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.