Chiudono la classifica la Sicilia con un valore pari a 88,9 unità, seguita dal Trentino-Alto Adige pari ad un valore di 77,9 unità e dalla Sardegna con un valore pari a 77 unità.

Ranking delle regioni per valore della variazione percentuale dell’affollamento degli istituti di pena. Il Molise è al primo posto per valore della variazione percentuale dell’affollamento degli istituti di pena tra il 2014 ed il 2020 con un ammontare pari a 16,46% pari ad un ammontare di 18,3 unità, seguito dall’Umbria con un valore pari a 16,31% pari ad un ammontare di 13,6 unità, e dalle Valle d’Aosta con un valore pari a 15,71% pari ad un ammontare di 13,2 unità. A metà classifica vi sono la Toscana con un ammontare pari a -16,55% pari ad un ammontare di -20,5 unità, seguita dalla Lombardia con una variazione di -17,63% pari ad un ammontare di -26,5 unità e dalla Basilicata con un ammontare di -18,44% pari ad un ammontare di -22,5%. Chiudono la classifica la Sicilia con un valore pari a -37,96% pari ad un ammontare di -54,4 unità, seguita dal Trentino-Alto Adige con un ammontare pari a -41,16% pari a -54,5 unità a pari merito con l’Emilia-Romagna con un ammontare pari a -41,46% pari ad un valore di -74,3 unità. Mediamente tra il 2014 ed il 2020 il valore dell’affollamento degli istituti di pena nelle regioni analizzate è diminuito di un ammontare pari a -15,47%.

Macro-regioni italiane. Tra il 2008 ed il 2020 il valore dell’affollamento degli istituti di pena è diminuito in tutte le macro-aree italiane. Il Mezzogiorno è al primo posto per valore della riduzione dell’affollamento degli istituti di pena con un ammontare pari a -25,43% pari ad un valore di -33,6 unità, seguito dal Nord con un valore pari a -23,06% pari ad un ammontare di -34,3 unità, e dal Centro con una variazione pari ad un ammontare di -10,37% pari ad un valore di 12,3 unità. In senso complessivo in Italia il valore dell’affollamento degli istituti di pena è diminuito di un ammontare pari a -21,85% pari ad un ammontare di -29,5 unità.

Clusterizzazione con algoritmo k-Means. Di seguito viene analizzata una clusterizzazione per il tramite dell’utilizzo dell’algoritmo k-Means. L’algoritmo k-Means è un algoritmo supervisionato pertanto è necessario individuare autonomamente il numero dei cluster da utilizzare. Tuttavia, per ridurre la discrezionalità nella scelta dei clusters è possibile utilizzare il coefficiente Silhouette. Il coefficiente Silhouette varia tra -1 e +1. Viene quindi scelto il numero di clusters che hanno un valore del coefficiente Silhouette più elevato. Nell’analisi del coefficiente Silhouette il modello a tre clusters risulta avere il valore più elevato in termini del coefficiente Silhouette con un valore pari a 0.336 unità.

• ·         Cluster 1: Toscana, Piemonte, Umbria, Sicilia, Abruzzo, Basilicata, Valle D’Aosta, Marche, Calabria, Lazio, Campania, Molise;
• ·         Cluster 2: Lombardia, Puglia, Veneto, Friuli-Venezia Giulia, Emilia-Romagna, Liguria;
• ·         Cluster 3: Trentino-Alto Adige, Sardegna.

