L’APPLICAZIONE DELLE TECNOLOGIE DIGITALI PER IL BUSINESS IN EUROPA

È cresciuta del 65,52% in media tra il 2016 ed il 2021

L’APPLICAZIONE_DELLE_TECNOLOGIE_DIGITALI_PER_IL_BUSINESS_IN_EUROPA_EUROPA_Licenze_Creative_Commons.jpg

cms_26620/0.jpgNell’ambito del DESI-Index viene calcolata la variabile Digital Technologies for Business.

Si tratta di una variabile costituita da un insieme di sotto variabili, ovvero: Electronic Information Sharing, Social Media, Big Data, Cloud, AI, ICT for Environmental Sustainability, e-Invoices.

La variabile fa parte di una macro variabile più grande, ovvero Integration of Digital Technologies.

I dati sono disponibili nel periodo 2016-2021 per 27 paesi.

Ranking dei paesi europei per valore delle tecnologie digitali per il business nel 2021. La Finlandia è al primo posto per valore delle tecnologie digitali per il business con un valore pari a 41,10 unità, seguita dalla Svezia con un valore pari a 37,61 unità e dalla Danimarca con un valore pari a 36,45 unità. A metà classifica vi sono l’Austria con un valore pari a 26,95 unità, l’Estonia con un valore pari a 26,36 unità e la Spagna con un valore pari a 25,91 unità. Chiudono la classifica la Bulgaria con un valore pari a 17,06 unità, seguita dalla Polonia con un valore pari a 16,88 unità e dall’Ungheria con un valore pari a 15,41 unità.

Ranking dei paesi europei per variazione percentuale delle tecnologie digitali per il business tra il 2016 ed il 2021. L’Estonia è al primo posto per valore della variazione percentuale delle tecnologie digitali per il business tra il 2016 ed il 2021 con un valore pari a 113,54% ovvero pari ad un ammontare di 14,02 unità, seguita dalla Lettonia con una variazione pari a 109,00% pari ad un ammontare di 10,38%, e dall’Italia con una variazione pari a 97,37% pari ad un valore assoluto di 14,26 unità. A metà classifica vi sono la Svezia con un valore pari a 70,35% pari ad un ammontare di 15,53 unità, seguita dall’Austria con un valore pari a 68,13% pari ad un ammontare di 10,92 unità e dal Lussemburgo con un a variazione pari ad un ammontare di 67,41% pari ad un ammontare di 11,46 unità. Chiudono la classifica la Grecia con una variazione percentuale pari a 44,67% pari ad un ammontare di 6,90 unità, seguita dal Portogallo con una variazione di 40,79% pari ad un ammontare di 7,42 unità e dalla Slovacchia con una variazione pari a 35,63% pari ad un ammontare di 5,00 unità.

Clusterizzazione con algoritmo k-Means. Di seguito viene proposta una clusterizzazione attraverso l’utilizzo dell’algoritmo k-Means ottimizzato attraverso il coefficiente di Silhouette. L’analisi mostra la presenza di due diversi clusters:

• Cluster 1: Romania, Estonia, Germania, Slovacchia, Bulgaria, Cipro, Italia, Lettonia, Croazia, Polonia, Francia, Repubblica Ceca, Ungheria, Grecia, Austria;

• Cluster 2: Danimarca, Malta, Belgio, Svezia, Paesi Bassi, Irlanda, Lithuania; Slovenia, Portogallo, Finlandia, Lussemburgo, Spagna.

Calcolando il valore della mediana dei clusters risulta che il valore della mediana del cluster 2-C2 è pari a 30,44, mentre il valore del cluster 1-C1 è pari a 22,33. Ne deriva pertanto il seguente ordinamento dei clusters ovvero: C2=30,44>C1=22,33. Dal punto di vista geografico risulta evidente la contrapposizione tra i paesi del Nord Europa- con aggiunta di Spagna e Portogallo, ed i paesi del Centro-Sud Europa.

Network Analysis attraverso l’utilizzo della distanza di Manhattan. Attraverso l’utilizzo della distanza di Manhattan vengono rilevate 3 strutture a network delle quali due sono complesse ed una è semplificata.

Esiste una struttura a network complessa tra Repubblica Ceca, Francia, Croazia, Cipro, Italia e Grecia. In modo specifico:

• La Repubblica Ceca ha un link con la Francia per un valore pari a 0,092;

• La Francia ha una connessione con la repubblica Ceca pari ad un ammontare di 0,092 e con la Croazia per un valore pari a 0,091;

• La Croazia ha una connessione con la Grecia per un valore pari a 0,24, con l’Italia per un ammontare pari a 0,11, con Cipro con un valore pari a 0,2 e con la Francia con un valore pari a 0,091;

• L’Italia ha una connessione con la Grecia per un valore pari a 0,24, con la Croazia per un valore pari a 0,11, con Cipro per un valore pari a 0,2;

• Cipro ha una connessione con l’Italia per un valore pari a 0,2 e con la Croazia per un valore pari a 0,2.

