La Percentuale dei Terreni Agricoli a Livello Mondiale

 

E’ diminuita in media dello 0,5% tra il 2010 ed il 2021

La Banca Mondiale calcola la percentuale dei terreni dedicati alla coltivazione agricola in percentuale dei terreni totali a livello paese. I terreni agricoli si riferiscono alla quota di superficie coltivabile, con colture permanenti e pascoli permanenti. I seminativi comprendono terreni definiti dalla FAO come terreni sottoposti a colture temporanee, prati temporanei per lo sfalcio o per il pascolo, terreni coltivati a mercato o orti e terreni temporaneamente incolti. Sono esclusi i terreni abbandonati a causa di spostamenti di coltivazione. La terra sotto colture permanenti è terra coltivata con colture che occupano la terra per lunghi periodi e non hanno bisogno di essere ripiantate dopo ogni raccolto, come cacao, caffè e gomma. Questa categoria comprende i terreni sotto arbusti da fiore, alberi da frutto, noci e viti, ma esclude i terreni sotto alberi coltivati per legname o legname. Il pascolo permanente è un terreno utilizzato per cinque o più anni per il foraggio, comprese le colture naturali e coltivate.

Ranking dei paesi per valore della percentuale di terreni destinati all’agricoltura nel 2020. Lesotho è al primo posto per percentuale di terreni destinati all’agricoltura nel 2020 con un valore pari a 85,64%, seguita dall’Arabia Saudita con un ammontare di 80,75%, dall’Uruguay con 80,35%, dal Sud Africa con 79,42%, e dal Kazakhstan con 79,27%. A metà classifica vi sono il Senegal con 46,11%, Sao Tome and Principe con 45,83%, Angola con 45,68%, Repubblica Ceca con 45,65%, Botswana con 45,63%, e Grecia con 45,52%. Chiudono la classifica The Bahamas con un valore di 1,40%, seguite dalla Northern Mariana Islands con 1,17%, Turks and Caicos Islands con 1,05%, Singapore con 0,92%, e Greenland con 0,59%, Suriname con 0,54%.

Ranking dei paesi per valore della variazione percentuale dei terreni destinati all’agricoltura tra il 2010 ed il 2020. San Marino è al primo posto per valore della variazione percentuale dei terreni destinati all’agricoltura con un valore pari a 130%, seguito da Israele con un valore di 28,13%, da Samoa con un valore di 21,2%, da West Bank and Gaza con un ammontare di 18,67%, e Repubblica del Congo con un ammontare di 18,09%. A metà classifica con un valore pari a zero vi sono un insieme di paesi, tra i quali Papua New Guinea, Russian Federation, Eswatini, Turks and Caicos Islands, Trinidad and Tobago, Tuvalu. Chiudono la classifica le Marshall Islands con un valore pari a -33,85%, seguite dalle Seychelles con un valore di -35,42%, dal Sudan con -35,68%, Montenegro con un valore di -49,62%, e da Northern Mariana Islands con un valore di -68,24%.

Clusterizzazione con algoritmo k-Means ottimizzato con il metodo di Elbow. Di seguito viene presentata una clusterizzazione effettuata con algoritmo k-Means ottimizzato con il metodo di Elbow.

