Il capitale umano con competenze digitali in Europa

È cresciuto dell’8,83% tra il 2016 ed il 2021

A cura di Angelo Leogrande,

su gentile concessione di InternationalwebPost

Il DESI Index calcola il valore dello Human Capital tra il 2016 ed il 2021. Lo Human Capital è calcolato come una funzione costituita dalla somma di due macro-variabili, ovvero Internet User Skills e Advanced Skills and Development.

Ranking delle nazioni europee per valore del capitale umano nel 2021. La Finlandia è al primo posto per valore del capitale umano in Europa con un valore di 17,78 unità, seguita dalla Svezia con un valore pari a 16,14 e dall’Olanda con un valore di 15,39 unità. A metà classifica vi è la Francia con un valore pari a 11,84 unità, seguita dalla Repubblica Ceca con un valore pari a 11,79 unità e dalla Croazia con un valore pari a 11,68 unità. Chiudono la classifica l’Italia con un valore pari a 8,78 unità, la Romania con un valore pari a 8,26 unità e la Bulgaria pari ad un valore di 8,18 unità.

Ranking delle nazioni europee per valore del capitale umano nel passaggio tra il 2016 ed il 2021. La Polonia è al primo posto per valore della variazione percentuale del capitale umano tra il 2016 ed il 2021 con un valore pari a 19,940% pari ad un ammontare di 1,567 unità, seguita dalla Grecia con un valore pari a 18,675% pari ad un ammontare di 1,615 unità e dall’Irlanda con un valore pari a 18,452% pari ad un ammontare di 2,1 unità. A metà classifica vi è la Croazia con un valore pari a 10,219% pari ad un ammontare di 1,083 unità, seguita dalla Slovenia con un valore pari a 8,862% pari ad un ammontare di 0,973 unità, e dalla Finlandia con un valore pari a 8,509% pari ad un ammontare di 1,394 unità. Chiudono la classifica la Bulgaria con un valore pari a -0,618% pari ad un ammontare di -0,051 unità, la Lettonia con un valore di -2,932% pari ad un ammontare di -0,310 unità e Malta con un valore pari a -3,401% pari ad un ammontare di -0,432 unità.

Clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Di seguito viene presentata una clusterizzazione con algoritmo k-Means ottimizzato con coefficiente di Silhouette. L’analisi mostra la presenza dei seguenti clusters:

  • Cluster 1: Cipro, Ungheria, Grecia, Polonia, Portogallo, Italia, Slovacchia, Lettonia, Lituania, Bulgaria, Romania, repubblica Ceca, Croazia, Francia, Slovenia, Spagna.
  • Cluster 2: Paesi Bassi, Germania, Estonia, Svezia, Danimarca, Austria, Lussemburgo, Finlandia, Malta, Belgio, Irlanda.

Calcolando il valore della mediana del cluster 1 e del cluster 2 risulta che il valore del capitale umano nel cluster 2-C2 ha un valore mediano pari a 14,04 unità, mentre il valore corrispondente del cluster 1-C1 ovvero pari ad un ammontare di 10,60. Ne deriva pertanto che C2=14,04>C1=10,60. Occorre considerare che dal punto di vista geografico appare evidente una contrapposizione tra le regioni del Nord-Europa, soprattutto scandinava, con valori elevati di human capital, e le restanti regioni d’Europa che hanno invece dei valori assai inferiori di human capital. La tradizionale distinzione tra Nord Europa e Centro-Sud Europa caratterizza non solo la distribuzione dei redditi quanto anche la qualità del capitale umano. E non è da escludere che vi sia una diretta relazione tra questi due elementi.

Figura 1. Clusterizzazione dei paesi europei per valore di human capital con indicazione del coefficiente di Silhouette.

Network Analysis con distanza di Manhattan. Di seguito viene realizzata una network analysis attraverso l’utilizzo della distanza di Manhattan. Sono state individuate due strutture a network complesse e tre strutture a network semplificate. Esiste una struttura complessa tra Francia, Spagna Croazia e Slovenia. In modo particolare:

  • La Francia ha un link con la Spagna per un valore pari a 0,087 unità, con la Slovenia per un valore pari a 0,045 unità e con la Croazia per un valore pari a 0,21 unità.
  • La Croazia ha una connessione con la Francia per un valore pari a 0,21 unità, ed un link con la Slovenia avente un valore pari a 0,19 unità.
  • La Slovenia ha una connessione con la Spagna per un valore pari a 0,097 unità, con la Croazia per un valore pari a 0,19, e con la Francia per un valore pari a 0,045 unità.
  • La Spagna ha una connessione con la Slovenia pari ad un ammontare di 0,097 unità e con la Francia pari ad un ammontare di 0,87 unità.

