L’IT per la Sostenibilità Ambientale in Europa

 

Mediamente tra il 2014 ed il 2021 è aumentato del 112,22% per i paesi Desi

 

Il DESI Index calcola la capacità delle imprese di utilizzare le tecnologie informatiche per il rispetto dell’ambiente. I dati sono disponibili tra il 2014 ed il 2021 per i paesi DESI con esclusione del Regno Unito.

Il ranking dei paesi DESI per valore dell’utilizzo delle tecnologie informatiche per la sostenibilità ambientale nel 2021. Il Portogallo è al primo posto per utilizzo delle tecnologie informatiche nelle aziende per la sostenibilità ambientale con un valore pari a 7,93, seguito dal Lussemburgo con un valore pari 7,14 e dalla Finlandia con un valore pari a 6,66 unità. A metà classifica vi sono la Romania con un ammontare di 5,41 unità, seguita dall’Irlanda con un valore pari a 5,31 e dalla Lettonia con un valore pari a 5,05 unità. Chiudono la classifica il Belgio con un valore pari a 3,65 unità, seguito dalla Francia con un valore pari a 3,50 e dalla Danimarca con un valore pari a 3,40 unità. Mediamente il valore dell’utilizzo delle tecnologie informatiche per la sostenibilità da parte delle aziende nei paesi DESI nel 2021 è stato pari ad un ammontare di 5,34 unità.

Ranking dei paesi DESI per valore della variazione percentuale tra il 2014 ed il 2021. La Danimarca è al primo posto per valore percentuale della capacità delle imprese di utilizzare le tecnologie ICT per la sostenibilità ambientale con un valore pari a 176,44% pari ad un ammontare di 2,17 unità, seguita dalla Francia con un valore pari a 168,79% pari ad un ammontare di 2,20 unità e dal Belgio con un valore pari a 159,73% pari ad un ammontare di 2,24 unità. A metà classifica ci sono la Lettonia con un valore pari a 109,33% pari ad un ammontare di 2,64 unità, seguita dall’Irlanda con un valore pari a 104,42% pari ad un ammontare di 2,71 unità, e dalla Romania con un valore pari a 102,56% pari ad un ammontare di 2,74 unità. Chiudono la classifica la Finlandia con un valore pari a 86,71% pari ad un ammontare di 3,10 unità, seguita dal Lussemburgo con un valore pari a 82,59% pari ad un ammontare di 3,23 unità e dal Portogallo con un valore pari a 77,12% pari ad un ammontare di 3,45 unità. Mediamente il valore dell’utilizzo delle tecnologie informatiche per la sostenibilità ambientale è cresciuto di un ammontare pari a 112,22% tra il 2014 ed il 2021.

Machine Learning e Predizioni. Di seguito viene ad essere realizzata una analisi di machine learning per la predizione del valore futuro dell’utilizzo delle tecnologie IT per la sostenibilità ambientale. Gli algoritmi sono stati ottimizzati attraverso la minimizzazione degli errori statistici MAE, MSE, RMSE e la massimizzazione dell’R2. Il learning rate per l’addestramento degli algoritmi è pari all’80% del dataset utilizzato.  Viene quindi presentata la seguente classifica dell’ordinamento degli algoritmi ovvero:

• ·         SGD con un valore del payoff pari a 4;
• ·         AdaBoost con un valore del payoff pari a 9;
• ·         Gradient Boosting con un valore del payoff pari a 13;
• ·         Linear Regression con un valore del payoff pari a 17;
• ·         Random Forest con un valore del payoff pari a 18;
• ·         kNN con un valore del payoff pari a 25;
• ·         Tree e SVM con un valore del payoff pari a 29;
• ·         Costant con un valore del payoff pari a 36;
• ·         Neural Network con un valore del payoff pari a 40.

Pertanto l’algoritmo maggiormente performante in termini predittivi è il SGD. Attraverso l’applicazione dell’algoritmo SGD è possibile verificare le seguenti predizioni per i paesi ovvero:

• ·         Romania con una variazione da 5,4178 fino a 5,929 ovvero pari ad una variazione di 0,5113 pari ad un ammontare di 9,4365%;
• ·         Danimarca con una variazione aumentativa da un ammontare di 3,4075 fino ad un valore di 3,409 ovvero pari ad una variazione di 0,0016 pari ad un ammontare di 0,0472%;
• ·         Francia con una variazione diminutiva da un ammontare di 3,5092 fino ad un valore di 3,509 ovvero una variazione pari ad un ammontare di -0,004 unità pari ad un valore di -0,0117%;
• ·         Germany con una variazione da un ammontare di 3,8371 fino ad un valore di 3,834 ovvero una variazione pari ad un ammontare di -0,0034 unità pari ad un ammontare di -0,0981%;
• ·         Estonia con una variazione da un ammontare di 4,6032 fino ad un valore di 4,597 unità ovvero pari ad una variazione di -0,0063 unità, pari a -0,136%;
• ·         Belgio con una variazione da un ammontare di 3,652 unità fino ad un valore di 3,647 unità ovvero pari ad una variazione di -0,0055 unità pari ad un ammontare di -0,1517%;
• ·         Polonia con una variazione da un ammontare di 4,2376 fino ad un valore di 4,231 ovvero pari ad una variazione di un ammontare di -0,0069 unità pari ad una variazione di -0,1638%; +
• ·         Italia con una variazione diminutiva da un ammontare di 4,322 unità fino ad un valore di 4,319 unità ovvero una variazione di -0,0074 unità pari ad un valore di -0,1706%;
• ·         Paesi Bassi con una variazione da un ammontare di 4,798 unità fino ad un valore di 4,789 unità ovvero pari ad una variazione di -0,0094 unità pari ad un valore di -0,1949%;
• ·         Lettonia con una variazione da un ammontare di 5,0568 unità fino ad un valore di 5,046 unità ovvero pari ad una variazione di -0,0109 unità pari ad un ammontare di -0,2165%;
• ·         Repubblica Ceca con una variazione da un ammontare di 3,6829 unità fino ad un valore di 3,675 unità ovvero pari ad una variazione di -0,0081 unità pari ad un ammontare di -0,221%;
• ·         Cipro con una variazione da un ammontare di 4,9091 fino ad un valore di 4,897 unità ovvero pari ad una variazione di -0,0124 unità pari ad una variazione di -0,2528%;
• ·         Croazia con una variazione da un ammontare di 6,4212 fino da un valore di 6,404 unità ovvero pari ad una variazione di -0,0178 unità pari ad una variazione di -0,2769%;
• ·         Ungheria con una variazione da un ammontare di 5,0201 unità fino ad un valore di 5,006 unità pari ad una variazione di -0,0141 unità pari ad un ammontare di -0,2801%;
• ·         Slovacchia con una variazione da un ammontare di 6,5853 fino ad un valore di 6,566 unità ovvero pari ad una variazione di -0,0195 unità ovvero pari ad un ammontare di -0,2954%;
• ·         Irlanda con una variazione da un ammontare di 5,311 unità fino ad un valore di 5,29 unità ovvero una riduzione di -0,0159 unità pari ad un ammontare di -0,2984%;
• ·         Bulgaria con una variazione da un ammontare di 5,4184 fino ad un valore di 5,402 unità ovvero pari ad una variazione di -0,0164 unità pari a -0,3021%;
• ·         Spagna con una variazione da un ammontare di 6,5804 unità fino ad un valore di 6,559 unità ovvero pari ad un ammontare di -0,0212 unità pari ad un ammontare di -0,3223%;
• ·         Svezia con una variazione da un ammontare di 6,2043 unità fino ad un valore di 6,183 unità ovvero pari ad una variazione di -0,021 unità pari ad un ammontare di -0,3388%;
• ·         Finlandia con una variazione da un ammontare di 6,6679 unità fino ad un valore di 6,645 unità ovvero pari ad una variazione di -0,0234 unità pari ad un ammontare di -0,3508%;
• ·         Slovenia con una variazione da un ammontare dei 6,3194 fino ad un valore di 6,295 ovvero una variazione pari ad un ammontare di -0,0241 unità pari ad un ammontare di -0,3822%;
• ·         Malta con una variazione da un ammontare di 6,3703 unità fino ad un valore di 6,345 unità ovvero pari ad una variazione di -0,0258 unità pari ad un ammontare di -0,4055;
• ·         Lituania con una variazione da un ammontare di 6,3138 fino ad un valore di 6,288 ovvero una variazione pari ad un ammontare i -0,0256 unità pari ad un ammontare di -0,4063%;
• ·         Portogallo con una variazione da un ammontare di 7,9333 unità fino ad un valore di 7,9 unità ovvero pari ad una variazione di un ammontare pari a -0,0336 unità pari a -0,4396%;
• ·         Austria con una variazione da un ammontare di 5,6576 unità fino ad un valore di 6,533 unità ovvero pari ad una variazione di -0,0249 unità pari ad un ammontare di -0,4396%;
• ·         Lussemburgo con una variazione diminutiva da un ammontare di 7,1429 unità fino ad un valore di 7,11 unità ovvero pari ad un ammontare di -0,0334 unità pari ad un ammontare di -0,4677%;
• ·         Grecia con una variazione da un ammontare di 5,0208 unità fino ad un valore di 4,729 unità ovvero pari ad una variazione di -0,2915 unità pari ad una variazione di -5,8055%.