• ·         Cluster 1: Uzbekistan, Afganistan, Ungheria, Guinea, Armenia, El Salvador, China, Malawi, Ghana, Romania, The Gambia, Tuvalu, India, Kyrgyz Republic, Cuba, Paesi Bassi, Sierra Leone, Spagna, Francia, Eritrea, Marshall Islands, Tunisia, Mozambico, Grecia, Lussemburgo, Messico.
• ·         Cluster 2: Nauru, Antigua and Barbuda, Cameroon, Cabo Verde, Myanmar, Chile, Iraq, Peru, Puerto Rico, Corea del Nord, Maldive, Liberia, Islanda, Estonia, Timor-Leste, American Samoa, St. Vincent And the Grenadine, St. Kittis and Nevis, Samoa, Corea del Sud, Grenada, Algeria, Fiji, Venezuela, St Lucia, Malaysia, Vanuatu, Ecuador, Montenegro, Israel, Croazia;
• ·         Cluster 3: Malta, Zambia, Ethiopia, Austria, Dominica, Micronesia, Cambodia, Congo, Guam, Mali, Liechtenstein, Indonesia, Slovenia, Honduras, Benin, Latvia, Tajikistan, Bolivia, Georgia, Panama, Costa Rica, Guatemala, Nepal, Nigeria, Iran, Brazil, Guinea Bissau, Vietnam, Barbados, San Marino;
• ·         Cluster 4: Bermuda, Guyana, Qatar, United Arab Emirates, Canada, Hong Kong, Equatorial Guinea, Oman, Belize, Solomon Islands, Sweden, Finland, Egypt, Seychelles, Central African Republic, Norway, Northern Mariana Islands, Papua New Guinea, Brunei Darussalam, Gabon, Kuwait, Libya, The Bahamas, Turks and Caicos Islands, Singapore, Palau, Greenland, Suriname, Lao PDR, New Caledonia, Trinidad and Tobago, Aruba, Bahrain, Virgin Islands, Cayman Islands, Jordan, Japan, Cyprus, Russian Federation, French Polynesia, Bhutan, Congo;
• ·         Cluster 5: Mongolia, Djibouti, Turkmenistan, Rwanda, Uganda, Ukraine, United Kingdom, Eswatini, Nigeria, Comoros, Bangladesh, Syrian Arab Republic, Somalia, Madagascar, Lesotho, Moldova, Burundi, Togo, Isle of Man, South Africa, Kazakhstan, Saudi Arabia, Faroe Islands, Uruguay, West Bank and Gaza, Morocco, Haiti, Cote d’Ivoire, Denmark, Ireland, Lebanon.
• ·         Cluster 6: Yemen, United States, Belgium, Burkina Faso, Sri Lanka, Angola, Albania, Czechia, Tanzania, Botswana, Thailand, Mauritius, Italy, Bosnia and Herzegovina, Belarus, Sao Tome and Principe, Nicaragua, Bulgaria, Kiribati, Zimbabwe, British Virgin Islands, Lithuania, Senegal, Argentina, Philippines, Paraguay, Namibia, Pakistan, Poland, New Zealand, Tonga, Jamaica, Germany, Andorra, Colombia, Portogallo, Australia, Kenya, Serbia, Chad, Slovak Republic, North Macedonia, Sudan, Dominican Republic, Turkey, Switzerland, Mauritania.

Dal punto di vista della mediana è possibile individuare il seguente ordinamento dei clusters ovvero: C5=71,32>C1=57,71>C6=44,38>C3=32,99>C2=20,29>C4=7,42.

Conclusioni. I dati analizzati mostrano che in media la percentuale dei terreni agricoli è diminuita dello 0,5 tra il 2010 ed il 2021. Vi sono dei paesi che hanno ancora una elevata percentuale di terreni agricoli come, per esempio, i paesi del Cluster 5. In media la percentuale di terreni agricoli a livello nel 2021 è pari ad un ammontare di 37,25%. I paesi del Cluster 5 hanno un valore mediano della percentuale dei terreni agricoli pari ad un ammontare di 71,32%. Le motivazioni che spingono i paesi ad incrementare la percentuale di terreni agricoli possono essere sia di tipo geografico che di tipo economico. Tal punto di vista geografico è probabile che vi siano dei paesi che hanno una particolare condizione che consente lo sviluppo efficiente del settore agricolo. Tuttavia, vi possono essere anche delle motivazioni economiche che possono portare un paese ad incrementare la percentuale di terreni agricoli. Si tratta di paesi che hanno un reddito pro-capite ridotto e che hanno delle difficoltà nell’implementazione dei sistemi industriali e del settore dei servizi. Infatti, i paesi che hanno una percentuale elevata del settore dei servizi in termini di PIL tendono anche ad avere una riduzione della percentuale dei terreni destinati all’agricoltura.  

