L’ESPORTAZIONE DI SERVIZI AD ALTA INTENSITÀ DI CONOSCENZA PRODOTTI IN EUROPA

In media il 77% delle esportazioni dei servizi è costituita da servizi ad alta intensità di conoscenza

1650419925L’ESPORTAZIONE_DI_SERVIZI_AD_ALTA_INTENSITÀ_DI_CONOSCENZA_PRODOTTI_IN_EUROPA.jpg

L’European Innovation Scoreboard-EIS calcola il valore dell’esportazione dei servizi ad alta intensità di conoscenza prodotti in Europa. Per servizi ad alta intensità di conoscenza si intende un insieme di attività che vanno dal trasporto marittimo ed aereo, ai servizi finanziari, all’utilizzo della proprietà intellettuale, alle telecomunicazioni ed ai servizi audiovisivi. Il valore viene considerato come un rapporto percentuale rispetto al valore complesso delle esportazioni di servizi.

cms_25710/Foto_1.jpg

Ranking dei paesi per valore del livello delle esportazioni di servizi ad alta intensità di conoscenza. L’Irlanda è al primo posto per valore delle esportazioni di servizi ad alta intensità di conoscenza nel 2021 con un valore pari a 161,06, seguita dal Lussemburgo con un ammontare pari a 157,43 e dal Regno Unito con un ammontare pari a 135,16. A metà classifica vi è l’Ungheria con un ammontare pari a 72,02 unità, seguita dalla Grecia con un valore di 71,90 e dalla Serbia con un ammontare di 71,79 unità. Chiude la classifica la Lituania con un ammontare pari a 4,63, seguita dal Montenegro con un ammontare pari a 2,96 e dalla Bosnia con un valore pari a 1,72. In media nel 2021 il valore medio delle esportazioni di servizi ad alto contenuto di conoscenza è stato pari a 77,21%.

Ranking dei paesi per variazione percentuale dell’esportazioni di servizi ad alta intensità di conoscenza. La Lituania è al primo posto per valore della variazione percentuale delle esportazioni di servizi ad alta intensità di conoscenza tra il 2014 ed il 2021 con un valore pari a 6398,2%, seguita da Malta con un valore pari a 212,2% equivalente ad un valore di 21,7, e dalla Turchia con un valore pari a 85,8% pari ad un valore di 20,3 unità. A metà classifica vi sono il Belgio con un valore pari a 11,4% pari ad un valore di 11,8 unità, l’Ungheria con un valore pari a 9,3% pari ad un valore di 6,1 unità, seguita dalla Lettonia con un ammontare pari a 8,45% pari ad un valore di 5,82 unità. Chiude la classifica la Grecia con un valore pari a -13,87% pari ad un valore di -11,58 unità, seguita dall’Islanda con un valore pari a -18,57% pari ad un ammontare di -16,53 unità e dal Portogallo con un valore pari a -24,49% pari ad un ammontare di -12,85 unità. La media delle variazioni percentuali del valore delle esportazioni di servizi ad alta intensità di conoscenza è cresciuto di 195,8% tra il 2014 ed il 2021 per i paesi considerati.

Clusterizzazione con l’utilizzo dell’algoritmo k-Means. Di seguito viene utilizzato l’algoritmo k-Means per l’analisi della clusterizzazione. Per scegliere il numero ottimale di clusters è stato utilizzato il coefficiente Silhouette. In modo particolare il numero ottimale di clusters viene scelto in connessione con il coefficiente di Silhouette più elevato considerando che tale indicatore può variare da -1 a 1. Nello specifico, il coefficiente di Silhouette maggiore è stato trovato con riferimento al coefficiente di Silhouette corrispondente a due clusters. I tre clusters sono costituiti come indicato di seguito:

  • Cluster 1: Slovacchia, Turchia, Spagna, Malta, Polonia, Bulgaria, Macedonia del Nord, Repubblica Ceca, Portogallo, Romania, Lituania, Croazia, Austria, Montenegro, Bosnia, Serbia, Estonia, Ucraina, Ungheria, Lettonia, Italia, Grecia;
  • Cluster 2: Germania, Olanda, Svezia, Norvegia, Danimarca, Finlandia, Regno Unito, Belgio, Lussemburgo, Svizzera, Cipro, Irlanda, Israele, Francia, Islanda.