Con riferimento all’affollamento degli istituti di pena nel 2020 è possibile calcolare la mediana dei clusters per verificare la presenza di un ordinamento dei clusters. Nello specifico risulta che il cluster 2 è al primo posto per valore della mediana dell’affollamento degli istituti di pena con un ammontare pari a 122,25 unità, seguito dalle regioni del cluster 1 che hanno un valore della mediana pari ad un ammontare di 100,1 e dal cluster 3 con un ammontare pari a 77,45 unità. Ne deriva pertanto che il valore dell’ordinamento dei clusters è indicato di seguito ovvero: C2>C1>C3. Ne deriva pertanto che generalmente le regioni del Nord con l’eccezione della Puglia hanno un livello elevato di affollamento degli istituti di pena. Mentre le regioni maggiormente virtuose in termini di affollamento degli istituti di pena sono il Trentino-Alto Adige e la Sardegna. Ne deriva pertanto che le regioni del Nord soprattutto Lombardia, Veneto, Emilia-Romagna, Liguria e Friuli-Venezia Giulia, che totalizzano più di 20 milioni di abitanti necessitano di interventi di edilizia penitenziaria e di politiche di recupero dei detenuti, e misure alternative alla pena, che possano consentire di ridurre il valore dell’affollamento degli istituti di pena.

Conclusioni. In sintesi, è necessario considerare che tra il 2008 ed il 2020 l’affollamento degli istituti di pena è diminuito significativamente in tutte le macro-regioni italiane. Mediamente l’affollamento degli istituti di pena è diminuito del 21,8% tra il 2008 ed il 2020 in Italia. Vi sono tuttavia delle regioni in controtendenza dove l’affollamento degli istituti di pena è cresciuto come per esempio il Molise, la Valle d’Aosta e l’Umbria. Tuttavia, la clusterizzazione mostra che l’affollamento degli istituti di pena tende a crescere nelle regioni del Nord con l’eccezione del Trentino-Alto Adige che presenta invece livelli di affollamento degli istituti di pena ridotti. Nel Sud Italia, invece, la Puglia è al primo posto per valore dell’affollamento degli istituti di pena con livelli prossimi alle regioni del Nord. Occorre considerare che soprattutto nelle regioni del Nord è necessario intervenire sia con la costruzione di nuovi istituti penitenziari, sia con nuove pene che siano alternative alla detenzione oltre che con politiche della sicurezza e dell’educazione che siano in grado di prevenire e interdire i cittadini dall’esercizio delle attività criminali.

L’Occupazione nelle Imprese Innovative in Europa

 

È cresciuta del 10,7% in media tra il 2014 ed il 2021 per i paesi considerati

 

L’European Innovation Scoreboard-EIS calcola il valore del numero degli occupati in imprese innovative.

Ranking dei paesi europei per occupati nelle imprese innovative nel 2021. L’Estonia è al primo posto per valore degli occupati nelle imprese innovative con un ammontare pari a 176,58, seguita dalla Svizzera con un valore pari a 168,53 unità e dalla Germania con un valore pari a 160,98 unità. A metà classifica vi sono la Lituania con un valore pari a 106,46 unità, seguita dalla Francia con un valore pari a 102,75 unità, seguito dalla Croazia con un valore pari a 97,15 unità. Chiudono la classifica l’Ungheria con un valore pari a 18,58 unità, seguita dalla Polonia con un valore di 8,27 unità e dalla Romania con un valore pari a 0,00 unità.

Variazione del numero degli occupati nelle imprese innovative in Europa tra il 2014 ed il 2021.  Tra il 2014 ed il 2021 la variazione del numero degli occupati nelle imprese innovative è stato massimo in Lettonia con un valore pari a 194,5% equivalente ad un valore di 27,2 unità. La Lituania è al secondo posto con una variazione pari a 153,2% pari ad un valore di 64,4 unità, seguita da Cipro con una variazione pari a 123,5% pari ad un valore di 81,5 unità. A metà classifica vi sono la Repubblica Ceca con un valore pari a 8,5% pari ad un ammontare di 6,6 unità, seguita dalla Germania con un valore di 7,9% pari ad un valore di 11,8 unità e dalla Bosnia con un valore pari a 0,00%. Chiudono la classifica il Lussemburgo con un valore pari a -44,00% pari ad un ammontare di -57,9 unità, seguito dall’Irlanda con un valore pari a -55,9% pari ad un valore di -73,9 unità, e dalla Turchia con un valore pari a -57,2% pari ad un valore di -50,00 unità.