 

La Distribuzione dei Terreni Agricoli Irrigui a Livello Mondiale

 

Tra il 2010 ed il 2020 è cresciuta in media del 4,8%

 

La Banca Mondiale calcola la percentuale dei terrei agricoli irrigui in percentuale dei terreni agricoli totali. I terreni agricoli irrigati si riferiscono alle aree agricole appositamente fornite di acqua, comprese le terre irrigate mediante allagamento controllato. Il dataset presenta molti missing values e quindi per molti paesi la serie storica è mancante.

Ranking dei paesi per valore dei terreni agricoli irrigati nel 2020. Il Bangladesh è al primo posto per valore dei terreni agricoli irrigati con un valore pari a 82.08%, Suriname con 71,43% e Pakistan con 52,66%. A metà classifica vi sono Danimarca con 9,01%, Giordania con 8.10% e Oman con 7.40%. Chiudono la classifica la Bielorussia con 0,37%, la Mongolia con 0,05% e l’Islanda.

Ranking dei paesi per valore della variazione percentuale dei terreni agricoli irrigati tra il 2010 ed il 2020. La Romania è al primo posto per valore della variazione percentuale dei terreni agricoli irrigati tra il 2010 ed il 2020 con un valore di 491,43%, seguita dalla Serbia con 109,04%, e dalla Repubblica Slovacchia con il 63,29%. A metà classifica vi sono Azerbaijan con un valore di 3,97%, seguita dall’Armenia con 3,65% e dalla Turchia con 3,31%. Chiudono la classifica l’Australia con -12,6%, seguita dalla Giordania con -15,81% e dalle Mauritius con -16,41%.

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. L’analisi mette in evidenza la presenza di due clusters costituiti come di seguito ovvero:

•         Cluster 1: Serbia, Repubblica Slovacca, Romania, Ucraina, Repubblica Ceca, Australia, Afganistan, Slovenia, Bielorussia, Armenia, Giordania, Kirghizistan, Spagna, Turchia, Ecuador, Albania, Emirati Arabi Uniti, Mauritius;

•         Cluster 2: Pakistan, India, Suriname, Malta; Azerbaigian.

Calcolando la mediana dei clusters per ciascun elemento è possibile individuare il seguente ordinamento dei clusters ovvero C2=39,96>C1=7,3.

Machine learning and predictions. Di seguito viene presentata una analisi di machine learning per la predizione del valore futuro della percentuale dei terreni agricoli irrigui. Gli algoritmi sono analizzati in base alla loro capacità di massimizzare l’R-squared e di minimizzare il MAE, l’MSE e RMSE. Gli algoritmi sono stati addestrati con l’80% dei dati mentre il restante 20% dei dati sono stati utilizzati per la predizione vera e propria. Per ciascun indicatore viene realizzato un ranking. I ranking vengono sommati. L’algoritmo che ha il ranking minore viene considerato come l’algoritmo “Best Predictor”. Viene quindi individuato il seguente ordinamento dei clusters ovvero:

• •         ANN-Artificial Neural Network con un payoff pari a 5;
• •         Tree Ensemble Regression con un payoff pari a 7;
• •         PNN-Probabilistic Neural Network con un payoff pari a 12;
• •         Random Forest Regression con un valore del payoff pari a 16;
• •         Gradient Boosted Trees Regression con un valore del payoff pari a 20;
• •         Simple Regression Tree con un valore del payoff pari a 24;
• •         Polynomial Regression con un valore del payoff pari a 28;
• •         Linear Regression con un valore pari a 32.

