Traduci

L’OCCUPAZIONE NELLE IMPRESE INNOVATIVE IN EUROPA

L’European Innovation Scoreboard-EIS calcola il valore del numero degli occupati in imprese innovative.

Ranking dei paesi europei per occupati nelle imprese innovative nel 2021. L’Estonia è al primo posto per valore degli occupati nelle imprese innovative con un ammontare pari a 176,58, seguita dalla Svizzera con un valore pari a 168,53 unità e dalla Germania con un valore pari a 160,98 unità. A metà classifica vi sono la Lituania con un valore pari a 106,46 unità, seguita la Francia con un valore pari a 102,75 unità, la Croazia con un valore pari a 97,15 unità. Chiude la classifica l’Ungheria con un valore pari a 18,58 unità, seguita dalla Polonia con un valore di 8,27 unità e dalla Romania con un valore pari a 0,00 unità.

Variazione del numero degli occupati nelle imprese innovative in Europa tra il 2014 ed il 2021. Tra il 2014 ed il 2021 la variazione del numero degli occupati nelle imprese innovative è stato massimo in Lettonia con un valore pari a 194,5% equivalente ad un valore di 27,2 unità. La Lituania è al secondo posto con una variazione pari a 153,2% pari ad un valore di 64,4 unità, seguita da Cipro con una variazione pari a 123,5% pari ad un valore di 81,5 unità. A metà classifica vi sono la Repubblica Ceca con un valore pari a 8,5% pari ad un ammontare di 6,6 unità, la Germania con un valore di 7,9% pari ad un valore di 11,8 unità e la Bosnia con un valore pari a 0,00%. Chiude la classifica il Lussemburgo con un valore pari a -44,00% pari ad un ammontare di -57,9 unità, seguito dall’Irlanda con un valore pari a -55,9% pari ad un valore di -73,9 unità, e dalla Turchia con un valore pari a -57,2% pari ad un valore di -50,00 unità.

Clusterizzazione con algoritmo k-Means. Di seguito viene presentata una rappresentazione a cluster mediante l’utilizzo dell’algoritmo k-Means. Per scegliere il numero ottimale di clusters è stato utilizzato il coefficiente di Silhouette. Sono state fatte otto diverse ipotesi per scegliere il numero ottimale di clusters. Il cluster 2 ha un valore del coefficiente Silhouette pari a 0,501, il cluster 3 pari ad un valore di 0,518, il cluster 4 pari ad un valore di 0,429, il cluster 5 pari ad un valore di 0,430, il cluster 6 pari ad un valore di 0,378, il cluster 7 con un valore pari a 0,388, il cluster 8 con un valore pari a 0,380. Pertanto, è stato scelto il cluster a 3 con l’ottimizzazione del coefficiente di Silhouette. I cluster sono indicati di seguito:

  • Cluster 1: Bulgaria, Lettonia, Polonia, Ungheria, Romania, Slovacchia, Macedonia del Nord;
  • Cluster 2: Lussemburgo, Regno Unito, Montenegro, Austria, Belgio, Irlanda, Germania, Islanda, Finlandia, Olanda, Portogallo, Francia, Svizzera, Svezia, Italia, Grecia, Norvegia;
  • Cluster 3: Bosnia, Serbia, Repubblica Ceca, Turchia, Danimarca, Cipro, Malta, Croazia, Slovenia, Lituania, Estonia, Spagna.

Pertanto, analizzando il valore della mediana della variabile risulta il seguente ordinamento dei clusters ovvero: C2 con un valore pari a 137,134, seguito da C3 con un valore pari a 95,14 e da C1 con un ammontare pari a 30,35. Ne deriva pertanto che C2>C3>C1. Come risulta evidente dall’analisi a cluster le nazioni ad alto reddito in Europa sono anche le regioni che hanno una maggiore capacità di generare un impatto positivo in termini di occupazione attraverso le imprese innovative. Ne deriva che la presenza di sistemi economici evoluti è essenziale per fare in modo che gli impatti occupazionali potenziali delle imprese innovative diventino un elemento dell’economia reale.

Machine learning and predictions. Di seguito vengono analizzati otto diversi algoritmi per verificare la capacità predittiva. I dati sono analizzati considerando un insieme di parametri statistici ovvero MSE, RMSE, MAE e R-quadro. Ne deriva pertanto il seguente ordinamento di algoritmi:

  • kNN con un valore del payoff pari a 6;
  • Random Forest con un valore del payoff pari a 8;
  • SGD con un valore del payoff pari a 10;
  • Gradient Boosting con un valore del payoff pari a 17;
  • AdaBoost con un valore del payoff pari a 21;
  • Linear Regression con un valore del payoff pari a 22;
  • Tree con un valore del payoff pari a 28;
  • Neural Network con un valore del payoff pari a 32.

Applicando l’algoritmo kNN risulta che in media per i paesi considerati è prevista una riduzione dell’impatto dell’occupazione delle imprese innovative da un valore di 96 fino ad un valore di 92 ovvero una riduzione di -3,95 unità pari ad un valore di -4,10%.

Conclusione. In sintesi, risulta che in media tra il 2014 ed il 2021 il valore dell’impatto occupazionale delle imprese innovative per i paesi considerati è cresciuto di un ammontare pari a 10,78%. Tuttavia, dall’analisi a cluster risulta che i paesi che hanno un valore elevato di reddito hanno anche maggiore possibilità di ottimizzare la percentuale di occupati nelle imprese innovative. Ne deriva che la possibilità da parte delle nazioni di aumentare l’impatto occupazionale nelle imprese innovative dipende anche dal fatto che un paese abbia anche le istituzioni, le risorse di capitale umano e di capitale sociale necessarie. Tuttavia, il main driver per aumentare l’impatto dell’occupazione nelle imprese innovative consiste nell’incremento del capitale umano, attraverso la formazione. Infatti i processi di ricerca e sviluppo e di innovazione tecnologica richiedono dei livelli elevati di conoscenze soprattutto nel settore delle discipline STEM-Science Technology Engineering and Mathematics. In questo senso è necessario che i policy makers europei realizzino dei programmi per la crescita della formazione professionale soprattutto nei paesi dell’Est Europa per fare in modo che vengano create delle imprese innovative grazie all’arricchimento del capitale umano.

References:

Laureti L., Costantiello A., Leogrande A., The Finance-Innovation Nexus in Europe, IJISET – International Journal of Innovative Science, Engineering & Technology, 2020/12, 7, 12, 11-55.

Costantiello A., Leogrande A., The Innovation-Employment Nexus in Europe, American Research Journal of Humanities and Social Sciences, 2020, 166-187.

Leogrande, A., Costantiello, A., Human Resources in Europe. Estimation, Clusterization, Machine Learning and Prediction, American Journal of Humanities and Social Sciences Research (AJHSSR) e-ISSN :2378-703X, Volume-5, Issue-9, pp-240-259.

Leogrande, A., Costantiello, A., Laureti, L., The Impact of Venture Capital Expenditures on Innovation in Europe, American Journal of Humanities and Social Sciences Research (AJHSSR) e-ISSN :2378-703X, Volume-5, Issue-10, pp-85-102.

Leogrande, A., Costantiello, A., Laureti, L., The Broadband Penetration in Europe, Journal of Applied Economic Sciences 3(73):324– 349.

cms_25447/Foto_1.jpg

cms_25447/Foto_2.jpg

cms_25447/Foto_3.jpg

cms_25447/Foto_4.jpg

cms_25447/Foto_5.jpg

Data:

2 Aprile 2022