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.
Nessun commento:
Posta un commento