Clusterizzazione con algoritmo k-Means. Di seguito viene presentata una rappresentazione a cluster mediante l’utilizzo dell’algoritmo k-Means. Per scegliere il numero ottimale di clusters è stato utilizzato il coefficiente di Silhouette. Sono state fatte otto diverse ipotesi per scegliere il numero ottimale di clusters. Il cluster 2 ha un valore del coefficiente Silhouette pari a 0,501, il cluster 3 pari ad un valore di 0,518, il cluster 4 pari ad un valore di 0,429, il cluster 5 pari ad un valore di 0,430, il cluster 6 pari ad un valore di 0,378, il cluster 7 con un valore pari a 0,388, il cluster 8 con un valore pari a 0,380. Pertanto, è stato scelto il cluster a 3 con l’ottimizzazione del coefficiente di Silhouette. I cluster sono indicati di seguito:

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

Pertanto, analizzando il valore della mediana della variabile risulta il seguente ordinamento dei clusters ovvero: C2 con un valore pari a 137,134, seguito da C3 con un valore pari a 95,14 e da C1 con un ammontare pari a 30,35. Ne deriva pertanto che C2>C3>C1. Come risulta evidente dall’analisi a cluster le nazioni ad alto reddito in Europa sono anche le regioni che hanno una maggiore capacità di generare un impatto positivo in termini di occupazione attraverso le imprese innovative. Ne deriva che la presenza di sistemi economici evoluti è essenziale per fare in modo che gli impatti occupazionali potenziali delle imprese innovative diventino un elemento dell’economia reale.

 

Machine learning and predictions. Di seguito vengono analizzati otto diversi algoritmi per verificare la capacità predittiva. I dati sono analizzati considerando un insieme di parametri statistici ovvero MSE, RMSE, MAE e R-quadro. Ne deriva pertanto il seguente ordinamento di algoritmi:

• ·         kNN con un valore del payoff pari a 6;
• ·         Random Forest con un valore del payoff pari a 8;
• ·         SGD con un valore del payoff pari a 10;
• ·         Gradient Boosting con un valore del payoff pari a 17;
• ·         AdaBoost con un valore del payoff pari a 21;
• ·         Linear Regression con un valore del payoff pari a 22;
• ·         Tree con un valore del payoff pari a 28;
• ·         Neural Network con un valore del payoff pari a 32.

Applicando l’algoritmo kNN risulta che in media per i paesi considerati è prevista una riduzione dell’impatto dell’occupazione delle imprese innovative da un valore di 96 fino ad un valore di 92 ovvero una riduzione di -3,95 unità pari ad un valore di -4,10%.

Conclusione. In sintesi, risulta che in media tra il 2014 ed il 2021 il valore dell’impatto occupazionale delle imprese innovative per i paesi considerati è cresciuto di un ammontare pari a 10,78%. Tuttavia, dall’analisi a cluster risulta che i paesi che hanno un valore elevato di reddito hanno anche maggiore possibilità di ottimizzare la percentuale di occupati nelle imprese innovative. Ne deriva che la possibilità da parte delle nazioni di aumentare l’impatto occupazionale nelle imprese innovative dipende anche dal fatto che un paese abbia anche le istituzioni, le risorse di capitale umano e di capitale sociale necessarie. Tuttavia il main driver per aumentare l’impatto dell’occupazione nelle imprese innovative consiste nell’incremento del capitale umano, attraverso la formazione. Infatti i processi di ricerca e sviluppo e di innovazione tecnologica richiedono dei livelli elevati di conoscenze soprattutto nel settore delle discipline STEM-Science Technology Engineering and Mathematics. In questo senso è necessario che i policy makers europei realizzino dei programmi per la crescita della formazione professionale soprattutto nei paesi dell’Est Europa per fare in modo che vengano create delle imprese innovative grazie all’arricchimento del capitale umano.

