Traduci

OCCUPATI NELL’ECONOMIA DELLA CONOSCENZA IN EUROPA

L’European Innovation Scoreboard-EIS calcola il valore degli occupati in attività ad alta intensità di conoscenza in Europa.

Ranking dei paesi europei per valore degli occupati nell’economia della conoscenza nel 2021. Israele è al primo posto per valore degli occupati nell’economia della conoscenza con un ammontare pari a 250,67 unità a pari merito con il Lussemburgo. Al secondo posto vi è la Norvegia con un ammontare pari a 216,00 unità seguita dall’Irlanda con un ammontare pari a 194,67 unità. A metà classifica vi è la Slovenia con un valore pari a 118,67 unità, seguita dall’Italia con un ammontare pari a 114,67 unità e dall’Estonia con un ammontare pari a 113,33 unità. Chiudono la classifica la Romania con un ammontare pari a 25,33 unità, seguita dalla Macedonia del Nord con un ammontare pari a 17,33 e dalla Turchia con un ammontare pari a 10,67 unità.

Ranking dei paesi europei per valore della variazione percentuale degli occupati nei settori della conoscenza tra il 2014 ed il 2021. La Romania è al primo posto per valore della variazione percentuale degli occupati tra il 2014 ed il 2021 con un valore pari a 137,5% pari ad un ammontare di 14,67 unità, la Bulgaria è al secondo posto con un valore pari a 68,97% pari ad un ammontare del 26,67 unità, seguita dalla Norvegia con una variazione pari ad un ammontare di 68,75% pari ad un ammontare di 88 unità. A metà classifica vi sono l’Italia con un ammontare pari a 13,16% pari ad un valore di 13,33 unità, la Francia con un valore pari a 12,05% pari ad un ammontare di 13,33 unità, e il Lussemburgo con un valore pari a 9,3% pari ad un ammontare di 21,33 unità. Chiudono la classifica l’Ungheria con un valore pari a -4,41% pari ad un valore di -4 unità, la Svizzera con una variazione di -6,25% pari ad un ammontare di -12,00 unità, l’Islanda con una variazione di -16,95% pari ad un ammontare di -26,67 unità.

Clusterizzazione con l’algoritmo k-Means. Di seguito viene realizzato un modello di clusterizzazione per il tramite dell’utilizzo dell’algoritmo k-Means. Tuttavia, essendo l’algoritmo k-Means non supervisionato è necessario scegliere uno strumento di ottimizzazione. A tal proposito viene impiegato il coefficiente Silhouette. 2 clusters con un valore del coefficiente Silhouette pari a 0,535, 3 clusters con un valore pari a 0,506, 4 clusters con un valore pari a 0,462, 5 clusters con un valore pari a 0,504, 6 clusters con un valore pari a 0,530, 7 clusters con un valore pari a 0,534, 8 clusters con un valore pari a 0,512. Pertanto, viene scelto un modello a 2 clusters così composti, ovvero:

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

Calcolando il valore della mediana del valore degli occupati nell’economia della conoscenza risulta che i paesi del cluster 1 hanno un valore pari a 120,67 unità, mentre il valore del cluster 2 è pari ad un ammontare di 113,33 unità. Dall’analisi a cluster mette in evidenza la presenza di una contrapposizione tra l’Europa del Nord che ha livelli più elevati del valore degli occupati nell’economia della conoscenza, contrapposti all’Europa del Sud che invece ha dei valori più ridotti.

Ottimizzazione degli algoritmi predittivi attraverso il machine learning. In seguito è stato realizzato un modello di predizione attraverso il confronto tra 7 diversi algoritmi. I dati sono stati addestrati con l’80% dei dati e classificati sulla base della performance in termini di R-Quadro, MAE, MSE, RMSE. In base all’analisi realizzata risulta il seguente ordinamento ovvero:

  1. Linear Regression con un valore pari a 4;
  2. AdaBoost con un valore pari a 8;
  3. Gradient Boosting con un valore pari a 12;
  4. Random Forest con un valore pari a 16;
  5. Tree con un valore pari a 21;
  6. kNN con un valore pari a 23;
  7. Neural Network con un ammontare pari a 28.

Di seguito viene applicato un modello di Linear Regression e vengono riportati i paesi per i quali è previsto un valore più alto e più basso della variazione. Tra i paesi maggiormente in crescita vi sono i seguenti cinque paresi ovvero:

  • Serbia con un valore pari a 35,29%;
  • Romania con un valore pari a 22,18%;
  • Lettonia con una variazione pari a 15,36%;
  • Spagna con un valore pari a 13,46%;
  • Slovenia con una variazione pari a 10,65%.

Tra i paesi che invece hanno la maggiore variazione percentuale negativa vi sono:

  • Lituania con un ammontare di -17,02%;
  • Norvegia con una variaizone di -22,73%;
  • Macedonia del Nord con una variaizone pari a -24,14%;
  • Slovacchia con una variazione pari a -27,44%;
  • Turchia con una variazione pari a -46,375%.

Conclusioni. Tra il 2014 ed il 2021 il valore degli occupati nell’economia della conoscenza in Europa è cresciuto di un ammontare pari a 11,33%. Tuttavia occorre considerare, come manifestato dalla clusterizzazione che esiste una contrapposizione tra l’Europa del Nord, con livelli elevati, e l’Europa del Sud che ha livelli più ridotti. Infine attraverso l’utilizzo del machine learning è stato realizzato un confronto tra 7 diversi algoritmi in termini di MAE, MSE, RMSE e R2. Viene quindi scelto l’algoritmo best predictor ovvero l’algoritmo di Linear Regression applicando il quale sono stati individuati i paesi che best performer e worst performer. In sintesi le politiche economiche dovrebbero intervenire per ridurre il divario tra l’Europa del Nord e l’Europa del Sud in termini di occupazione nell’economia della conoscenza.

Reference

Leogrande A, Costantiello, A, Laureti, L., Leogrande, D. The Determinants of Design Application in Europe (November, 05, 2021)

Laureti, L., Costantiello, A., Matarrese, M., Leogrande, A., The Employment in Innovative Enterprises in Europe (January 1, 2022). Available at SSRN: https://ssrn.com/abstract=

Laureti, Lucio and Costantiello, Alberto and Matarrese, Marco and Leogrande, Angelo, Enterprises Providing ICT Training in Europe (January 29, 2022). Available at SSRN: https://ssrn.com/abstract=

Laureti, Lucio and Costantiello, Alberto and Matarrese, Marco and Leogrande, Angelo, Foreign Doctorate Students in Europe (February 11, 2022). Available at SSRN: https://ssrn.com/abstract=

Laureti, Lucio and Costantiello, Alberto and Leogrande, Angelo, Satisfaction with the Environmental Condition in the Italian Regions between 2004 and 2020 (March 19, 2022). Available at SSRN: https://ssrn.com/abstract=

cms_25420/Foto_1.jpg

cms_25420/Foto_2.jpg

cms_25420/Foto_3.jpg

cms_25420/Foto_4.jpg

cms_25420/Foto_5.jpg

cms_25420/Foto_6.jpg

cms_25420/Foto_7.jpg

cms_25420/Foto_8.jpg

cms_25420/Foto_9.jpg

cms_25420/Foto_10.jpg

cms_25420/Foto_11.jpg

cms_25420/Foto_12.jpg

cms_25420/Foto_13.jpg

Data:

30 Marzo 2022