Con riferimento al valore mediano della variabile stimata risulta che il valore del Cluster 1-C1 è pari a 73, mentre il valore del Cluster 2-C2 è pari a 65. Ne deriva pertanto che C1>C2. Dunque, guardando la mappa delle clusterizzazioni vi è contrapposizione tra l’Europa Nord-Occidentale -che ha livelli bassi di esportazione di servizi ad alto valore di conoscenza- e l’Europa Sud-Orientale, che ha invece valore più elevati. Tale risultato può apparire controfattuale. Tuttavia, può essere meglio compreso considerando che molti dei paesi dell’Est Europa e dell’Europa Meridionale sono stati oggetto di delocalizzazioni produttive dei paesi del Centro-Nord Europa.

Network Analysis. In seguito, è stata realizzata una network analysis per verificare la presenza di nazioni che sono particolarmente connesse in termini di esportazione dei servizi ad alto livello di conoscenza. Tra le nazioni maggiormente connesse vi sono l’Olanda ed il Lussemburgo, l’Ungheria e la Svizzera, Regno Unito e Germania, Polonia e Estonia. La network analysis è stata realizzata attraverso l’utilizzo della distanza di Cosine. Ne risultano pertanto i seguenti risultati:

  • Number of nodes: 37;
  • Number of edges 51;
  • Average degree 0,076;
  • Density 0,07658.

Machine Learning and Predictions. Di seguito viene realizzata una analisi attraverso l’utilizzo di un confronto tra otto diversi algoritmi di machine learning per la predizione del valore futuro dell’esportazione dei servizi ad alto livello di conoscenza prodotti in Europa. Gli algoritmi sono stati addestrati con il 70% dei dati disponibili mentre il restante 30% è stato utilizzato per la predizione vera e propria. Gli algoritmi sono stati classificati in base alla loro capacità di massimizzare il valore dell’R-quadro e di minimizzare tre errori statistici, ovvero: “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”. Di seguito viene indicata la classifica degli algoritmi in base all’efficienza predittiva:

  1. Polynomial Regression con un valore del payoff pari a 4;
  2. Tree Ensemble con un valore del payoff pari a 9;
  3. Linear Regression con un valore del payoff pari a 12;
  4. Random Forest con un valore del payoff pari a 17;
  5. ANN-Artificial Neural Network con un valore del payoff pari a 18;
  6. PNN-Probabilistic Neural Network con un valore del payoff pari a 24;
  7. Gradient Boosted Tree con un valore del payoff pari a 28;
  8. Simple Regression Tree con un valore del payoff pari a 32.

Di seguito, in base all’applicazione dell’algoritmo maggiormente performante, ovvero il Polynomial Regression, è possibile predire le seguenti variazioni del valore dell’esportazione dei servizi ad alto livello di conoscenza nei paesi europei considerati:

  • Austria con una variazione diminutiva da un ammontare di 59,51 fino ad un valore di 58,71 ovvero pari ad un ammontare di -0,80 pari ad un valore di -1,354%;
  • Bosnia con una variazione aumentativa da un ammontare di 1,72 fino ad un valore di 2,41 ovvero pari ad un ammontare di 0,688 unità pari ad un valore di 30,90%;
  • Germania con una variazione diminutiva da un ammontare di 121 fino ad un valore di 117,13 ovvero pari ad un ammontare di -3,86 unità pari ad un valore di -3,19%;
  • Grecia con una variazione aumentativa da un ammontare di 71,9 fino ad un valore di 75,74 ovvero pari ad una variazione di 3,84 unità pari ad un ammontare di 5,34%;
  • Israele con una variazione aumentativa da un ammontare di 108,95 fino ad un valore di 113,667 unità ovvero pari ad una variazione di 4,716 unità pari ad un ammontare di 4,3%;
  • Islanda con una variazione aumentativa da un ammontare di 72,46 unità fino ad un valore di 72,91 unità ovvero pari ad una variazione di 0,45 unità pari ad un valore di 0,62%;
  • Lussemburgo con una variazione aumentativa da un ammontare di 157,42 unità fino ad un valore di 157,8 unità ovvero pari ad una variazione di 0,3 unità pari ad un valore di 0,23%;
  • Malta con una variazione aumentativa da un ammontare di 31,8 unità fino ad un valore di 35,5 unità ovvero pari ad una variazione di 3,6 unità pari ad un ammontare di 11,36%;
  • Polonia con una variazione diminutiva da un ammontare di 57,04 unità fino ad un valore di 55,97 unità ovvero pari ad una variazione di -1,07 unità pari ad un valore di -1,883%;
  • Slovacchia con una variazione aumentativa da un ammontare pari a 44,1 fino ad un valore di 44,93 unità ovvero pari ad una variazione di 0,79 unità pari ad un valore di 1,80%;
  • Turchia con una variazione aumentativa da un ammontare di 43,9 unità fino ad un valore di 50,37 unità ovvero pari ad una variazione di 6,4 unità pari ad un ammontare di 14,75%;
  • Ucraina con una variazione aumentativa da un ammontare di 69,89 unità fino ad un valore di 76,16 unità ovvero pari ad una variazione di 6,2 unità pari ad un ammontare di 8,9%.