References:

Laureti L., Costantiello A., Leogrande A., The Finance-Innovation Nexus in Europe, IJISET - International Journal of Innovative Science, Engineering & Technology, 2020/12, 7, 12, 11-55.

Costantiello A., Leogrande A., The Innovation-Employment Nexus in Europe, American Research Journal of Humanities and Social Sciences, 2020, 166-187.

Leogrande, A., Costantiello, A., Human Resources in Europe. Estimation, Clusterization, Machine Learning and Prediction, American Journal of Humanities and Social Sciences Research (AJHSSR) e-ISSN :2378-703X, Volume-5, Issue-9, pp-240-259.

Leogrande, A., Costantiello, A., Laureti, L., The Impact of Venture Capital Expenditures on Innovation in Europe, American Journal of Humanities and Social Sciences Research (AJHSSR) e-ISSN :2378-703X, Volume-5, Issue-10, pp-85-102.

Leogrande, A., Costantiello, A., Laureti, L., The Broadband Penetration in Europe, Journal of Applied Economic Sciences 3(73):324– 349.

 

Occupati nell’Economia della Conoscenza in Europa

 

Sono cresciuti dell’11% tra il 2014 ed il 2021

 

L’European Innovation Scoreboard-EIS calcola il valore degli occupati in attività ad alta intensità di conoscenza in Europa.

Ranking dei paesi europei per valore degli occupati nell’economia della conoscenza nel 2021. Israele è al primo posto per valore degli occupati nell’economia della conoscenza con un ammontare pari a 250,67 unità a parimerito con il Lussemburgo. Al secondo posto vi è la Norvegia con un ammontare pari a 216,00 unità seguita dall’Irlanda con un ammontare pari a 194,67 unità. A metà classifica vi sono la Slovenia con un valore pari a 118,67 unità, seguito dall’Italia con un ammontare pari a 114,67 unità e dall’Estonia con un ammontare pari a 113,33 unità. Chiudono la classifica la Romania con un ammontare pari a 25,33 unità, seguita dalla Macedonia del Nord con un ammontare pari a 17,33 e dalla Turchia con un ammontare pari a 10,67 unità.

Ranking dei paesi europei per valore della variazione percentuale degli occupati nei settori della conoscenza tra il 2014 ed il 2021. La Romania è al primo posto per valore della variazione percentuale degli occupati tra il 2014 ed il 2021 con un valore pari a 137,5% pari ad un ammontare di 14,67 unità, la Bulgaria è al secondo posto con un valore pari a 68,97% pari ad un ammontare del 26,67 unità, seguita dalla Norvegia con una variazione pari ad un ammontare di 68,75% pari ad un ammontare di 88 unità. A metà classifica vi sono l’Italia con un ammontare pari a 13,16% pari ad un valore di 13,33 unità, seguita dalla Francia con un valore pari a 12,05% pari ad un ammontare di 13,33 unità, e dal Lussemburgo con un valore pari a 9,3% pari ad un ammontare di 21,33 unità. Chiudono la classifica l’Ungheria con un valore pari a -4,41% pari ad un valore di -4 unità, seguita dalla Svizzera con una variazione di -6,25% pari ad un ammontare di -12,00 unità, seguito dall’Islanda con una variazione di -16,95% pari ad un ammontare di -26,67 unità.

Clusterizzazione con l’algoritmo k-Means. Di seguito viene realizzato un modello di clusterizzazione per il tramite dell’utilizzo dell’algoritmo k-Means. Tuttavia, essendo l’algoritmo k-Means non supervisionato è necessario scegliere uno strumento di ottimizzazione. A tal proposito viene impiegato il coefficiente Silhouette. 2 clusters con un valore del coefficiente Silhouette pari a 0,535, 3 clusters con un valore pari a 0,506, 4 clusters con un valore pari a 0,462, 5 clusters con un valore pari a 0,504, 6 clusters con un valore pari a 0,530, 7 clusters con un valore pari a 0,534, 8 clusters con un valore pari a 0,512. Pertanto, viene scelto un modello a 2 clusters così composti ovvero:

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

Calcolando il valore della mediana del valore degli occupati nell’economia della conoscenza risulta che i paesi del cluster 1 hanno un valore pari a 120,67 unità, mentre il valore del cluster 2 è pari ad un ammontare di 113,33 unità. Dall’analisi a cluster mette in evidenza la presenza di una contrapposizione tra l’Europa del Nord che ha livelli più elevati del valore degli occupati nell’economia della conoscenza, contrapposti all’Europa del Sud che invece ha dei valori più ridotti.

Ottimizzazione degli algoritmi predittivi attraverso il machine learning. In seguito è stato realizzato un modello di predizione attraverso il confronto tra 7 diversi algoritmi. I dati sono stati addestrati con l’80% dei dati e classificati sulla base della performance in termini di R-Quadro, MAE, MSE, RMSE. In base all’analisi realizzata risulta il seguente ordinamento ovvero:

• 1.      Linear Regression con un valore pari a 4;
• 2.      AdaBoost con un valore pari a 8;
• 3.      Gradient Boosting con un valore pari a 12;
• 4.      Random Forest con un valore pari a 16;
• 5.      Tree con un valore pari a 21;
• 6.      kNN con un valore pari a 23;
• 7.      Neural Network con un ammontare pari a 28.

 Di seguito viene applicato un modello di Linear Regression e vengono riportati i paesi per i quali è previsto un valore più alto e più basso della variazione. Tra i paesi maggiormente in crescita vi sono i seguenti cinque paresi ovvero:

• ·         Serbia con un valore pari a 35,29%;
• ·         Romania con un valore pari a 22,18%;
• ·         Lettonia con una variazione pari a 15,36%;
• ·         Spagna con un valore pari a 13,46%;
• ·         Slovenia con una variazione pari a 10,65%.

Tra i paesi che invece hanno la maggiore variazione percentuale negativa vi sono:

• ·         Lituania con un ammontare di -17,02%;
• ·         Norvegia con una variazione di -22,73%;
• ·         Macedonia del Nord con una variazione pari a -24,14%;
• ·         Slovacchia con una variazione pari a -27,44%;
• ·         Turchia con una variazione pari a -46,375%.

Conclusioni. Tra il 2014 ed il 2021 il valore degli occupati nell’economia della conoscenza in Europa è cresciuto di un ammontare pari a 11,33%. Tuttavia occorre considerare, come manifestato dalla  clusterizzazione che esiste una contrapposizione tra l’Europa del Nord, con livelli elevati, e l’Europa del Sud che ha livelli più ridotti. Infine attraverso l’utilizzo del machine learning è stato realizzato un confronto tra 7 diversi algoritmi in termini di MAE, MSE, RMSE e R2. Viene quindi scelto l’algoritmo best predictor ovvero l’algoritmo di Linear Regression applicando il quale sono stati individuati i paesi che best performer e worst performer. In sintesi le politiche economiche dovrebbero intervenire per ridurre il divario tra l’Europa del Nord e l’Europa del Sud in termini di occupazione nell’economia della conoscenza.

Reference

Leogrande A, Costantiello, A, Laureti, L., Leogrande, D. The Determinants of Design Application in Europe (November, 05, 2021)

Laureti, L., Costantiello, A., Matarrese, M., Leogrande, A., The Employment in Innovative Enterprises in Europe (January 1, 2022). Available at SSRN: https://ssrn.com/abstract=

Laureti, Lucio and Costantiello, Alberto and Matarrese, Marco and Leogrande, Angelo, Enterprises Providing ICT Training in Europe (January 29, 2022). Available at SSRN: https://ssrn.com/abstract=

Laureti, Lucio and Costantiello, Alberto and Matarrese, Marco and Leogrande, Angelo, Foreign Doctorate Students in Europe (February 11, 2022). Available at SSRN: https://ssrn.com/abstract=