Conclusioni. Come è evidente dall’analisti svolta le imprese hanno difficoltà ad utilizzare le tecnologie IT nel senso della creazione di sostenibilità ambientale. Non vi è quindi un chiaro segnale di connessione tra il mondo tech ed il mondo green e questo potrebbe ridurre le probabilità di successo nella lotta contro l’inquinamento ed il cambiamento climatico. Inoltre, occorre considerare che le tecnologie informatiche tendono ad essere energivore ed ad avere un impatto negativo in termini di produzione di CO2.

 

L’Utilizzo dell’AI nelle Imprese in Europa

 

Nel 2021 in media il 6,74% delle imprese dei paesi DESI ha implementato l’AI

Il DESI Index calcola il valore della variabile “Artificial Intelligence” che è definita come percentuale delle imprese che utilizzano almeno 2 tecnologie di intelligenza artificiale. I dati fanno riferimento al periodo compreso tra il 2014 ed il 2021.

Ranking dei paesi europei per valore di artificial intelligence nel 2021. La Repubblica Ceca e Malta sono al primo posto per valore dell’artificial intelligence nel 2021 con un valore pari a 10,60, seguita dall’Austria con un valore pari a 9,78 e dalla Grecia con un ammontare pari a 9,03. A metà classifica vi sono la Germania con un valore pari a 7,37, seguita dalla Belgio con un ammontare pari a 6,41 e dalla Spagna con un valore pari a 5,98. Chiudono la classifica Cipro con un valore pari a 3,96, seguita dall’Irlanda con un valore pari a 3,76, e dalla Slovacchia con un ammontare paria 3,66. Complessivamente il valore medio dell’utilizzo dell’AI è stato pari a 6,74 nei paesi DESI nel 2021.

Ranking dei paesi DESI per variazione assoluta dell’Artificial Intelligence tra il 2014 ed il 2021.  La Repubblica Ceca e Malta sono al primo posto con un valore della variazione assoluta dell’artificial intelligence pari ad un ammontare di 4,78, seguita dall’Austria con un valore pari a 4,41 e dalla Grecia con un valore pari a 4,08 unità. A metà classifica vi sono Belgio con un valore pari a 2,89, seguito dai Paesi Bassi con un valore pari a 2,84, e dalla Spagna con un valore pari a 2,70 unità. Chiudono la classifica Cipro con un valore pari a 1,79, seguito dall’Irlanda con un valore pari a 1,70 unità e dalla Slovacchia con un valore pari a -4,59%. Complessivamente il valore medio della variazione assoluta dell’utilizzo dell’AI è pari ad un ammontare di 2,78 unità.

Clusterizzazione con utilizzo dell’algoritmo k-Means ottimizzato con il metodo di Elbow. Di seguito viene presentato una clusterizzazione con l’algoritmo k-Means ottimizzato con il modello di Elbow. Il metodo di Elbow mostra la presenza di un modello di clusters pari a 4. Dal punto di vista della mediana dei clusters risulta che il valore del cluster 4-C4 è pari ad un ammontare di 10,6 unità, mentre il valore del Cluster 1-C1 è pari ad un ammontare di 8,37 unità, ed il valore del Cluster 2-C2 è pari ad un ammontare di 5,3 ed il valore del Cluster 3-C3 è pari ad un ammontare di 3,66. Ne deriva pertanto che il seguente ordinamento ovvero: C4=10,6>C1=8,37>C2=5,3>C3=3,66. Dal punto di vista geografico appare evidente la presenza di una dominanza dell’Austria e della Repubblica Ceca e dei paesi dell’Europa Centrale rispetto ai paesi dell’Est Europa.

Machine Learning and predictions. Di seguito viene realizzata una analisi di machine learning predittiva attraverso l’utilizzo di dieci diversi algoritmi. Gli algoritmi sono stati testati nella loro performance in base alla riduzione degli errori statistici ed alla massimizzazione dell’R2. Il valore del learning rate degli algoritmi è pari all’80%. Per determinare l’algoritmo maggiormente performante sono state effettuate 4 classifiche ciascuna per i 4 indicatori statistici utilizzati ovvero MSE, RMSE, R2, e MAE. A ciascun algoritmo è stato assegnato un ranking. I ranking degli algoritmi nelle varie classifiche sono stati sommati. Gli algoritmi con payoff minore sono quelli più in alto nella classifica. Ne deriva pertanto il seguente ordinamento degli algoritmi per capacità predittiva ovvero:

• ·         AdaBoost con un valore del payoff pari a 5;
• ·         Gradient Boosting con un valore del payoff pari a 9;
• ·         SGD con un valore del payoff pari a 13;
• ·         kNN con un valore del payoff pari a 17;
• ·         Random Forest con un valore del payoff pari a 19;
• ·         SVM con un valore del payoff pari a 24;
• ·         Linear Regression con un valore del payoff pari a 28;
• ·         Tree con un valore del payoff pari a 29;
• ·         Costant con un valore del payoff pari a 36;
• ·         Neural Network con un valore del payoff pari a 40.