Pertanto applicando l’algoritmo best predictor ovvero l’ANN è possibile predire il futuro andamento della variabile analizzata per i seguenti paesi:

• •         Armenia con una crescita del +5.97%;
• •         Repubblica Ceca con +245,27%;
• •         Spagna con +1,09%;
• •         Kyrgyz Republic con +5,48%;
• •         Mauritius con +11,70%;
• •         Suriname con -18,92%,
• •         Slovenia con +195,69%.

L’applicazione dell’algoritmo best predictor mette in evidenza un andamento sostanzialmente crescente del valore della percentuale dei terreni agricoli irrigati nei paesi analizzati.

Network analysis con l’utilizzo della distanza di Euclidea. Di seguito viene presentata una network analysis con l’utilizzo della distanza euclidea. Vengono individuati in modo particolare due strutture a network delle quali una semplificata ed una complessa.

In modo particolare:

• •         Slovacchia e Ucraina sono connesse in una relazione avente valore pari a 0,033.

Esiste una struttura a rete complessa come indicata di seguito ovvero:

• •         L’Australia ha una connessione con la Slovenia per un valore pari a 0,23 unità, con la Repubblica Ceca per un valore pari a 0,021 unità, e con la Bielorussia per un valore di 0,029 unità;
• •         La Slovenia ha una connessione con l’Australia per un valore di 0,023 unità, con la Repubblica Ceca per un valore di 0,021 unità, e con la Bielorussia per un valore di 0,012 unità;
• •         La Bielorussia ha una connessione con l’Australia per un valore di 0,029 unità, con la Slovenia per un valore di 0,021 unità con la repubblica Ceca per un valore di 0,033;
• •         La Repubblica Ceca ha una connessione con la Slovenia per un valore di 0,021 unità, con l’Australia per un valore di 0,012, e con la Bielorussia per un valore pari a 0,033.

Ovviamente la presenza di relazioni di network non sta ad indicare la presenza di una relazione del tipo causa-effetto. Infatti, la network analysis non implica la causalità. Si tratta piuttosto di mettere in evidenza delle relazioni nella struttura dei dati dei paesi che tendono ad avere andamenti similari a livello metrico.

Conclusioni. La percentuale dei terreni agricoli irrigui è cresciuta in media del 4,48% tra il 2010 ed il 2020 nei paesi analizzati. Il dataset della Banca Mondiale presenta molti missing data. Sono tanti i paesi assenti nel dataset della World Bank. Ne deriva che il risultato è certamente parziale e non può essere generalizzato oltre i paesi esplicitamente analizzati. Dall’analisi risulta che sono i paesi dell’Asia meridionale ad avere maggiore presenza di terreni irrigui. Tale analisi è compatibile con la struttura del PIL dell’India, dove la componente dell’agricoltura è ancora rilevante a causa dell’ancora ridotta industrializzazione e servitization. L’analisi predittiva mette in evidenza un ulteriore crescita dei terreni agricoli irrigui nei paesi analizzati. Tale crescita può essere dovuta alla capacità dei paesi considerati di sviluppare dei veri e propri vantaggi competitivi nell’agricoltura acquisendo un ruolo specifico nelle dinamiche del commercio internazionale. In ogni caso è possibile che cambiamenti bio-tecnologici indotti dalla ricerca scientifica nell’agricoltura possano indurre delle modificazioni nell’attuale struttura dei mercati agricoli a livello mondiale.

 

 

Il Tasso di Partecipazione alla Forza Lavoro a Livello Mondiale

 

Tra il 2013 ed il 2021 il valore della partecipazione alla forza lavoro è cresciuta in media dello 0,58%

La Banca Mondiale calcola il valore del tasso di partecipazione alla forza lavoro. Il tasso di partecipazione alla forza lavoro è la percentuale della popolazione di età compresa tra 15 e 64 anni che è economicamente attiva: tutte le persone che forniscono lavoro per la produzione di beni e servizi durante un determinato periodo.

