Gli Individui con Competenze Digitali di Base nelle Regioni d’Italia

 Tra il 2014 ed il 2021 sono aumentati del 31,12%

 

L’Eurostat nell’ambito delle metriche del DESI calcola il valore degli individui con competenze digitali di base. Le competenze digitali si intendono le seguenti attività ovvero “Information Skills”, “Communication Skills”, “Problem Solving Skills”, “Software Skills”. Il livello viene considerato di base se le persone hanno una delle quattro competenze indicate.  

Ranking delle regioni italiane per valore degli individui con competenze digitali di base nel 2021. L’Emilia Romagna ed il Trentino Alto Adige  sono al primo posto per valore delle competenze digitali di base con un ammontare di 79,49, seguite da Lombardia, Veneto, Friuli Venezia Giulia e Lazio con un ammontare di 78,13. Chiudono la classifica il Molise, la Puglia e la Calabria con un ammontare di 64,54 e la Sicilia con un ammontare di 63,18.

Ranking dei paesi europei per valore della variazione percentuale del valore degli individui con competenze digitali di base tra il 2014 ed il 2021. La Basilicata è al primo posto per valore della variazione percentuale della presenza di individui con competenze digitali di base con un ammontare di +78,22% pari ad un ammontare di 28,92, seguita dalla Campania con un ammontare di 65,82% pari ad un ammontare di 26,7 unità e dal Molise con un ammontare di 52,38% pari ad un ammontare di 22,19 unità. A metà classifica troviamo la Toscana con un ammontare di 27,36% pari ad un ammontare di 16,49 unità, seguita dalla Valle d’Aosta con un ammontare di 25,10% pari ad un ammontare di 15,13 unità e dal Lazio con un ammontare di 22,34% pari ad un ammontare di 14,27 unità. Chiudono la classifica il Veneto con un ammontare di 15,84% pari ad un ammontare di 10,68 unità, seguita dal Trentino Alto Adige con un ammontare di 13,33% pari ad un ammontare di 9,35 unità e dalla Lombardia con un ammontare di 12,84% pari ad un ammontare di 8,89 unità. Complessivamente tra il 2014 ed il 2021 il valore delle persone con competenze digitali di base è cresciuto di un ammontare pari a 31,12% pari ad un ammontare di 16 unità.

Clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Di seguito viene presentata una clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Vengono quindi individuati due clusters ovvero:

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

Dal punto di vista della mediana dei clusters risulta che il valore del cluster 1-C1 è pari ad un ammontare 76,77 mentre il valore del Cluster 2-C2 è pari ad un ammontare di 64,54 unità. Dal punto di vista geografico risulta evidente una contrapposizione tra Centro-Nord, con elevati livelli di presenza di individui con competenze digitali di base, ed il Meridione con dei livelli di competenze digitali di base ridotte. Da questo punto di vista è necessario considerare che analizzando l’andamento delle variabili dal punto di vista delle macro-regioni ovvero Centro, Nord e Sud risulta evidente la convergenza del Centro e del Nord e la divergenza del Sud rispetto alle regioni maggiormente evolute. Infatti dal punto di vista strettamente geografico risulta che le regioni del Sud sono cresciute in  media del 44,29% tra il 2014 ed il 2021, mentre le regioni del Centro sono cresciute del 22,45% e le regioni del Nord del 19,01%. Tuttavia, nonostante le regioni del Sud abbiano recuperato molto in termini di presenza di individui con competenze digitali di base risulta ancora molto evidente il divario tra Centro-Nord e Sud.

Network analysis con distanza euclidea. Di seguito viene presentata una network analysis con la distanza euclidea. Viene individuata una struttura a network complessa ovvero:

• ·         La Sardegna ha una connessione con la Toscana per un ammontare di 0,44 unità;
• ·         La Toscana ha una connessione con la Sardegna per un ammontare di 0,44 unità, con le Marche per un ammontare di 0,49 unità, e con il Lazio per un ammontare di 0,44 unità;
• ·         Le Marche hanno una connessione con la Toscana per un ammontare di 0,49 unità, con il Lazio per un ammontare di 0,52 unità;
• ·         Il Lazio ha una connessione con la Toscana per un ammontare di 0,44 unità, con le Marche per un valore di 0,52 unità e con il Veneto per un ammontare di 0,48 unità;
• ·         Il Veneto ha una connessione con il Lazio per un ammontare di 0,48 unità.

