La rassegna della settimana: #1 OECD: per motivi economici è fondamentale conoscere la localizzazione fisica dell’infrastruttura computazionale globale. #2 Health Policy: diversi Paesi con differenti sistemi di welfare affrontano sfide simili nell’affrontare la gestione dell’LTC. #3 ORBilu: L’invecchiamento della popolazione distoglie risorse dagli investimenti produttivi rallentando la crescita economica. #4 Bruegel: tra il 2010 e il 2021 le disuguaglianze di genere si sono ampliate in modo significativo nella fascia medio-alta della ricchezza.
È importante conoscere la localizzazione fisica dell’infrastruttura computazionale globale per ragioni economiche, di sicurezza delle catene di approvvigionamento, di governance e di sovranità digitale. Il paper “Measuring Domestic Public Cloud Compute Availability for Artificial Intelligence” (OECD, ottobre 2025) presenta una metodologia per stimare e monitorare la distribuzione fisica globale delle capacità di calcolo disponibili nel cloud pubblico per l’intelligenza artificiale (AI). La presenza domestica di centri di calcolo può favorire l’occupazione, l’innovazione e la rapidità di esecuzione delle applicazioni AI, ma solleva anche interrogativi su proprietà, controllo e accesso equo alle risorse. (Leggi)
Norvegia, Finlandia, Paesi Bassi, Romania, Spagna, Italia e Australia nonostante le differenze nei modelli di welfare, affrontano sfide simili legate all’invecchiamento della popolazione e alla cronica carenza di personale. È quanto emerge da uno studio di M. Felder e altri “Different systems, same challenges: a comparative analysis of long-term care resilience in Norway, Finland, the Netherlands, Romania, Spain, Italy and Australia” pubblicato in anteprima sulla rivista Health Policy n. 105484 di novembre 2025. Benché i sistemi di LTC di ciascun Paese differiscano per struttura, tutti condividono sfide comuni: carenza di personale, aumento della domanda, necessità di innovazione e di equilibrio tra cura formale e informale. (Leggi)
Il ruolo dell’invecchiamento della popolazione è centrale nelle economie avanzate: non solo agisce attraverso la riduzione della forza lavoro, ma soprattutto tramite meccanismi politici che alterano le priorità della spesa pubblica. Viene modificata la domanda elettorale e si inducono i governi a privilegiare il welfare rispetto agli investimenti produttivi. È quanto emerge dal lavoro di “Population Ageing, Economic Growth and the Composition of Government Expenditure”. Questa redistribuzione intergenerazionale produce benefici immediati per le coorti più anziane ma indebolisce la base di capitale umano e fisico necessaria alla crescita futura. L’invecchiamento genera una tensione tra equità e efficienza, con effetti duraturi sulla dinamica economica complessiva. (Leggi)
Le disparità di ricchezza basate sul genere si sono ampliate nel tempo. Questa disparità distributiva era appena visibile nel 2010, ma è diventata pronunciata entro il 2021. È quanto emerge da Working paper Bruegel di Z. Darvas e N. Ruer (ottobre 2025) “Gender wealth inequality in the European Union: a distributional perspective”. Gli uomini hanno maggiori probabilità di possedere immobili, gestire imprese e investire in attività finanziarie rischiose. Le donne, al contrario, detengono più depositi bancari e attività a basso rischio. Sebbene le donne abbiano un livello di istruzione più elevato, tipicamente associato a una maggiore ricchezza, questo vantaggio non si traduce in risultati finanziari. (Leggi)
LA GEOGRAFIA DELLA POTENZA COMPUTAZIONALE
Il calcolo computazionale è una risorsa cruciale per lo sviluppo e il dispiegamento dei sistemi di AI, accanto ad algoritmi e dati. Le capacità di calcolo si basano su semiconduttori specializzati detti acceleratori di AI (GPU, TPU, ecc.), ospitati in data center. I principali fornitori di queste risorse sono tre: strutture di calcolo finanziate dai governi, cluster privati e fornitori di cloud pubblico. Nonostante la rilevanza di queste infrastrutture, finora la loro distribuzione geografica non era stata analizzata in modo sistematico, soprattutto per difficoltà metodologiche. L’OCSE ha sviluppato una metodologia basata sul conteggio annuale delle regioni cloud — poli fisici dove risiedono data center dotati di acceleratori per l’AI — appartenenti ai principali operatori che insieme coprono oltre il 70% del mercato globale. Le regioni vengono identificate dai dati pubblici dei fornitori (AWS, Microsoft Azure, Google Cloud e altri) e classificate in base alla disponibilità di specifici acceleratori.
