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.