Ovviamente la presenza di una network analysis non individua dei rapporti di causa-effetto quanto piuttosto mette in risalto delle dinamiche comuni tra le variabili e gli effetti di propagazione. Ovvero per esempio se il valore degli individui con competenze digitali di base cresce nelle Marche allora può propagarsi in Toscana ed in Lazio.

Machine Learning and Predictions. Di seguito viene presentato un confronto tra otto diversi algoritmi per la predizione del valore futuro degli individui con competenze digitali di base. Gli algoritmi sono confrontati in base alla massimizzazione dell’R-Squared e la minimizzazione degli errori statistici. Gli algoritmi sono stati addestrati con il 70% dei dati mentre il restante 30% dei dati è stato utilizzato per la predizione. L’ordinamento degli algoritmi in base alla loro performance predittiva viene individuato di seguito ovvero:

• ·         ANN-Artificial Neural Network con un valore del payoff pari a 4;
• ·         Simple Regression Tree con un valore del payoff pari a 8;
• ·         PNN-Probabilistic Neural Network con un valore del payoff pari a 14;
• ·         Tree Ensemble Regression con un valore del payoff pari a 19;
• ·         Random Forest Regression e Linear Regression con un valore del payoff pari a 22;
• ·         Polynomial Regression con un valore del payoff pari a 23;
• ·         Gradient Boosted Trees Regression con un valore del payoff pari a 32.

Attraverso l’applicazione del ANN sono predette le seguenti variazioni ovvero:

• ·         Puglia con una variazione positiva pari ad un ammontare di 268,08%;
• ·         Friuli Venezia Giulia con una variazione negativa pari ad un ammontare di -11,86%;
• ·         Emilia Romagna con una variazione negativa pari ad un ammontare di 10,13%;
• ·         Marche con una variazione positiva pari ad un ammontare di 3,88%;
• ·         Lazio con una variazione negativa pari ad un ammontare di -9,14%.

Mediamente il valore delle predizioni per le regioni analizzate è predetta in crescita di un valore pari a 48,16%.

Conclusioni. Il valore delle persone che hanno competenze digitali di base è cresciuto in tutte le regioni italiane tra il 2014 ed il 2021. Esiste una contrapposizione tra Centro-Nord Italia ed il Sud Italia con una riproposizione del divario socio-economico in versione digitale. Tra il 2014 ed il 2021 il tasso di crescita delle competenze digitali di base nel Sud è stato superiore al valore del Centro-Nord anche se persistono significative differenze. La crescita delle competenze digitali di base è necessaria per sostenere l’economia della conoscenza, l’innovazione tecnologica, la digitalizzazione e migliorare il capitale umano. Le competenze digitali di base sono necessarie non soltanto per svolgere attività lavorative quanto anche per usufruire al meglio dei servizi offerti dalla pubblica amministrazione e dalle imprese private. Infatti il tasso di innovativeness dei consumatori, e dei cittadini è l’elemento che sostiene la digitalizzazione a livello regionale, di macro-regione e nazionale.

La Mortalità Prevedibile e Curabile in Europa

 

Tra il 2011 ed il 2020 è diminuita del 7,65% per i paesi europei

La mortalità evitabile si riferisce a cause prevenibili e curabili della mortalità. La mortalità prevenibile si riferisce alla mortalità che può essere evitata attraverso efficaci interventi di salute pubblica e prevenzione primaria. La mortalità curabile può essere evitata attraverso interventi sanitari tempestivi ed efficaci, tra cui prevenzione e trattamento secondarie. La mortalità evitabile totale include una serie di malattie infettive, diversi tipi di tumori, malattie endocrine e metaboliche, nonché alcune malattie dei sistemi nervosi, circolatori, respiratori, digestivi, genitourinari, alcune malattie legate alla gravidanza, al bambino e al periodo perinatale, una serie di malformazioni congenite, effetti avversi delle cure mediche e chirurgiche, un elenco di lesioni e disturbi da alcol e droghe. I dati sono presentati come tassi di mortalità standardizzati, il che significa che sono adeguati a una distribuzione dell'età standard al fine di misurare i tassi di mortalità indipendentemente da diverse strutture di età delle popolazioni.