Pertanto il migliore algoritmo per realizzare la predizione è AdaBoost.  Attraverso l’applicazione dell’algoritmo AdaBoost è possibile ottenere le predizioni relative al cambiamento dell’investimento delle imprese europee nell’AI. Occorre considerare che i risultati della predizione sono stati suddivisi in tre gruppi ovvero paesi winners, per i quali è predetta la crescita dell’investimento nell’AI, paesi losers per i quali tale andamento è sostanzialmente declinante e paesi per i quali l’investimento in AI è predetto senza variazioni rispetto al 2021.

L’algoritmo AdaBoost predice che per i seguenti paesi vi sarà una crescita dell’investimento nell’AI ovvero:

• ·         Slovacchia con una variazione aumentativa da un ammontare di 3,66 fino ad un valore di 4,41 ovvero una variazione pari ad un ammontare di 0,75 unità pari ad un valore di 20,51%;
• ·         Germania con una variazione aumentativa da un ammontare di 7,37 unità fino ad un valore di 7,95 unità ovvero una variazione pari ad un ammontare di 0,58 unità equivalente a circa il 7,83%;
• ·         Ungheria con una variazione aumentativa da un ammontare di 4,41 unità fino ad un valore di 4,71 unità ovvero una variazione pari ad un ammontare di 0,3 unità pari ad un valore di 6,7%;
• ·         Irlanda con una variazione aumentativa da un ammontare di 3,76 unità fino ad un valore di 3,96 unità ovvero una variazione pari ad un ammontare di 0,2 unità equivalente ad un valore di 5,25%;
• ·         Francia con una variazione aumentativa da un ammontare di 5,190 fino ad un valore di 5,4 unità ovvero pari ad una variazione di 0,22 unità pari ad un ammontare di 4,15%;
• ·         Svezia con una variazione aumentativa da un ammontare di 7,95 fino ad un valore di 8,25 unità ovvero pari ad una variazione di 0,3 unità pari ad un ammontare di 3,73%;
• ·         Slovenia con una variazione da un ammontare di 8,7 unità fino ad un valore di 8,97 unità ovvero una variazione di 0,27 unità pari ad un ammontare di 3,1%;
• ·         Italia con una variazione da un ammontare di 4,71 unità fino ad un valore di 4,82 unità ovvero pari ad una variazione di 0,11 unità pari ad una variazione di 2,41%;
• ·         Finlandia con una variazione da un ammontare di 5,4 unità fino ad un valore di 5,5 unità ovvero pari ad un ammontare di 0,1 unità equivalente ad una variazione di 1,81%;
• ·         Paesi Bassi con una variazione ad un ammontare di 6,3 unità fino ad un valore di 6,41 unità ovvero pari ad una variazione di 0,11 unità pari ad un ammontare di 1,8%;
• ·         Cipro con una variazione da un ammontare di 3,96 unità fino ad una variazione di 3,99 unità ovvero pari ad una variazione di 0,03 unità ovvero pari ad un ammontare di 0,81%;
• ·         Romania con una variazione da un ammontare di 8,25 unità fino ad un valore di 8,31 unità ovvero pari ad una variazione di 0,06 unità pari ad un ammontare di 0,78%;
• ·         Lituania con una variazione da un ammontare di 8,97 unità fino ad un valore di 9,03 unità ovvero pari ad una variazione di 0,06 unità pari ad un ammontare di 0,67%;
• ·         Portogallo con una variazione aumentativa da un ammontare di 8,37 unità fino ad un valore di 8,41 unità ovvero pari ad una variazione di 0,04 unità pari ad un ammontare di 0,48%.
• Vi sono inoltre due paesi ovvero la Repubblica Ceca e Malta per i quali l’algoritmo ha predetto una variazione pari a 0.