Ranking dei paesi per tasso di partecipazione alla forza lavoro a livello mondiale nel 2021. Il Qatar è al primo posto per valore del tasso di partecipazione alla forza lavoro con un valore di 88,86%, seguito dal Madagascar con 86,43%, da Solomon Islands con 85,22%, Iceland con 84,86%, Svizzera con 83,58%. A metà classifica vi sono l’Indonesia con un valore di 68,20%, seguito dal Brunei Darussalam con 68,19, Costa Rica con 68,17, Congo Rep. Con 68,05, Nicaragua con 67,86. Chiudono la classifica la Mauritania con 41,59%, l’Iraq con 41,52%, Yemen con 39,00%, Somalia con 34,78%, Djibouti con 32,48%.

Ranking dei paesi per variazione percentuale del tasso di partecipazione alla forza lavoro a livello mondiale tra il 2013 e il 2021. L’Ungheria è al primo posto per valore della variazione del tasso di partecipazione alla forza lavoro con un ammontare di 17,88%, seguita da Malta con 16,68%, Albania con 14,57%, Maldives con 13,33%, Bosnia and Herzegovina con 13,15%. A metà classifica vi sono il Messico con -0,33%, Kuwait con -0,34%, Comoros con -0,36%, Congo Dem. Rep. con -0,38%, Costa Rica con -0,38%. Chiudono la classifica con Rwanda con -8,19%, Guinea con -8,86%, Benin con -10,29%, Egitto con -14,26%, Venezuela con -15,72%.

Clusterizzazione con algoritmo k-Means ottimizzato con il metodo di Elbow. Di seguito viene presentata una clusterizzazione con algoritmo k-Means ottimizzato con il metodo di Elbow. Vengono così individuati clusters ovvero:

• ·         Cluster 1: Burundi, Mozambico, Canada, Eritrea, Germania, Olanda, Corea del Nord, Nuova Zelanda, Norvegia, Bahamas, Vietnam, Liberia, Regno Unito, Angola, Kazakhstan, Bielorussia, Danimarca, Svezia, Emirati Arabi Uniti, Australia, Etiopia, Giappone , Estonia, Svizzera, Perù, Austria, Lettonia, Finlandia, Tanzania, Isole Salomone, Singapore, Madagascar, Islanda, Qatar, Lituania, Cina, Thailandia, Uruguay, Cambogia, Santa Lucia, Repubblica Ceca, Nigeria, Kenya, Barbados, Portogallo , Federazione Russa, Spagna, Kuwait;
• ·         Cluster 2: Iraq, Algeria, Tagikistan, Comoros, Mauritania, Nepal, Siria, Iran, Giordania, Yemen, Papua Nuova Guinea, Egitto, Moldavia, Somalia, Marocco, Gibuti, Sudan, Turkmenistan, Senegal, Gabon, Libia, Libano, Tunisia, India;
• ·         Cluster 3: Congo, Corea del Sud, Panama, Belgio, Malaysia, Brasile, Ucraina, Indonesia, Giamaica, Polonia, Grecia, Brunei Darussalam, Nicaragua, Vanuatu, Timor Est, Haiti, Zimbabwe, Malawi, Azerbaijan, Burkina faso, Ecuador, Costa Rica, Argentina, Lesotho, Romania, Belize, Ghana, Repubblica Centrafricana, Uganda, Congo Dem Rep., Ungheria, Armenia, Croazia, Bulgaria, Costa d'Avorio, Oman, Mauritius, Serbia, Bolivia, Cuba, Mali, Lussemburgo, Israele, Sud Sudan, Bhutan, St. Vincent e Grenadine, Albania, Repubblica Slovacca, Stati Uniti, Trinidad e Tobago, Cile, Macedonia del Nord, Repubblica Dominicana, Honduras, Francia, Benin, Georgia, Italia, Irlanda, Malta, Colombia, Camerun , Cipro, Slovenia, Montenegro, Botswana, Bahrain, Paraguay, Repubblica del Kirghizistan, Messico.
• ·         Cluster 4: Sri Lanka, Samoa, Guinea Equatoriale, Togo, Sao Tome e Principe, Guinea Bissau, Nigeria, Arabia Saudita, Zambia, Tonga, Bangladesh, Guyana, Sierra Leone, Uzbekistan, Figi, Bosnia ed Erzegovina, Suriname, Turchia, Ciad, Guinea, Sud Africa, Ruanda, Gambia, Namibia, Guatemala, Capo Verde, Filippine, Laos, Maldive, El Salvador, Pakistan, Venezuela, Mongolia, Eswatini.

