LA SPESA IN RICERCA E SVILUPPO NEI PAESI EUROPEI
Tra il 2014 ed il 2021 è diminuita in media del 3,8% per i paesi considerati
Lo European Innovation Scoreboard-EIS calcola la variabile “R&D expenditure in the public sector”, definita come la somma di tutte le spese di ricerca e sviluppo nel settore pubblico e nel settore dell’istruzione superiore. Il valore è calcolato come percentuale del Prodotto Interno Lordo.
Ranking delle nazioni europee per valore della spesa pubblica in ricerca e sviluppo in percentuale del PIL. La Danimarca è al primo posto per valore del ranking delle nazioni europee per valore della spesa in ricerca e sviluppo nel settore pubblico con un ammontare pari a 156,14, seguita dall’Islanda con un ammontare pari a 145,61 e dalla Germania con un valore pari a 142,11. A metà classifica sono presenti la Croazia con un valore pari a 68,42, seguita dalla Lituania con un ammontare pari a 66,67% e dalla Spagna e Serbia con un ammontare pari a 63,16%. Chiudono la classifica la Romania con un valore pari a 3,51%, seguita dall’Ucraina con un ammontare pari a 2,76 e dalla Bosnia and Herzegovina con un ammontare pari a 0%. In media i paesi analizzati spendono circa il 119,54% del PIL nel sostegno pubblico alla Ricerca e Sviluppo.
Ranking delle Variazioni Spesa in R&S nel Settore Pubblico tra il 2014 ed il 2021. La Grecia è al primo posto nella classifica delle variazioni della spesa in Ricerca e Sviluppo nel settore pubblico tra il 2014 ed il 2021 con un valore pari a 85,2%, seguita dalla Bulgaria con un ammontare pari a 80,00%, e dalla Croazia con un valore pari a 69,6%. Chiudono la classifica l’Italia con un ammontare pari a -8,3%, la Svezia con un valore pari a -9,3% e la Finlandia con un valore pari a -11,6%. Chiudono la classifica Malta con un valore pari a -76,5%, seguita dalla Romania con un ammontare pari a -83,3% e dall’Ucraina con un valore pari a -90,2%. In media il valore della spesa in R&S è diminuito in percentuale del 7,4% per i paesi considerati tra il 2014 ed il 2021.
Clusterizzazione. Di seguito è stata realizzata la clusterizzazione attraverso l’utilizzo dell’algoritmo k-Means ottimizzato con il coefficiente Silhouette. In modo particolare, il numero di clusters è stato scelto in base al seguente parametro:
- Valore massimo di clusters tale che nessuno dei valori del Coefficiente Silhouette per singolo elemento sia minore di zero.
In questo modo è possibile ottenere un numero massimo di clusters in presenza di un valore del coefficiente di Silhouette compreso tra 0 e 1. La clusterizzazione viene realizzata per verificare la presenza di raggruppamenti tra le nazioni europee che possano in un qualche modo riverberare la relazione tra Centro, Nord, Sud ed Est Europa. Infatti, l’ipotesi di base è che siano presenti almeno quattro clusters aventi diversa velocità con i paesi del Nord Europa che guidano la classifica per spesa pubblica in R&S. Sono stati individuati i seguenti clusters:
- Cluster 1: Israele, Lussemburgo, Spagna, Grecia, Serbia, Regno Unito, Slovenia, Italia, Portogallo, Lituania;
- Cluster 2: Turchia, Lettonia, Polonia, Croazia, Irlanda, Ungheria, Slovacchia,
- Cluster 3: Repubblica Ceca, Francia, Olanda, Estonia, Svizzera, Belgio;
- Cluster 4: Germania, Svezia, Danimarca, Finlandia, Austria, Islanda, Norvegia;
- Cluster 5: Bulgaria, Romania, Bosnia, Ucraina, Montenegro, Malta, Cipro, Macedonia del Nord.
I clusters possono essere ordinati sulla base del valore della mediana dell’indicatore considerato. In modo particolare, la classifica dei clusters per valore della mediana è indicata di seguito: al primo posto il cluster 4 con un ammontare pari a 135,96, seguito dal cluster 3 con un ammontare pari a 96,48, e dal cluster 1 con un ammontare pari a 66,66 unità, seguito dal cluster 2 con un valore della mediana pari a 50,87, seguito dal cluster 5 con un valore di 14,03. Ne deriva pertanto il seguente cluster: C4>C3>C1>C2>C5. L’analisi a cluster mostra la dominanza dei paesi del Centro-Nord Europa rispetto ai paesi del Sud e dell’Est Europa.
