Il Lifelong Learning nelle Regioni Italiane

Tra il 2014 ed il 2021 è cresciuto in media del 20,90%

Immagini elaborate dall’autore.

L’European Innovation Scoreboard-EIS calcola il valore del lifelong learning nelle regioni italiane. La variabile prende in considerazione la percentuale della popolazione avente una età compresa tra i 25 ed i 64 anni che sono impegnate nell’attività di apprendimento permanente.

Ranking delle regioni italiane per valore del lifelong learning nel 2021. Il Friuli-Venezia-Giulia è al primo posto per valore del lifelong learning con un ammontare di 110,10 unità, seguita dal Trentino-Alto Adige con un ammontare di 109,09 unità e dall’Emilia Romagna con un ammontare di 105,05 unità. A metà classifica vi sono la Lombardia con un ammontare di 91,92 unità, seguita dal Piemonte con un ammontare di 88,89 unità e dalla Sardegna con un ammontare di 85,86 unità. Chiudono la classifica la Calabria con un ammontare di 57,58 unità, seguita dalla Campania con un valore di 53,54 unità e dalla Sicilia con un ammontare di 48,49 unità.

Ranking delle regioni italiane per variazione del lifelong learning tra il 2014 ed il 2021. Il Veneto è al primo posto per valore della variazione del valore di lifelong learning con un  ammontare di 59,68% pari ad un ammontare di 37,37 unità, seguito dal Friuli Venezia Giulia con un ammontare di 45,33% pari ad un ammontare di 34,34 unità e dall’Emilia Romagna con un ammontare di 38,67% pari ad un ammontare di 29,29 unità. A metà classifica vi sono il Molise con un ammontare di 24,19% pari ad un ammontare di 15,15 unità, seguita dalla Puglia con un ammontare di 16,00% pari ad un ammontare di 8,08 unità. Chiudono la classifica la Sicilia con un ammontare di 0,00%, seguita dall’Abruzzo con un ammontare di -5,26% pari a -4,04 unità e dalla Campania con un valore di -7,02% pari ad un ammontare di -4,04 unità. In media tra il 2014 ed il 2021 il valore del lifelong learning è cresciuto in media del 20,90% pari ad un ammontare di 14,55%.

Clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Di seguito viene realizzata una clusterizzazione con algoritmo k-Means ottimizzato con il coefficiente di Silhouette. Vengono quindi individuati due cluster ovvero:

• Cluster 1: Toscana, Emilia Romagna, Umbria, Sardegna, Lombardia, Friuli Venezia Giulia, Liguria, Lazio, Trentino Alto Adige, Veneto, Marche, Piemonte, Valle d’Aosta;
• Cluster 2: Campania, Calabria, Puglia Sicilia, Molise, Basilicata, Abruzzo.

Dal punto di vista della mediana isulta il seguente ordinamento dei clusters ovvero C1 con un valore di 94,94 e C2 con un ammontare di 58,58 unità. Dal punto di vista geografico risulta una dominanza delle regioni del cluster 1 rispetto al cluster 2 che si traduce in una manifestazione del divario Nord-Sud.

Network Anlaysis con l’utilizzo della distanza euclidea. Di seguito viene realizzata una network analysis con l’utilizzo della distanza euclidea. Esiste una struttura a network complessa come indicata di seguito ovvero:

• La Campania ha una connessione con la Calabria per un ammontare di 0,54 unità;
• La Calabria ha una connessione con la Campania per un ammontare di 0,54 unità e con la Puglia per un ammontare di 0,64 unità;
• La Calabria ha una connessione con la Puglia per un ammontare di 0,64 unità.

Sono stati inoltre individuate le seguenti strutture a network semplificate ovvero:

• L’Emilia Romagna ha una connessione con la Toscana per un ammontare di 0,71 unità;
• La Liguria ha una connessione con la Lombardia per un ammontare di 0,64 unità;
• Il Piemonte ha una connessione con la Valle d’Aosta per un ammontare di 0,3 unità;
• La Sardegna ha una connessione con il Lazio per un ammontare di 0,67 unità.

Predizione con algoritmi di machine learning. Di seguito viene presentata un confronto con algoritmi di machine learning per predire il valore futuro del valore di lifelong learning nelle regioni italiane. Gli algoritmi sono stati addestrati con il 70% dei dati mentre la restante parte è stata utilizzata per realizzare l’attività di predizione vera e propria. Gli algoritmi sono  organizzati in base alla capacità di massimizzare l’R-quadro e la riduzione degli errori statistici MAE, MSE, RMSE. Ne deriva il seguente ordinamento degli algoritmi ovvero:

• Random Forest Regression con un valore del payoff pari a 4;
• Linear Regression con un valore del payoff pari a 9;
• PNN-Probabilistic Neural Network con un valore del payoff pari a 11;
• ANN-Artificial Neural Network con un valore del payoff pari a 16;
• Tree Ensemble Regression con un valore del payoff pari a 20;
• Simple Regression Tree con un valore del payoff pari a 24;
•  Gradient Boosted Trees Regression con un valore del payoff pari a 28;
• Polynomial Regression con un valore del payoff pari a 32.

Applicando pertanto l’algoritmo Random Forest Regression è possibile individuare le seguenti predizioni per i seguenti paesi ovvero:

• Campania con un valore pari a +235,87%;
• Veneto con un valore pari a +137,41%;
• Emilia Romagna con un valore pari  a +23,23%;
• Umbria con una variazione pari a +0,89%;
• Marche con una variazione pari a +23,23%;
• Lazio con una variazione pari a +23,23%.

In media è prevista una crescita del valore del lifelong learning pari ad un ammontare di 73,98%.

Conclusioni. Complessivamente tra il 2014 ed il 2021 il valore del lifelong learning è cresciuto in media nelle regioni italiane del 20,90%. Nei dati è evidente la contrapposizione tra Nord e Sud. Il Nord infatti ha elevati livelli di lifelong learning rispetto ai corrispondenti valori del Sud. Tuttavia, la predizione con l’algoritmo Random Forest Regression individua un andamento crescente del valore di lifelong learning nel futuro sia a Nord che a Sud. Il passaggio all’economia della conoscenza richiede un impegno da parte della popolazione nella formazione permanente. La formazione permanente è anche necessaria per poter partecipare attivamente alla vita politica, economica e sociale. Inoltre la formazione permanente è richiesta anche per usufruire dei nuovi servizi che la pubblica amministrazione e le aziende offrono a cittadini e consumatori. Il crescente valore di innovativeness di beni e servizi pubblici e privati richiede una crescita della capacità cognitiva della popolazione che può essere acquisita anche grazie al lifelong learning.

Nota: i valori del Trentino Alto Adige sono calcolati come media tra i valori della Provincia Autonoma di Bolzano ed i valori della Provincia Autonoma di Trento.

RIPRODUZIONE RISERVATA ©