Ed infine vi sono dei paesi “losers” ovvero dei paesi per i quali l’algoritmo AdaBoost ha predetto una riduzione dell’investimento in AI ovvero:

• ·         Lussemburgo con una variazione ad un ammontare di 8,41 unità fino ad un valore di 8,37 unità ovvero una variazione pari a -0,04 unità pari ad un valore di -0,47%;
• ·         Bulgaria con una variazione diminutiva da un ammontare di 8,31 unità fino ad un valore di 8,25 unità ovvero pari ad una variazione di -0,06 unità pari ad una variazione di -0,78%;
• ·         Estonia con una variazione diminutiva da un ammontare di 3,99 unità fino ad un valore di 3,96 unità ovvero pari ad una variazione di -0,03 unità pari ad una variazione di -0,81%;
• ·         Belgio con una variazione da un ammontare di 6,41 unità fino ad un valore di 6,3 unità ovvero pari ad una variazione di -0,11 unità pari ad un ammontare di -1,77%.
• ·         Spagna con una variazione da un ammontare di 5,98 unità fino ad un valore di 5,88 unità ovvero pari ad una variazione di -0,11 unità ovvero pari ad un ammontare di -1,78%;
• ·         Croazia con una variazione da un ammontare di 5,5 unità fino ad un valore di 5,4 unità ovvero pari ad una variazione di -0,1 unità pari ad un ammontare di -1,79%;
• ·         Polonia con una variazione diminutiva da un ammontare di 4,71 unità fino ad un valore di -0,11 unità pari ad un valore di -2,35%;
• ·         Lettonia con una variazione da un ammontare di 5,65 unità fino ad un valore di 5,5 unità ovvero pari ad una variazione di -0,15 unità pari ad un ammontare di -2,68%;
• ·         Grecia con una variazione da un ammontare di 9,03 unità fino ad un valore di 8,7 unità ovvero pari ad un ammontare di -0,33 unità pari ad un ammontare di -3,65%;
• ·         Austria con una variazione da un ammontare di 9,78 unità fino ad un valore di 8,97 unità ovvero pari ad una variazione di -0,81 unità fino ad un valore di -8,24%.

Complessivamente il valore dell’utilizzo dell’AI per finalità di business è cresciuto da un ammontare di 6,74 fino ad un valore di 6,79 ovvero pari ad una variazione di 0,05 unità pari ad un ammontare di 1,39 in media per i paesi considerati.

Conclusioni. Complessivamente nel 2021 il valore dell’utilizzo dell’AI per finalità di business risulta essere ridotto, ovvero in media pari a 6,74. Ne deriva che le aziende hanno delle difficoltà ad utilizzare gli strumenti dell’intelligenza artificiale nello svolgimento delle attività di business. I limiti all’utilizzo dell’AI consistono nella mancanza di cultura aziendale, nella mancanza di cultura digitale, e nell’assenza di adeguate politiche economiche di incentivazione che possano agevolare le imprese nell’investimento nell’AI. La maggior parte delle imprese in Europa sono PMI. Le PMI mostrano riluttanza nell’utilizzo dell’AI nelle attività di produzione e gestione aziendale.

 

 

L’Uscita Precoce dal Sistema di Istruzione e Formazione nelle Regioni Italiane

 

E’ diminuita del 39% tra il 2004 ed il 2019 in media per le regioni italiane

 

L’Istat BES calcola il valore di una variabile denominata “Uscita Precoce dal Sistema di Istruzione e Formazione”. Tale variabile considera il numero di persone aventi una età compresa tra i 18 ed i 24 anni con al più il diploma di scuola secondaria di primo grado ovvero la licenzia media, che non sono in possesso di qualifiche professionali regionali ottenute in corsi con durata di almeno 2 anni e non inserite in un percorso di istruzione o formazione sul totale delle persone di 18-24 anni.

Ranking delle regioni per valore dell’uscita precoce dal sistema di istruzione e formazione. La Sicilia è al primo posto per valore dell’uscita precoce dal sistema di istruzione e formazione con un valore pari a 22,40, seguita dalla Calabria con un valore pari a 19,00 e dalla Puglia con un valore pari a 17,90. A metà classifica vi sono l’Emilia-Romagna con un valore pari a 11,30, seguita dal Molise con un valore pari a 11,00 e dal Piemonte con un valore pari a 10,80 unità. Chiudono la classifica le Marche con un ammontare pari a 8,70 unità, seguita dal Friuli-Venezia Giulia con un valore pari a 8,60 unità e dal Veneto con un valore pari a 8,40 unità. Mediamente nel 2019 il 12,60% delle persone in Italia nella fascia di età compresa tra i 18 ed i 24 anni sono state caratterizzate da un’uscita precoce dal sistema di istruzione e formazione.