Machine Learning e Prediction. Di seguito vengono analizzati otto diversi algoritmi di machine learning per la predizione del valore della spesa pubblica in ricerca e sviluppo nelle nazioni europee considerati. In modo particolare gli algoritmi sono stati addestrati con il 70% del dataset mentre la restante parte dei dati, ovvero il restante 30%, è stato impiegato per la predizione. I dati fanno riferimento a 38 nazioni europee tra il 2014 ed il 2021. Gli algoritmi sono stati ordinati in base alla performance realizzata in termini di minimizzazione degli errori, ovvero “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”, “Mean Signed Difference”. Di seguito viene indicato l’ordinamento degli algoritmi considerati:
- Polynomial Regression con un valore del payoff pari a 7;
- Artificial Neural Network-ANN con un valore del payoff pari a 9;
- Tree Ensemble Regression con un valore del payoff pari a 13;
- Gradient Boosted Trees con un valore del payoff pari a 15;
- Linear Regression con un valore del payoff pari a 16;
- PNN-Probabilistic Neural Network con un valore del payoff pari a 25;
- Simple Regression Tree con un valore del payoff pari a 27;
- Random Forest Regression con un valore del payoff pari a 32.
Ne deriva pertanto che applicando l’algoritmo Polynomial Regression sono individuate le seguenti predizioni:
- Cipro con un variazione aumentativa da 21,05 fino a 25,25 ovvero pari a 5,21 con un valore percentuale pari a 24,75%;
- Repubblica Ceca con una variazione diminutiva da 98,24 fino ad un valore pari a 91,67 ovvero pari ad un ammontare di -6,57 unità pari a -6,69%;
- Francia con una variazione aumentativa da un ammontare pari a 94,73 fino ad un valore di 96,71 ovvero pari ad un ammontare di 1,98 unità pari a 2,09%;
- Croazia con una variazione diminutiva da un valore pari a 68,42 fino ad un valore di 56,86 unità ovvero una variazione pari a -11,56 unità pari a -16,90%;
- Ungheria con una variazione aumentativa da un valore di 31,57 unità fino ad un valore pari a 33,47 unità ovvero pari ad un valore di 1,9 unità pari a 6,02%;
- Italia con una variazione aumentativa da un ammontare pari a 57,89 fino ad un valore di 58,2 unità ovvero pari ad un valore di 0,31 unità pari a 0,54%;
- Montenegro con una variazione diminutiva da un valore pari a 21,05 unità fino ad un valore di 19,95 unità ovvero pari ad una variazione di -1,1 unità pari a -5,23%;
- Macedonia del Nord con una variazione diminutiva da 14,03 unità fino ad un valore di 12,28 unità ovvero pari ad un valore di -1,75 unità pari a -12,47%;
- Malta con una variazione aumentativa da un valore di 7,018 fino a 17,21 ovvero pari a 10,19 pari ad un valore di 145,23%;
- Norvegia con una variazione aumentativa da un valore pari a 131,57 fino ad un valore pari a 135,3 ovvero pari ad un valore di 3,73 unità pari a 2,83%;
- Polonia con una variazione diminutiva da un valore pari a 54,38 fino ad un valore di 36,8 ovvero pari ad una variazione di -17,58 unità pari a -32,33%;
- Serbia con una variazione aumentativa da un valore pari a 63,15 unità fino ad un valore di 69,33 unità ovvero pari ad un ammontare di 6,18 unità pari a 9,79%;
In media il valore della spesa pubblica in R&S per i paesi considerati è predetto in riduzione da un valore di 55,26 fino a 54,50.
Conclusioni. In sintesi, possiamo sottolineare che il valore della spesa in R&S è una determinante essenziale per la crescita economica soprattutto nell’ambito dell’economia della conoscenza e dell’innovazione tecnologica così anche per il terziario avanzato. Tra il 2014 ed il 2021 in media la spesa in R&S per i paesi europei è diminuita. Certamente l’Europa ha perso competitività rispetto agli USA ed anche rispetto al mondo asiatico nella tecnologia, nella ricerca e sviluppo e nell’innovazione tecnologica. Per fare in modo che l’Europa sia ancora un player rilevante nei nuovi settori è necessario che il policy maker investa nella ricerca e sviluppo consentendo anche la creazione di grandi gruppi industriali europei che possano in un qualche modo contrapporsi sia alla Big Tech USA che ai nuovi giganti tech asiatici.
Commenti per questo articolo
[*COMMENTI*]