Esiste inoltre una struttura complessa costituita da Portogallo, Slovenia, Lituania, e Irlanda. In modo particolare:

• Il Portogallo ha una connessione con la Slovenia pari ad un ammontare di 0,18;

• La Slovenia ha una connessione con il Portogallo per un valore pari a 0,18, con l’Irlanda per un valore pari a 0,15 e con la Lituania per un valore pari a 0,21;

• La Lituania ha una connessione con la Slovenia per un valore pari a 0,21 unità e con l’Irlanda con un valore pari a 0,07;

• L’Irlanda ha una connessione con la Lituania per un valore pari a 0,07 unità e con la Slovenia pari ad un ammontare di 0,15 unità.

Inoltre, esiste una struttura a network semplice tra Estonia e Germania avente un valore di 0,16 unità.

Machine Learning and Prediction. Di seguito viene realizzata una predizione attraverso l’utilizzo degli algoritmi di machine learning. In modo particolare, vengono confrontati nove diversi algoritmi di machine learning in base alla loro capacità di massimizzare R2 e di minimizzare MSE, RMSE e MAE. Gli algoritmi sono stati addestrati con un valore del learning rate pari a 80%. L’analisi ha manifestato l’esistenza del seguente ordinamento degli algoritmi per efficienza predittiva:

• Linear Regression con un valore del payoff pari a 6;

• SGD con un valore del payoff pari a 7;

• kNN con un valore del payoff pari a 12;

• Random Forest con un valore del payoff pari a 15;

• Gradient Boosting con un valore del payoff pari a 20;

• AdaBoost con un valore del payoff pari a 26;

• Tree con un valore del payoff pari a 27;

• SVM con un valore del payoff pari a 31;

• Neural Network con un valore del payoff pari a 36.

Pertanto, applicando l’algoritmo con le migliori performance ovvero Linear Regression è possibile predire una riduzione in media per i paesi considerati pari a -0,04% del valore delle digital technologies for business. Nello specifico l’algoritmo predice che i paesi che avranno maggiore crescita nel senso della digitalizzazione del business sono il Portogallo con un valore pari a +12,6%, la Slovacchia con un valore pari a +11,84%, la Bulgaria con +11,84% e la Romania con un valore pari a +11,39%. I paesi per i quali l’algoritmo Linear Regression predice un arretramento dell’applicazione delle tecnologie digitali al business sono la Danimarca con -7,96%, la Croazia con un valore pari a -8,26%, l’Italia con un valore pari a-23,99%, e l’Estonia con -24,86%.

Under and Over the European Union Mean. Inoltre è possibile utilizzare gli algoritmi per calcolare la probabilità dei paesi di superiore il valore della media europea che è pari nel 221 a 25,33. Pertanto se nel 2021 il valore della variabile di interesse è superiore alla media europea viene attribuito un valore pari a 1 in caso contrario un valore pari a 0. Attraverso questa analisi viene realizzata una nuova analisi per il confronto di performance degli algoritmi questa volta considerati in termini di accuracy. Gli algoritmi sono stati addestrati con l’80% dei dati disponibili. L’analisi mostra che in termini di accuracy il seguente ordinamento degli algoritmi:

• Gradient Boosting e AdaBoost con un’accuracy pari a 1;

• Tree con un’accuracy pari a 0,96;

• Neural Network e kNN con un’accuracy pari a 0,93;

• SGD, SVM e Random Forest con un’accuracy pari a 0,89.

Conclusioni. L’analisi mostra un andamento crescente dell’applicazione delle tecnologie digitali per il business nei paesi europei. Tuttavia vi sono ampi divari in termini di crescita tra le aree del Nord Europa e le aree del Centro-Sud Europa. L’analisi a clusters ed anche l’analisi a network confermano l’idea che vi siano dei gruppi di paesi strettamente connessi nella performance in termini di tecnologie digitali per il business. La predizione con algoritmi di machine learning mette in risalto quelli che probabilmente saranno i losers and i winners nell’applicazione della digital technology per il business in Europa. E’ probabile che tale valore comunque cresca o tenda a convergere verso la media europea, anche se tali improvements mancano di essere indifferenti rispetto all’applicazione di politiche economiche europee.

cms_26620/Foto_1_.jpg

Figura 1. Clusterizzazione dei paesi europei per valore delle tecnologie digitali per il business con indicazione del coefficiente di Silhouette.

cms_26620/Foto_2.jpg

Figura 2. Network Analysis con distanza di Manhattan.

Angelo Leogrande

Tags:

Lascia un commento



Autorizzo il trattamento dei miei dati come indicato nell'informativa privacy.
NB: I commenti vengono approvati dalla redazione e in seguito pubblicati sul giornale, la tua email non verrà pubblicata.

International Web Post

Direttore responsabile: Attilio miani
Condirettore: Federica Marocchino
Condirettore: Antonina Giordano
Editore: Azzurro Image & Communication Srls - P.iva: 07470520722

Testata registrata presso il Tribunale di Bari al Nrº 17 del Registro della Stampa in data 30 Settembre 2013

info@internationalwebpost.org
Privacy Policy

Collabora con noi

Scrivi alla redazione per unirti ad un team internazionale di persone dinamiche ed appassionate!

Le collaborazioni con l’International Web Post sono a titolo gratuito, salvo articoli, contributi e studi commissionati dal Direttore responsabile sulla base di apposito incarico scritto secondo modalità e termini stabiliti dallo stesso.


Seguici sui social

Newsletter

Lascia la tua email per essere sempre aggiornato sui nostri contenuti!

Iscriviti al canale Telegram