Ranking delle regioni per variazione percentuale del valore dell’uscita precoce dal sistema di istruzione e formazione tra il 2004 ed il 2019. Il Trentino-Alto Adige è al primo posto per valore della riduzione percentuale dell’uscita precoce dal sistema di istruzione e formazione con un valore pari a 57,34% pari ad un ammontare di 12,5 unità, seguito dal Veneto con un valore pari a -54,35% pari ad un ammontare di -10 unità. Al terzo posto vi è il Piemonte con una variazione del valore dell’uscita precoce dal sistema di istruzione e formazione tra il 2004 ed il 2019 pari ad un ammontare di -52,63% equivalente ad un ammontare di -12,00 unità. A metà classifica vi sono la Puglia con un valore pari a -40,92% pari ad un ammontare di -12,4 unità, seguita dalla Sardegna con una variazione pari ad un ammontare di -40,86% pari ad un ammontare di -12,3 unità, e dalla Campania con una variazione pari ad un ammontare di -39,08% pari ad un ammontare di -11,1 unità. Chiudono la classifica la Sicilia con un valore pari a -26,56% pari ad un ammontare di -8,1 unità, seguita dal Lazio con un valore pari a -23,57% pari ad un ammontare di -3,7 unità e dalla Calabria con una variazione pari a -13,24% pari ad un ammontare di -2,9 unità. Complessivamente tra il 2004 ed il 2019 in media per le regioni italiane il valore dell’uscita precoce dal sistema di istruzione e formazione è pari ad un ammontare di -39,13% pari ad un ammontare di -8,19 unità.

Macro-Regioni Italiane. Il valore dell’uscita precoce dal sistema di istruzione e formazione è diminuito in tutte le macro-regioni italiane tra il 2004 ed il 2019. Nello specifico tra il 2004 ed il 2019 nel Nord Italia il valore dell’uscita precoce dal sistema di istruzione e formazione è diminuito di un ammontare del 49,52% ovvero di un ammontare pari a -10,30 unità da un ammontare di 20,8 unità fino ad un valore di 10,5 unità. Nel Centro Italia la percentuale delle persone che sono uscite precocemente dal sistema scolastico e della formazione è diminuita da un ammontare di -36,99% pari ad un valore di -6,40 unità. Nel Mezzogiorno il valore della percentuale delle persone che sono uscite precocemente dal sistema scolastico e dell’istruzione è diminuito dal 27,2% fino ad un valore del 18,2% ovvero di un ammontare pari a -9,40 unità pari ad un valore di -34,06%. L’Italia complessivamente ha sperimentato una riduzione della percentuale delle persone che sono uscite precocemente dal sistema dell’istruzione e della formazione da un ammontare di 23,1 nel 2004 fino ad un valore di 13,5 unità nel 2019 ovvero di un ammontare pari a -9,60 unità pari ad un ammontare di -41,56%.

Clusterizzazione con algoritmo k-Means. Viene di seguito proposta la clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. L’analisi mostra la presenza di due diversi clusters ovvero:

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

Calcolando la mediana del valore dell’uscita precoce dal sistema dell’istruzione e dalla formazione risulta che il valore mediano del Cluster 1-C1 è pari ad un ammontare di 10,4, mentre il valore mediano del cluster 2-C2 è pari ad un ammontare di 17,8. Ne deriva pertanto il seguente ordinamento ovvero: C2=17,8>C1=10,4. Dal punto di vista geografico è evidente che le regioni del sud hanno dei valori elevati dell’uscita precoce dal sistema dell’istruzione e della formazione con eccezione della Calabria, della Basilicata, del Molise e dell’Abruzzo.

Network Analysis con distanza di Manhattan. Di seguito viene realizzata una network analysis con distanza di Manhattan. In modo particolare vengono individuate 5 strutture a rete delle quali 4 sono semplici, ovvero biunivoche, e 1 è complessa. In modo particolare esiste una struttura a rete complessa tra Marche, Emilia-Romagna e Trentino-Alto Adige. Nello specifico:

• ·         Le Marche hanno una connessione con il Trentino-Alto Adige per un valore pari a 1, e con l’Emilia-Romagna per un valore pari a 0,94;
• ·         L’Emilia-Romagna ha una connessione con le Marche per un valore pari a 0,94 e con il Trentino-Alto Adige per un valore pari a 1;
• ·         Il Trentino-Alto Adige ha una connessione con le Marche per un valore pari a 1, e con l’Emilia-Romagna con un valore pari a 1.

Vi sono anche delle relazioni semplificate ovvero delle relazioni tra due regioni. In modo particolare:

• ·         La Puglia ha una connessione biunivoca con la Campania per un valore pari a 1,2;
• ·         La Lombardia ed il Piemonte sono connessi per un valore pari a 0,6 unità;
• ·         L’Umbria ed il Friuli-Venezia Giulia sono connesse per un valore pari a 1,2.