Dal punto di vista della mediana risulta evidente il seguente ordinamento dei clusters ovvero: C1=78,75>C3=68,68>C4=59,04>C2=45,72.

Machine Learning and predictions. Di seguito vengono proposti degli algoritmi di machine learning per la predizione del valore futuro del tasso di partecipazione al lavoro. Vengono confrontati otto diversi algoritmi in base alla loro capacità di massimizzare l’R-squared e di minimizzare gli errori statistici ovvero MAE, MSE, RMSE. Gli algoritmi sono stati addestrati con l’80% dei dati mentre il restante 20% è stato utilizzato per la predizione vera e propria. Viene quindi individuato il seguente ordinamento degli algoritmi ovvero:

• ·         Polynomial Regression con un valore del payoff pari a 4;
• ·         PNN-Probabilistic Neural Network con un valore del payoff pari a 11;
• ·         Linear Regression con un valore del payoff pari a 14;
• ·         Tree Ensemble Regression con un valore del payoff pari a 17;
• ·         Simple Regression con un valore del payoff pari a 18;
• ·         Random Forest Regression con un valore del payoff pari a 22;
• ·         Gradient Boosted Trees con un valore del payoff pari a 27;
• ·         ANN-Artificial Neural Network con un valore del payoff pari a 31.

Pertanto, attraverso l’applicazione dell’algoritmo best predictor ovvero il Polynomial Regression è possibile individuare dei paesi che sono considerati “winner”, ovvero dei paesi per i quali è predetta una crescita del valore del tasso di partecipazione alla forza lavoro, ed i paesi “losers”, ovvero paesi per i quali è predetta una riduzione del valore del tasso di partecipazione alla forza lavoro.

Winning countries. I paesi winner sono indicati di seguito ovvero: Egitto con il 60,15%, Guinea con 24,47%, Mauritania con 18,72%, India con 15,53%, Cabo Verde con 15,48%, Algeria con 15,24%, Bhutan con 12,49%, Malawi con 12,39%, Vietnam con 10,46%, El Salvador con 8,56%, Guatemala con 8,42%, Tanzania con 8,15%, Cuba con 5,88%, Mozambique con 5,51%, Eritrea con 5,24%, Timor Leste con 4,34%, Lesotho con 4,16%, Iceland con 4,06%, Congo Rep 3,62%, St Vincent and the Grenadines con 3,58%, South Sudan con 3,32%, Spain con 3,09%, Israel con 3,06%, Papua New Guinea con 2,91%, Turkmenistan con 2,18%, Togo con 1,83%, Zimbabwe con 1,57%, Bahrain con 1,37%, Messico con 1,33%, Ucraina con 1,27%, Eswatini con 1,05%, Macedonia del Nord con 0,46%, Costa d’Avorio con 0,33%.

Losing countries. I paesi per i quali è prevista una riduzione del valore del tasso di partecipazione alla forza lavoro sono: Qatar con -0,92%, Argentina con -1,61%, Norvegia con -1,79%, Nicaragua con -2,41 %, Italia con -2,53%, Paraguay con -4,69%, Finlandia con -6,25%, Lussemburgo con -7,02%, Repubblica Ceca con -7,36%, Singapore con -7,83% , Armenia con -7,95%, Slovenia con -11,43%, Nepal con -12,01%, Croazia con -12,08%, Libano con -12,36%, Giamaica con -14,63%, Cambogia con -14,74%, Azerbaigian con -15,02%, Moldavia con -17,25%.