Ranking dei paesi europei per valore della mortalità evitabile nel 2020. La Romania è al primo posto per valore della mortalità evitabile con un ammontare di 593,2 unità, seguita dalla Lituania con un ammontare di 540,06 unità e dall’Ungheria con un valore pari a 529,99 unità. A metà classifica vi sono la Germania con un ammontare di 238,07, seguita dall’Austria con un valore di 235,44 unità e dalla Finlandia con un ammontare di 228,61 unità. Chiudono la classifica la Norvegia con un valore di 171,75 unità, seguita dalla Svizzera con un ammontare di 164,86 unità e dall’Islanda con un valore di 156,33 unità. Il valore medio della mortalità evitabile è nel 2020 è stato pari a 296,71.

Ranking dei paesi europei per valore della variazione percentuale della mortalità evitabile tra il 2011 ed il 2020.  La Bulgaria è al primo posto per valore della variazione percentuale della mortalità evitabile tra il 2011 ed il 2020 con un ammontare di 26,68% pari ad un ammontare di 11,49 unità, seguita dalla Serbia con un ammontare di 11,81% pari ad un ammontare di 51,62 unità, e dalla Polonia con un valore di 5,94% pari ad un valore di 23,48 unità. A metà classifica vi sono la Germania con un valore pari a -7,70% pari ad un ammontare di -19,86 unità, seguita dal Portogallo con un ammontare pari a -7,88% pari ad un valore di -19,22 unità, e seguita dalla Repubblica Ceca per un ammontare di -8,96% pari ad un ammontare di -33,46 unità. Chiudono la classifica la Norvegia con un ammontare di -21,88% pari ad un ammontare di -48,10 unità, seguita dall’Islanda con un valore di -22,72% pari ad un ammontare di -45,97 unità, pari ad un ammontare di -23,77% pari ad un ammontare di -65,27 unità. Complessivamente tra il 2011 ed il 2020 il valore della mortalità evitabile è diminuito del 7,65% pari ad un ammontare di -21,20 unità.

Clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Di seguito viene presentata una clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Vengono quindi ad essere individuati i seguenti clusters ovvero:

• ·         Cluster 1: Paesi Bassi, Norvegia, Svezia, Lussemburgo, Malta, Spagna, Islanda, Italia, Irlanda, Cipro, Portogallo, Belgio, Svizzera, Liechtenstein, Greece, Austria, Danimarca, Germania, Finlandia, Slovenia;
• ·         Cluster 2: Lettonia, Romania, Lituania, Ungheria;
• ·         Cluster 3: Croazia, Serbia, Polonia, Estonia, Slovacchia, Bulgaria, Repubblica Ceca.

Dal punto di vista della mediana risulta che il valore di C2 è pari a 535,02, mentre il valore di C3 è pari ad un ammontare di 418,88 unità e di C1 è pari ad un ammontare di 204,17 unità. Ne deriva pertanto il seguente ordinamento ovvero: C2>C3>C1. Ovviamente un elevato livello di mortalità evitabile deve essere considerato negativamente. Ne deriva pertanto che la mortalità evitabile e curabile è molto elevata nelle nazioni dell’Europa dell’Est mentre risulta essere ridotta nell’Europa dell’Ovest e soprattutto nei paesi del  Nord Europa e Scandinavi.

Network analysis con distanza euclidea. Di seguito viene presentata una network analysis mediante l’utilizzo della distanza euclidea. I dati mostrano la presenza di due strutture a network complesse ed una struttura a network semplificata. Esiste una struttura a network come indicata di seguito ovvero:

·         L’Austria ha una connessione con la Grecia per un ammontare di 0,077 unità e con la Germania per un ammontare di 0,11 unità;

·         La Grecia ha una connessione con l’Austria per un ammontare di 0,077 unità e con la Germania per un ammontare di 0,16 unità;

·         La Germania ha una connessione con la Grecia per un ammontare di 0,16 unità e con l’Austria per un valore di 0,11 unità.