Conclusione. I dati dell’ISTAT-BES mostrano una riduzione significativa dell’uscita precoce dal sistema scolastico e della formazione in tutte le regioni e macro-regioni italiane. Ovviamente tale riduzione è più marcata nelle regioni del Nord e meno pronunciata nelle regioni del Sud. Tuttavia, occorre considerare che i datai analizzati sono pre-covid. È possibile infatti che il Covid abbia amplificato i fenomeni di abbandono scolastico e di uscita precoce dal sistema dell’istruzione e della formazione. Risulta che l’uscita precoce del sistema scolastico e della formazione è più bassa nelle regioni dove c’è un mercato del lavoro più dinamico ovvero nel Nord. Tale relazione è controfattuale. Si potrebbe infatti ipotizzare che le persone interrompono i percorsi scolastici e di formazione per svolgere attività lavorativa. Tuttavia il mercato del lavoro in Sicilia, Puglia e Campania sembra essere privo della capacità di assorbire lavoratori privi di scolarizzazione. E’ ancora più ridotta è la probabilità che tali fuoriusciti dal sistema dell’istruzione possano trovare dei redditi adeguati nel Sud Italia. Una delle possibili spiegazioni consiste nel mercato del lavoro illegale ed informale che potrebbe offrire “opportunità” a lavoratori in fuga dal sistema scolastico. Al contrario, nelle regioni con più offerta di lavoro vi sono maggiori possibilità che gli studenti finiscano gli studi scolastici. E’ probabile che in questo caso il più alto livello di reddito pro-capite possa costituire una “difesa” rispetto all’accesso a forme di mercato di lavoro nero per gli studenti che abbandonano gli studi. Infine occorre considerare che una parte degli studenti che fuoriescono dal sistema della formazione diventano NEET ovvero persone che non studiano e non lavorano.

 

 

I Servizi Cloud per l’Entrepreneurial Business in Europa

 

Sono aumentati del 139% tra il 2016 ed il 2021 per i paesi DESI

Il DESI index calcola il valore dei servizi in cloud utilizzati dalle imprese europee. In modo particolare i servizi cloud sono indicati come di seguito ovvero: hosting di database per le imprese, applicazioni software di contabilità, software CRM, e utilizzo del cloud per la potenza di calcolo. I dati sono disponibili per il periodo tra il 2016 ed il 2021. Tra i paesi del DESI non è compreso il Regno Unito.

Ranking dei paesi DESI per valore dell’utilizzo del cloud nel 2021. La Finlandia è al primo posto per valore dell’utilizzo dei servizi in cloud con un ammontare pari a 16,56, seguita dalla Svezia con un ammontare di 15,77 e dalla Danimarca con un ammontare di 15,10 unità. A metà classifica vi sono il Lussemburgo con un ammontare pari a 6,16 unità, seguito da Cipro con un valore pari a 5,97 unità e dalla Spagna con un valore pari a 5,74. Chiudono la classifica la Romania con un ammontare di 3,54%, seguita dalla Grecia con un valore di 3,02% e dalla Bulgaria con un ammontare di 2,02%.

Ranking dei paesi per variazione percentuale dell’utilizzo del cloud nel periodo tra il 2016 ed il 2021. L’Estonia è al primo posto per valore della variazione percentuale dell’utilizzo del cloud per finalità di business con un valore pari a 271,74 pari ad una variazione di 9,37 unità, seguita dall’Italia con una variazione pari ad un ammontare di 263,42% pari a 7,40 unità e dalla Polonia con un valore pari a 231,04% pari ad un ammontare di 2,73 unità. A metà classifica vi sono la Romania con un ammontare pari a 133,10% pari a un valore di 2,02 unità, seguita dalla Francia con un ammontare di 122,08% pari ad un ammontare di 3,15 unità e dal Portogallo con un valore pari a 117,37% pari ad un valore di 3 unità. Chiudono la classifica la Grecia con un valore pari a 68,13% pari ad un ammontare di 6,6 unità, seguita dalla Finlandia con un valore di 67,19% pari ad un ammontare di 6,6 unità e dalla Slovacchia con un valore pari a 36,98% pari ad un ammontare di 1,3 unità. Complessivamente il valore medio dell’utilizzo del cloud per finalità imprenditoriali è cresciuto del 139,81% nel passaggio tra il 2016 ed il 2021.