Conclusioni. Il valore del tasso di partecipazione alla forza lavoro è cresciuto tra il 2013 ed il 2021 in media a livello mondiale. Inoltre, la predizione con algoritmo Polynomial Regression è predetto in crescita ulteriormente per un valore di 0,60%. Occorre considerare che il valore del tasso di partecipazione al mercato del lavoro di per sé non è rappresentativo di una condizione positiva per l’economia delle nazioni. Infatti, i paesi del cluster 1, ovvero i paesi che hanno un elevato livello del tasso di partecipazione al mercato del lavoro, sono molto eterogenei dal punto di vista del reddito pro-capite. Infatti, in questo cluster troviamo sia i paesi dell’Europa centro-settentrionale ovvero paesi a reddito pro-capite elevato, che paesi africani ed asiatici, ovvero paesi con reddito pro-capite ridotto. Inoltre occorre considerare che nel futuro è probabile che il tasso di partecipazione al lavoro potrebbe anche ridursi pure nella crescita del PIL a causa dell’applicazione degli algoritmi di intelligenza artificiale.

 

Il Food Production Index

 

E’ cresciuto tra il 2013 ed il 2021 in media del 10% per i paesi analizzati

 

L'indice di produzione alimentare copre le colture alimentari considerate commestibili e che contengono sostanze nutritive. Caffè e tè sono esclusi perché, sebbene commestibili, non hanno valore nutritivo.

Ranking dei paesi per valore della produzione alimentare nel 2021. Il Senegal è al primo posto per valore del Food Production Index con un valore pari a 177,74, seguito dal Qatar con un valore di 162,02 unità, dall’Arabia Saudita con 158,96, Djibouti con 144,13, e Oman con 143,95. A metà classifica vi sono Eswatini con 105,13 unità, seguito dal Gabon con 105.09, dalla Kyrgyz Republic con 104,94, Yemen con 104,92, Eritrea con 104,86, e Guatemala con 104,80. Chiudono la classifica Malta con 76,43, Timor Este con 76,34, St Lucia con 75,92, Gambia con 72,50 unità, Cuba con 68,31.

Ranking dei paesi per valore della variazione percentuale dell’indice della produzione alimentare tra il 2013 ed il 2021. Il Senegal è al primo posto per valore della variazione percentuale dell’indice della produzione alimentare tra il 2013 ed il 2021 con un valore pari a 119,59, seguito dal Qatar con un ammontare di 66,33 unità, Malawi con 64,91, Tajikistan con un valore di 63,58, e Mongolia con 59,2 unità. A metà classifica Papua New Guinea con un valore pari a 9,31, seguita da Central African Republic con 9,22, Jamaica con 8,9, Turkmenistan con 8,84, Gabon con 8,81, Burundi con 8,33. Chiudono la classifica St Lucia con -23,70, Malta con -24,7, Tonga con -25,9, Cuba con -29,82, Samoa -32,6, Gambia con -33,84. Tra il 2013 ed il 2021 il valore della variazione percentuale della produzione alimentare è cresciuto in media di circa il 10%.

Machine learning and predictions. Di seguito analizziamo otto diversi algoritmi di machine learning utilizzati per la predizione del valore futuro dell’indice della produzione alimentare. Gli algoritmi vengono classificati in base alla massimizzazione dell’R-squared e della riduzione degli errori statistici ovvero MAE-Mean Squared Error, MSE-Mean Squared Error, Root Mean Squared Error-RMSE. Gli algoritmi sono stati addestrati con l’80% dei dati disponibili mentre il restante 20% può essere utilizzato per la predizione vera e propria. L’ordinamento degli algoritmi è indicato come di seguito ovvero:

·         Polynomial Regression con un valore di 4 unità;

·         Gradient Boosted Trees con un valore di 10 unità;

·         Tree Ensemble Regression con un valore di 13 unità;

·         Random Forest Regression con un valore di 14 unità;

·         ANN-Artificial Neural Network con un valore di 21 unità;

·         Linear Regression con un valore di 22 unità;

·         Simple Regression Tree con un valore di 28 unità;

·         PNN-Probabilistic Neural Network con un valore di 32 unità.