In media il valore delle esportazioni di servizi ad alto livello di conoscenza per i paesi considerati è previsto in crescita da un ammontare di 69,9 unità fino ad un valore di 71,7, ovvero pari ad una crescita di 1,7 unità pari ad un valore di 2,55%.

Conclusioni. Il valore delle esportazioni dei servizi ad alto livello di conoscenza è cresciuto in media nei paesi europei tra il 2014 ed il 2021 del 7,8%. Sono soprattutto i paesi del Sud e dell’Est Europa ad esportare a seguito delle de-localizzazioni. Tuttavia, al primo posto vi è l’Irlanda che esporta un livello di servizi elevatissimo grazie alla presenza di molte aziende IT che hanno scelto l’Irlanda per motivazioni di carattere fiscale. La percentuale delle esportazioni di servizi ad alto livello di conoscenza dovrebbe aumentare in Europa anche se vi sono molte probabilità che l’economia europea non riesca competere né con gli USA né con la Cina e che quindi rimanga schiacciata dal conflitto sino-americano.

References

Laureti, Lucio, Alberto Costantiello, Marco Maria Matarrese, and Angelo Leogrande. Enterprises Providing ICT Training in Europe. No. 111756. University Library of Munich, Germany, 2022.

Laureti, Lucio, Alberto Costantiello, Marco Maria Matarrese, and Angelo Leogrande. The Employment in Innovative Enterprises in Europe. No. 111335. University Library of Munich, Germany, 2022.

Costantiello, Alberto, Lucio Laureti, Angelo Leogrande, and Matarrese Marco. The Innovation Linkages in Europe. University Library of Munich, Germany, 2021.

Costantiello, A., & Leogrande, A. (2021). The innovation-employment nexus in Europe. American Journal of Humanities and Social Sciences Research (AJHSSR), 4(11), 166-187.

Costantiello, A., Laureti, L., De Cristoforo, G., & Leogrande, A. (2021). The Innovation-Sales Growth Nexus in Europe (No. 106858). University Library of Munich, Germany.

Leogrande, A., & Costantiello, A. (2021). Human Resources in Europe. Estimation, Clusterization, Machine Learning and Prediction. American Journal of Humanities and Social Sciences Research (AJHSSR), e-ISSN.

cms_25710/Foto_2.jpg

Figura 1. Network Analysis.

cms_25710/Foto_3.jpg

Figura 2. Rappresentazione della clusterizzazione per valore dell’esportazione dei servizi ad alto livello di conoscenza secondo l’utilizzo dell’algoritmo k-Means.

cms_25710/Foto_4.jpg

Figura 3. Clusterizzazione attraverso l’utilizzo del coefficiente Silhouette.

cms_25710/Foto_5.jpg

Figura 4. Clusterizzazione.

cms_25710/Foto_6.jpg

Figura 5. Clusterizzazione.

cms_25710/Foto_7.jpg

Figura 6. Clusterizzazione.

cms_25710/Foto_8.jpg

Figura 7. Clusterizzazione.

cms_25710/Foto_9.jpg

Figura 8. Clusterizzazione.

cms_25710/Foto_10.jpg

Figura 9. Predizioni mediante l’utilizzo dell’algoritmo Polynomial Regression.

Angelo Leogrande

Tags:

Lascia un commento



<<Pagina Precedente | Stampa | Torna Su


News by ADNkronos


Salute by ADNkronos