Clusterizzazione con utilizzo dell’algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Di seguito viene presentata una clusterizzazione con algoritmo k-Means ottimizzato attraverso il coefficiente di Silhouette. I dati mostrano la presenza dei seguenti clusters ovvero:

• ·         Cluster 1: Germania, Francia, Italia, Cipro, Austria, Repubblica Ceca, Portogallo, Ungheria, Lussemburgo, Lettonia, Slovacchia, Lituania, Romania, Grecia, Polonia, Bulgaria, Malta, Croazia, Estonia.
• ·         Cluster 2: Danimarca, Paesi Bassi, Svezia, Finlandia, Irlanda, Belgio.

Dal punto di vista dell’analisi della mediana dei clusters risulta che il valore mediano del cluster 1 è pari ad un ammontare di 5,56 mentre il valore del cluster 2 è pari ad un ammontare di 13,88. Pertanto, ne deriva il seguente ordinamento dei clusters ovvero: C2=13,88>C1=5,56. Dal punto di vista geografico risulta quindi che i paesi dell’Europa del Nord e dell’Europa scandinava hanno dei livelli molto più alti di utilizzo dei servizi cloud rispetto ai paesi dell’Europa centrale, meridionale e dell’Est. Tale differenza rispecchia una più ampia divergenza in termini di investimento nelle nuove tecnologie e capacità di produzione di valore aggiunto che aggrava significativamente il divario tra Nord e Sud Europa.

Network Analysis con l’utilizzo della distanza di Manhattan. Di seguito viene presentata una network analysis attraverso l’utilizzo della distanza di Manhattan. I dati mettono in evidenza la presenza di strutture a network complesse, ovvero costitute da più di due nodi, e strutture a network semplificate, ovvero costituite da due soli nodi.

Esiste una struttura a network complessa tra Repubblica Ceca, Francia, Lussemburgo, Portogallo, Italia. In modo particolare:

• ·         La Repubblica Ceca ha una connessione con la Francia per un ammontare pari a 0,17 e con il Portogallo per un ammontare pari a 0,084;
• ·         La Francia ha una connessione con la Repubblica Ceca per un ammontare pari a 0,17, con l’Italia per un ammontare pari a 0,11 unità, con il Portogallo per un ammontare pari a 0,1 e con il Lussemburgo per un ammontare pari a 0,13;
• ·      Il Lussemburgo ha una connessione con la Francia per un ammontare di 0,13 unità e con il Portogallo per un ammontare di 0,094;
• ·    Il Portogallo ha una connessione con la Francia per un ammontare di 0,1 unità, con il Lussemburgo per un ammontare di 0,094 unità, con l’Italia per un ammontare pari a 0,15 e con la Repubblica Ceca per un ammontare di 0,11 unità;
• ·         L’Italia ha una connessione con la Francia per un ammontare pari a 0,11 unità e con il Portogallo per un valore pari a 0,15 unità.

Esiste una connessione tra Austria, Germania e Ungheria. In modo particolare:

• ·         L’Austria ha una connessione con la Germania per un ammontare pari a 0,07 unità;
• ·    La Germania ha una connessione con l’Austria per un ammontare prai a 0,07 unità e con l’Ungheria per un valore pari a 0,18;
• ·         L’Ungheria ha una connessione con la Germania per un ammontare pari a 0,07 unità.

Inoltre sono presenti delle strutture a network semplificate ovvero:

• ·         Esiste una relazione positiva tra Bulgaria e Paesi Bassi per un ammontare pari a 0,11 unità;
• ·         Esiste una relazione tra Spagna e Lituania per un ammontare pari a 0,18 unità;
• ·         Esiste una relazione tra Paesi Bassi e Danimarca con un ammontare di 0,16 unità.

Conclusioni. Il novero delle imprese che hanno utilizzato dei servizi in cloud è cresciuto significativamente nel periodo tra il 2016 ed il 2021 per i paesi DESI. Tuttavia in termini di valore assoluto tali valori sono ancora bassi. Infatti sono pochi i paesi europei dove più del 10% delle imprese utilizza i servizi in cloud. Ne deriva che anche il cloud, come accade anche per i big data, è una tecnologia che per quanto sia stata promozionata come un pillar dell’industria 4.0 non è veramente entrata nella pratica aziendale delle imprese europee. I processi di innovazione tecnologica delle imprese e di digitalizzazione dei sistemi produttivi sono lenti. Le aziende fanno fatica a comprendere come usare le nuove tecnologie e ad intendere quali sono i benefici in termini di profitto, produttività e servizi offerti per i clienti. Vi sono ampi margini di profitto che vengono dispersi per il semplice fatto che le PMI non utilizzano le nuove tecnologie. In questo senso è necessario che il piano dell’Industria 4.0 venga adottato dal policy maker europeo con delle politiche economiche di incentivazione all’utilizzo delle nuove tecnologie soprattutto per le PMI.