L’algoritmo maggiormente evoluto è il Polynomial Regression con un valore di 4. Applicando l’algoritmo Polynomial Regression è possibile predire l’andamento futuro del Food Production Index. È possibile distinguere paesi winners, ovvero paesi per i quali è predetta una crescita del valore del Food Production Index, e paesi losers ovvero paesi per i quali è predetta una riduzione del valore del Food Production Index.

Paesi winners. Tra i paesi winners vi sono: St. Lucia con un valore di 241,86, Croazia con 166,00,  The Gambia con 140,42, Tonga con 81,91, Bosnia and Herzegovina con un valore di 67,98, Canada con 61,36, Maldive con 42,82, Iran con 30,32, Vanuatu con 29,35, Bahrain con 26,59, Rwanda con 25,13, Corea del Nord con 19,96, Grecia con 19,08, Paraguay con 16,62, Tunisia con 16,16, Sao Tome and Principe con 14,08, Lesotho con 11,46, Tailandia con 11,08, Austria con 10,43, Micronesia con 10,21, Filippine con 9,35, Djibouti con 9,21, Bielorussia con 7,91, Spagna con 7,59, Mozambico con 6,74, Guatemala con 6,48, Kazakhstan con 6,42, Comoros con 6,00, Yemen con 5,66, Georgia con 3,35, Grenada con 3,21, Papua New Guinea con 2,809, Svezia con 2,71, Nuova Zelanda con 1,32, Solomon Islands con 1,09, Italia con 0,96.

Paesi losers.  L’algoritmo best predictor predice anche i paesi losers, ovvero paesi per i quali è predetta una riduzione del valore del Food Production Index. Tali paesi sono St. Kittis and Nevis con -0,68, Malaysia con -1,38, Zambia con -1,43, Russian Federation con -1,99, Chad con -4,82, United Arab Emirates con -5,59, Uzbekistan con -7,30, Mauritania con -7,69, Bangladesh con -8,38, Ecuador con -9,87, Afghanistan con -10,08, Uganda con -11,07, Perù con -11,69, Bolivia con -12,33, Azerbaijan con -14,03, Senegal con -15,16, Pakistan con -16,91, Brunei Darussalam con -17,17, Saudi Arabia con -23,77, Qatar con -32,85, Portugal con -39,74.

Conclusioni. Il valore del Food Production Index è cresciuto in media del 10% tra il 2013 ed il 2021. I paesi leader nel Food Production Index sono Arabia Saudita, India, Mongolia. Occorre considerare che il valore del Food Production Index è calcolato come un indicatore a base 100. Pertanto, le variazione sono calcolate rispetto al periodo di riferimento ovvero il periodo 2014-2016. Più o meno tutti i paesi tendono ad avere una crescita marginale del valore del Food Production Index, con alcune eccezioni ovvero Myanmar, Venezuela, Iran e Canada. Ovviamente la riduzione del valore del Food Production Index può essere dovuto a motivazioni di tipo politico-economico come per esempio nel caso del Venezuela e dell’Iran, o per motivazioni strettamente economico ovvero il Canada. Lo sviluppo delle tecnologie in ambito agricolo dovrebbe portare ad una crescita del valore della produzione agricola e quindi ad una crescita ulteriore del valore del Food Production Index. Ne deriva pertanto che nel futuro il valore del Food Production Index dovrebbe continuare a crescere, anche con nuove metodologie di produzione agricola che potrebbero sostenere anche ulteriori aumenti della crescita della popolazione mondiale.