Esiste inoltre una struttura a network complessa come indicata di seguito ovvero:

• ·         L’Italia ha una connessione con Cipro per un ammontare di 0,16 unità e con la Spagna per un ammontare di 0,11 unità;
• ·         La Spagna ha una connessione con l’Italia per un ammontare di 0,11 unità e con Cipro per un ammontare di 0,15 unità, con l’Islanda per un ammontare di 0,15 unità e con la Svezia per un ammontare di 0,083 unità;
• ·         Cipro ha una connessione con l’Italia per un ammontare di 0,16 unità e con la Spagna per un ammontare di 0,15 unità;
• ·         La Svezia ha una connessione con la Spagna per un ammontare di 0,083 unità, con la Norvegia per un ammontare di 0,11 unità, con l’Islanda per un ammontare di 0,14 unità e con l aFrancia per un ammontare di 0,15 unità;
• ·         La Norvegia ha una connessione con la Svezia per un ammontare di 0,11 unità e con la Francia per un ammontare di 0,14 unità;
• ·         L’Islanda ha una connessione con la Spagna per un ammontare di 0,15 unità, con la Svezia per un ammontare di 0,14 unità;
• ·         La Francia ha una connessione con la Svezia per un ammontare di 0,15 unità, con la Norvegia per un ammontare di 0,14 unità e con i Paesi Bassi per un ammontare di 0,093 unità;
• ·         I Paesi Bassi hanno una connessione con la Francia per un ammontare di 0,093 unità.

Esiste una struttura a network semplificata tra i seguenti paesi ovvero:

·         Finlandia e Danimarca sono connessi per un ammontare di 0,09 unità.

Conclusioni. La mortalità evitabile e curabile è diminuita in Europa tra il 2011 ed il 2020 del 7,65% per i paesi considerati in media. Tuttavia vi sono dei paesi per i quali nello stesso periodo la mortalità curabile ed evitabile è cresciuta come per esempio Bulgaria, Serbia e Polonia. Tali valori potrebbero essere più alti se considerati alla luce del Covid 19 che ha incrementato la mortalità evitabile e curabile in ogni paese. Il valore della mortalità evitabile e curabile potrebbe ulteriormente diminuire nel futuro a causa dell’utilizzo di strumenti di telemedicina. L’utilizzo dei dati e degli algoritmi predittivi può consentire di individuare le criticità assai prima che vengano manifestate attraverso l’analisi dei parametri biologici. La telemedicina offre anche rilevanti strumenti di supporto per il monitoraggio dei pazienti soprattutto affetti da silent killers, come diabete ed ipertensione. Nel futuro è assai probabile che anche la popolazione sana sia sottoposta a trattamento con dispositivi medicali per la predizione dei disease e l’intervento predittivo.

Il Lifelong Learning nelle Regioni Italiane

 

Tra il 2014 ed il 2021 è cresciuto in media del 20%

 

L’European Innovation Scoreboard-EIS calcola il valore del lifelong learning nelle regioni italiane. La variabile prende in considerazione la percentuale della popolazione avente una età compresa tra i 25 ed i 64 anni che sono impegnate nell’attività di apprendimento permanente.

Ranking delle regioni italiane per valore del lifelong learning nel 2021. Il Friuli-Venezia-Giulia è al primo posto per valore del lifelong learning con un ammontare di 110,10 unità, seguita dal Trentino-Alto Adige con un ammontare di 109,09 unità e dall’Emilia Romagna con un ammontare di 105,05 unità. A metà classifica vi sono la Lombardia con un ammontare di 91,92 unità, seguita dal Piemonte con un ammontare di 88,89 unità e dalla Sardegna con un ammontare di 85,86 unità. Chiudono la classifica la Calabria con un ammontare di 57,58 unità, seguita dalla Campania con un valore di 53,54 unità e dalla Sicilia con un ammontare di 48,49 unità.

Ranking delle regioni italiane per variazione del lifelong learning tra il 2014 ed il 2021. Il Veneto è al primo posto per valore della variazione del valore di lifelong learning con un  ammontare di 59,68% pari ad un ammontare di 37,37 unità, seguito dal Friuli Venezia Giulia con un ammontare di 45,33% pari ad un ammontare di 34,34 unità e dall’Emilia Romagna con un ammontare di 38,67% pari ad un ammontare di 29,29 unità. A metà classifica vi sono il Molise con un ammontare di 24,19% pari ad un ammontare di 15,15 unità, seguita dalla Puglia con un ammontare di 16,00% pari ad un ammontare di 8,08 unità. Chiudono la classifica la Sicilia con un ammontare di 0,00%, seguita dall’Abruzzo con un ammontare di -5,26% pari a -4,04 unità e dalla Campania con un valore di -7,02% pari ad un ammontare di -4,04 unità. In media tra il 2014 ed il 2021 il valore del lifelong learning è cresciuto in media del 20,90% pari ad un ammontare di 14,55%.

Clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Di seguito viene realizzata una clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Vengono quindi individuati due cluster ovvero:

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

Dal punto di vista della mediana isulta il seguente ordinamento dei clusters ovvero C1 con un valore di 94,94 e C2 con un ammontare di 58,58 unità. Dal punto di vista geografico risulta una dominanza delle regioni del cluster 1 rispetto al cluster 2 che si traduce in una manifestazione del divario Nord-Sud.

Network Anlaysis con l’utilizzo della distanza euclidea. Di seguito viene realizzata una network analysis con l’utilizzo della distanza euclidea. Esiste una struttura a network complessa come indicata di seguito ovvero:

• ·         La Campania ha una connessione con la Calabria per un ammontare di 0,54 unità;
• ·         La Calabria ha una connessione con la Campania per un ammontare di 0,54 unità e con la Puglia per un ammontare di 0,64 unità;
• ·         La Calabria ha una connessione con la Puglia per un ammontare di 0,64 unità.

Sono stati inoltre individuate le seguenti strutture a network semplificate ovvero:

• ·         L’Emilia Romagna ha una connessione con la Toscana per un ammontare di 0,71 unità;
• ·         La Liguria ha una connessione con la Lombardia per un ammontare di 0,64 unità;
• ·         Il Piemonte ha una connessione con la Valle d’Aosta per un ammontare di 0,3 unità;
• ·         La Sardegna ha una connessione con il Lazio per un ammontare di 0,67 unità.

Predizione con algoritmi di machine learning. Di seguito viene presentata un confronto con algoritmi di machine learning per predire il valore futuro del valore di lifelong learning nelle regioni italiane. Gli algoritmi sono stati addestrati con il 70% dei dati mentre la restante parte è stata utilizzata per realizzare l’attività di predizione vera e propria. Gli algoritmi sono  organizzati in base alla capacità di massimizzare l’R-quadro e la riduzione degli errori statistici MAE, MSE, RMSE. Ne deriva il seguente ordinamento degli algoritmi ovvero:

• ·         Random Forest Regression con un valore del payoff pari a 4;
• ·         Linear Regression con un valore del payoff pari a 9;
• ·         PNN-Probabilistic Neural Network con un valore del payoff pari a 11;
• ·         ANN-Artificial Neural Network con un valore del payoff pari a 16;
• ·         Tree Ensemble Regression con un valore del payoff pari a 20;
• ·         Simple Regression Tree con un valore del payoff pari a 24;
• ·          Gradient Boosted Trees Regression con un valore del payoff pari a 28;
• ·         Polynomial Regression con un valore del payoff pari a 32.

Applicando pertanto l’algoritmo Random Forest Regression è possibile individuare le seguenti predizioni per i seguenti paesi ovvero:

• ·         Campania con un valore pari a +235,87%;
• ·         Veneto con un valore pari a +137,41%;
• ·         Emilia Romagna con un valore pari  a +23,23%;
• ·         Umbria con una variazione pari a +0,89%;
• ·         Marche con una variazione pari a +23,23%;
• ·         Lazio con una variazione pari a +23,23%.

In media è prevista una crescita del valore del lifelong learning pari ad un ammontare di 73,98%.

Conclusioni. Complessivamente tra il 2014 ed il 2021 il valore del lifelong learning è cresciuto in media nelle regioni italiane del 20,90%. Nei dati è evidente la contrapposizione tra Nord e Sud. Il Nord infatti ha elevati livelli di lifelong learning rispetto ai corrispondenti valori del Sud. Tuttavia, la predizione con l’algoritmo Random Forest Regression individua un andamento crescente del valore di lifelong learning nel futuro sia a Nord che a Sud. Il passaggio all’economia della conoscenza richiede un impegno da parte della popolazione nella formazione permanente. La formazione permanente è anche necessaria per poter partecipare attivamente alla vita politica, economica e sociale. Inoltre la formazione permanente è richiesta anche per usufruire dei nuovi servizi che la pubblica amministrazione e le aziende offrono a cittadini e consumatori. Il crescente valore di innovativeness di beni e servizi pubblici e privati richiede una crescita della capacità cognitiva della popolazione che può essere acquisita anche grazie al lifelong learning.

Nota: i valori del Trentino Alto Adige sono calcolati come media tra i valori della Provincia Autonoma di Bolzano ed i valori della Provincia Autonoma di Trento.