Un approccio sui megadati potrebbe chiarire il paradosso della produttività europea
Nonostante il costante progresso tecnologico in diversi settori, la produttività del lavoro in Europa è rimasta relativamente stagnante o addirittura è diminuita negli ultimi anni. Tale fenomeno è noto come il «paradosso della produttività». Il modello Crépon-Duguet-Mairesse (CDM) ha fornito un quadro fondamentale per approfondire la produttività in relazione ai risultati dell’innovazione e agli investimenti nella ricerca. Dando il proprio contributo unico alla letteratura sul modello CDM, il progetto BIGPROD (Addressing productivity paradox with big data: implications to policy making), sostenuto dall’UE, ha utilizzato il modello per analizzare i dati relativi a investimenti in beni immateriali, ricadute interaziendali e innovazioni individuali. BIGPROD ha estrapolato i dati direttamente dai siti web aziendali per identificare quali fossero, a giudizio delle imprese, i risultati in materia di innovazione da esse raggiunti (ad esempio l’introduzione di nuovi prodotti o servizi) e per identificare eventuali collaborazioni intraprese. La piattaforma ideata dal progetto, che ospita il programma di estrapolazione dati dal web, ha accumulato dati da un campione di circa 180 000 aziende europee. La fase iniziale di prova di concetto del progetto ha messo alla prova la qualità e la quantità dei dati ricavabili dal campione. «Anche se l’analisi è ancora in esecuzione, sappiamo di aver recuperato dati significativi da circa il 60 % del nostro campione. Questo dato può sembrare limitato, ma se paragonato a un tasso di risposta di circa il 20 % a un tipico sondaggio, in realtà è buono», afferma il coordinatore del progetto Arho Suominen del Centro di Ricerca Tecnica VTT in Finlandia.
Estrapolazione di dati dal web
L’obiettivo campione del progetto erano tra 160 000 e 200 000 siti web aziendali, che avrebbero offerto un set di dati sufficientemente ampio da sviluppare un nuovo modo di considerare l’innovazione e la produttività. Seguendo lo standard intersettoriale per l’estrazione dei dati e guidato da classificazioni di settore, il team si è concentrato su tre gruppi: alta tecnologia, bassa tecnologia e servizi. Si SSisisSi ipotizza di riuscire a ottenere dati validi da aziende ad alta tecnologia che probabilmente hanno una forte presenza sul web, garantendo così un campione di grandi dimensioni. Al contrario, i ricercatori si aspettavano che i dati relativi alle aziende a bassa tecnologia fossero più scarsi. Infine, il team intendeva sviluppare nuovi modi per identificare l’innovazione dei servizi e quindi, ad esempio, ha esaminato i dati sugli annunci di impiego e le competenze richieste nel mercato del lavoro. «Sono rimasto sorpreso dal volume e dall’ampiezza dei dati che siamo stati in grado di raccogliere. Come previsto, abbiamo recuperato dati validi per il campione ad alta tecnologia, ma non per quello a bassa tecnologia. Per compensare, abbiamo ampliato la nostra analisi perché includesse le società di media tecnologia», spiega Suominen. Il team ha anche creato punti dati istruttivi su prodotti di innovazione, collaborazioni e attività aziendali, aprendo la possibilità di mappare reti di innovazione più ampie. «Abbiamo già individuato i collegamenti tra le aziende e le organizzazioni di ricerca in un modo completamente nuovo», aggiunge Suominen.
Verso politiche per la produttività sostenibile
BIGPROD ha perseguito gli obiettivi di sviluppo sostenibile (OSS) come quadro per una migliore comprensione dell’impatto socio-economico. Il team sta attualmente analizzando in che modo le dichiarazioni relative a missione e visione aziendale concernenti gli OSS possano indicare come integrare la transizione verso la sostenibilità negli obiettivi aziendali, un aspetto istruttivo per le politiche di innovazione. «Affinché gli investimenti in produttività abbiano un impatto socio-economico positivo, i responsabili delle politiche devono sapere quali leve politiche azionare. BIGPROD sta lavorando per determinare in che modo i paesi possono creare le giuste condizioni per l’innovazione», conclude Suominen. Dopo una serie di incontri con le parti interessate, tra cui responsabili delle politiche, esperti di statistica, economisti e analisti di dati, il team inizierà presto la fase di modellazione per estrarre ulteriori informazioni sulla produttività dai propri dati. I ricercatori intendono utilizzare programmi Python open-source per consentire ad altri di beneficiare dei loro risultati e della loro metodologia.
Parole chiave
BIGPROD, paradosso della produttività, estrapolazione di dati dal web, azienda, Crépon-Duguet-Mairesse, innovazione, investimento, alta tecnologia, bassa tecnologia, OSS, economico