Laureti, Lucio and Costantiello, Alberto and Leogrande, Angelo, Satisfaction with the Environmental Condition in the Italian Regions between 2004 and 2020 (March 19, 2022). Available at SSRN: https://ssrn.com/abstract=

 

 

L’Impatto Occupazionale dell’Innovazione in Europa

 

È cresciuto del 10% tra il 2014 ed il 2021

 

L’European Innovation Scoreboard-EIS calcola il valore dell’impatto dell’innovazione sull’occupazione attraverso la somma di due sotto indicatori ovvero occupazione in attività ad alta intensità di conoscenza e occupazione nelle imprese innovative.

Ranking dei paesi europei per valore dell’impatto dell’innovazione sull’occupazione nel 2021. Israele è al primo posto per valore dell’impatto occupazionale dell’innovazione con un valore pari a 207,88, con la Norvegia al secondo posto con un valore pari a 175,58 seguita dalla Svizzera con un ammontare pari a 173,29. A metà classifica vi sono il Montenegro con un ammontare pari a 116,45 unità, seguito dall’Irlanda con un ammontare pari a 114,70 unità, e dalla Francia con un valore pari a 111,56 unità. Chiudono la classifica la Polonia con un ammontare pari a 31,93, seguita dalla Turchia con un ammontare di 26,35 e dalla Romania con un ammontare pari a 10,50 unità.

Ranking dei paesi europei per valore della variazione percentuale dell’impatto dell’innovazione sull’occupazione tra il 2014 ed il 2021. La Romania è al primo posto per valore percentuale della variazione dell’impatto dell’innovazione sull’occupazione con un ammontare pari a 137,5 unità pari ad un valore di 6,08%, seguita dalla Lituania con un valore pari a 111,04% pari ad un ammontare di 48,2 unità e dalla Norvegia con un ammontare pari a 87,03% pari ad un ammontare di 81,7 unità. A metà classifica vi sono la Svezia con un ammontare pari ad un valore di 13,15% pari ad un ammontare di 17,88 unità, seguita dal Montenegro con una variazione pari ad un valore di 8,78% pari ad un valore di 9,4 unità, e dal Regno Unito con un ammontare pari a 7,31% pari ad un ammontare di 10,4 unità. Chiudono la classifica il Portogallo con un ammontare di -18,74% pari ad un valore di -15,32 unità, seguito dall’Irlanda con un ammontare pari a -28,56% pari ad un valore di -45,85 unità e dalla Turchia con un valore di -48,55% pari ad un valore di -24,86 unità.

Clusterizzazione con l’algoritmo k-Means. Di seguito viene proposta una clusterizzazione per verificare la presenza di raggruppamenti nell’interno dei paesi considerati. L’algoritmo utilizzato per la clusterizzazione è denominato k-Means. K-Means è un algoritmo supervisionato ovvero è necessario che l’osservatorio decida il numero di clusters prima di realizzare l’analisi. Ne deriva che per ridurre la discrezionalità nella scelta del numero ottimale dei clusters viene ad essere utilizzato il coefficiente Silhouette. Il coefficiente Silhouette varia tra -1 e 1 e tende a migliorare con l’approssimarsi a 1. Nello specifico sono stati ottenuti i seguenti valori in termini di coefficiente Silhouette ovvero: Cluster 2 con un valore pari a 0,518, cluster 3 con un valore pari a 0,478, cluster 4 con un valore pari a 0,439, cluster 5 con un valore pari a 0,434, cluster 6 con un valore pari a 0,386, cluster 7 con un valore pari a 0,383, cluster 8 con un valore pari a 0,340. Pertanto, è stato scelto il numero di cluster associato al coefficiente di Silhouette più elevato ovvero il cluster 2. Attraverso l’applicazione del cluster 2 è stato possibile ottenere i seguenti raggruppamenti a cluster:

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

Considerando il valore della mediana della variabile costituita dall’impatto occupazionale dell’innovazione risulta che il valore mediano del cluster 1 è pari a 130,6385 ed il valore mediano del cluster 2 è pari ad un valore di 54,44 unità. Ne deriva che il cluster 1 è maggiore del cluster 2. Come è evidente dall’analisi dei clusters risulta che l’Europa è divisa in due parti ovvero l’Europa occidentale- con eccezione della Spagna- dove il valore dell’impatto occupazionale dell’innovazione è alto e l’Europa orientale con un valore dell’impatto occupazionale dell’innovazione più ridotto. Tale dicotomia risulta essere dovuta anche al ritardo delle istituzioni e delle organizzazioni produttive nell’Est Europa. Occorre quindi che i policy makers intervengano per creare una maggiore convergenza tra l’Europa occidentale e l’Europa orientale nel senso delle ricadute occupazionali dell’innovazione.

Machine Learning and prediction. In seguito, è stata realizzata una attività di predizione attraverso l’utilizzo di sette diversi algoritmi di machine learning. Gli algoritmi sono stati organizzati in base alla loro capacità di massimizzare l’MSE; l’RMSE, il MAE e l’R2. È stato ottenuto il seguente ordinamento degli algoritmi ovvero:

• ·         Gradient Boosting con un valore pari a 5;
• ·         AdaBoost con un valore pari a 7;
• ·         Tree con un valore pari a 12;
• ·         Random Forest con un valore pari a 16;
• ·         Linear Regression con un valore pari a 20;
• ·         kNN con un valore pari a 24;
• ·         Neural Network con un valore pari a 28.

Attraverso l’applicazione del Gradient Boosting è possibile calcolare la differenza tra il valore predetto ed il valore della serie storica per i 38 paesi considerati. L’analisi mostra una riduzione del valore dell’impatto occupazionale dell’innovazione per un ammontare pari ad un valore di -0,4%.

Conclusione. L’impatto occupazionale dell’innovazione tecnologica in Europa è cresciuta di un ammontare pari ad un valore di 10,64% tra il 2014 ed il 2021 ovvero una variazione pari ad un ammontare di 10,17 unità. Tuttavia, a fronte di questa crescita generalizzata, l’analisi a cluster ha messo in evidenza la presenza di una contrapposizione tra l’Europa Occidentale che ha un elevato livello dell’impatto occupazionale dell’innovazione e l’Europa Orientale più arretrata. Ne deriva che le politiche economiche dell’Unione Europa dovrebbero investire significativamente per ridurre il divario tra l’Europa occidentale e l’Europa orientale facilitando la convergenza. L’Europa presenta un certo ritardo rispetto a USA e Cina in termini di innovazione tecnologica, ricerca e sviluppo ed economia della conoscenza. Ridurre il divario tra l’Europa dell’Est e l’Europa occidentale potrebbe consentire di aumentare la dotazione di imprese e occupati nel settore dell’innovazione tecnologica incrementando anche l’impatto in termini di produzione di valore aggiunto.

Reference

Laureti, L., Costantiello, A., Matarrese, M., & Leogrande, A. (2022). Foreign Doctorate Students in Europe. Available at SSRN 4032975.

Laureti, Lucio, Alberto Costantiello, Marco Maria Matarrese, and Angelo Leogrande. Enterprises Providing ICT Training in Europe. University Library of Munich, Germany, 2022.

Laureti, L., Costantiello, A., Matarrese, M. M., & Leogrande, A. (2022). The Employment in Innovative Enterprises in Europe. University Library of Munich, Germany.

Costantiello, Alberto, Lucio Laureti, Angelo Leogrande, and Matarrese Marco. The Innovation Linkages in Europe. University Library of Munich, Germany, 2021.

Costantiello, A., Laureti, L., De Cristoforo, G., & Leogrande, A. (2021). The Innovation-Sales Growth Nexus in Europe (No. 106858). University Library of Munich, Germany.