Inoltre, viene rilevata una ulteriore struttura complessa tra Germania, Austria, Lussemburgo, ed Estonia. Di seguito vengono individuati i seguenti legami tra i paesi:

  • Il Lussemburgo ha una connessione con la Germania avente un valore pari a 0,25 unità, e con l’Estonia avente un valore pari a 0,27 unità.
  • L’Estonia ha una connessione con il Lussemburgo con un valore pari a 0,27 unità e con la Germania con un valore pari a 0,13 unità.
  • La Germania ha una connessione con il Lussemburgo per un valore pari ad un ammontare di 0,25 unità, con l’Estonia per un valore pari a 0,13 unità e con l’Austria per un valore pari a 0,23 unità.

Inoltre esistono tre diverse strutture semplificate:

  • La Slovacchia ha una connessione con la Lituania per un valore pari a 0,2 unità.
  • L’Ungheria ha una connessione con Cipro per un valore pari a 0,22 unità.
  • L’Italia ha una connessione con la Polonia per un valore pari a 0,24 unità.
Figura 2. Strutture a network rilevate attraverso l’utilizzo del metodo della distanza di Manhattan.

Machine Learning and Predictions. Di seguito viene realizzata una predizione con algoritmi di machine learning. Gli algoritmi sono addestrati con l’80% dei dati disponibili. Gli algoritmi sono ottimizzati in base alla loro capacità di massimizzare l’R2 e di minimizzare gli errori statistici, ovvero MSE, RMSE e MAE. Di seguito l’ordinamento degli algoritmi:

  • Linear Regression con un valore del payoff pari a 4
  • SGD con un valore del payoff pari a 8
  • Gradient Boosting con un valore del payoff pari a 12
  • AdaBoost e Random Forest con un valore del payoff pari a 18
  • Tree e kNN con un valore del payoff pari a 26
  • SVM con un valore del payoff pari a 32
  • Costant con un valore del payoff pari a 36
  • Neural Network con un valore del payoff pari a 40.

L’algoritmo best performer, ovvero l’algoritmo Linear Regression, predice una riduzione marginale del valore dello human capital nel futuro pari ad un valore di -0,05%. Nello specifico vi sono dei paesi per i quali l’algoritmo prevede una significativa riduzione del valore del capitale umano e tali paesi sono:

  • Romania con una variazione percentuale pari a -3,10% equivalente ad un ammontare di -0,25 unità;
  • Grecia con una variazione percentuale pari a -3,05% equivalente ad un ammontare di -0,31 unità;
  • Finlandia con una variazione percentuale equivalente ad un ammontare di -2,96% pari ad un ammontare di -0,52 unità.

Tuttavia, vi sono anche dei paesi per i quali l’algoritmo predice una significativa crescita del valore del capitale umano e tali paesi sono:

  • Francia con una variazione pari ad un ammontare di 2,23% equivalente ad un ammontare di 0,26 unità;
  • Italia con una variazione pari ad un ammontare di 2,3% pari ad un valore di 0,20 unità;
  • Lettonia con una variazione percentuale pari a 3,2% pari ad un valore di 0,33 unità.

Conclusioni. Il valore del capitale umano è cresciuto nel periodo tra il 2016 ed il 2021 nei paesi del DESI index di un ammontare pari a circa l’8,8%. Occorre considerare che tuttavia il capitale umano che viene considerato in questo caso fa riferimento soprattutto alla dimensione delle conoscenze digitali. L’indicatore, infatti, non considera la formazione del capitale umano in materie non scientifiche, umanistiche o artistiche. Tuttavia, vi sono delle significative divergenze tra il Nord Europa ed il resto dell’Europa nel senso del capitale umano con competenze digitali. In questo senso è necessario intervenire con delle politiche economiche che possono essere in grado di promozionare le competenze tecnologiche e digitali presso la popolazione dei paesi dell’Europa Meridionale e dell’Europa Orientale. Bisogna inoltre considerare che lo sviluppo del capitale umano è necessario per sviluppare l’economia della conoscenza e l’economia dell’innovazione tecnologica nel contesto della competizione tra Cina e USA. Una delle modalità che possono essere utilizzate per promozionare lo sviluppo delle competenze digitali consiste nella creazione di programmi di formazione alla digitalizzazione per le aziende, per i disoccupati, e per i neo-diplomati e neo-laureati. Infatti l’utilizzo della digitalizzazione e l’acquisizione delle relative competenze tecnologiche deve essere inteso come un insieme di capacità che accompagnano lo sviluppo del lavoratore e dell’azienda.