Il metodo distingue tra hardware rilevante per l’addestramento di modelli avanzati (GPU più recenti come H100, A100, TPU Trillium, AWS Trainium) e quello più adatto all’inferenza (GPU più datate come V100, o chip proprietari di generazione precedente). Sebbene la metodologia non quantifichi il numero effettivo di acceleratori, consente di stabilire se un Paese dispone o meno di infrastrutture cloud pubbliche idonee per l’AI e di classificarle in tre livelli: nessuna disponibilità, solo inferenza, o inferenza e addestramento. La validità del metodo è limitata perché non misura la quantità di risorse, ma la sua affidabilità e riproducibilità sono elevate: i dati sono pubblici e aggiornabili ogni anno, e la raccolta può essere in parte automatizzata.
Uno studio pilota del 2023 aveva individuato 187 regioni cloud in 39 economie, di cui 101 nei Paesi OCSE. Tredici membri dell’OCSE ospitano infrastrutture idonee sia all’addestramento che al dispiegamento di sistemi di AI avanzata; quattro dispongono solo di risorse per l’inferenza; gli altri non avevano capacità di calcolo pubblico per l’AI. La concentrazione geografica è marcata: Stati Uniti e Cina insieme possiedono quasi la metà delle regioni globali. Gli Stati Uniti ospitano le GPU più potenti e aggiornate, mentre in Cina e in molte altre economie prevalgono modelli più datati. La metodologia proposta fornisce un primo passo verso una misurazione sistematica della capacità di calcolo per l’AI a livello nazionale, offrendo agli Stati un riferimento per valutare la propria posizione nell’ecosistema globale dell’intelligenza artificiale e per pianificare politiche di sviluppo e governance del calcolo.
OECD – Measuring Domestic Public Cloud Compute Availability for Artificial Intelligence
INVECCHIAMENTO ED LTC NEI PAESI OCSE
La resilienza dei sistemi di assistenza a lungo termine (LTC) in sette paesi – Norvegia, Finlandia, Paesi Bassi, Romania, Spagna, Italia e Australia – evidenziando come, pur con strutture di welfare diverse, tutti affrontino problematiche simili legate alla carenza di personale e all’invecchiamento della popolazione. Lo studio, basato su un’analisi qualitativa comparativa, utilizza dati OCSE e fonti nazionali per confrontare caratteristiche dei sistemi, composizione della forza lavoro, ruolo dell’assistenza informale e strategie di adattamento. Nonostante le differenze tra modelli pubblici e assicurativi, emerge che la domanda di cura cresce più rapidamente dell’offerta di operatori qualificati, aggravando il carico di lavoro, i tassi di assenza per malattia e il turnover.
I paesi nordici e l’Australia possiedono sistemi più strutturati e finanziati, mentre Italia, Spagna e Romania fanno maggiore affidamento sull’assistenza familiare o informale. In tutti i contesti, tuttavia, si osservano politiche comuni: promozione dell’aging in place per favorire la permanenza degli anziani nelle proprie abitazioni, integrazione tra servizi sanitari e sociali, uso crescente di tecnologie digitali e telemedicina, e pratiche di task shifting per distribuire le mansioni tra diverse figure professionali. La forza lavoro LTC mostra variazioni significative: in Norvegia operano 13 lavoratori ogni 100 over 65, contro i 4–5 di Finlandia e Spagna. I contratti part-time sono molto diffusi nei Paesi Bassi e in Australia, dove prevalgono anche rapporti temporanei o autonomi. L’aumento dei lavoratori indipendenti risponde al desiderio di maggiore autonomia e retribuzioni più alte, ma genera costi aggiuntivi e minore continuità assistenziale.
L’assistenza informale, spesso svolta da donne, resta fondamentale in tutti i paesi: in Spagna copre circa l’80% dei bisogni di cura, mentre in Finlandia il 57% delle ore di assistenza è fornito da familiari. Alcuni paesi, come Australia e Italia, prevedono indennità o congedi retribuiti per i caregiver, e servizi di sollievo per prevenirne il burnout. Le strategie per affrontare le difficoltà si basano su un insieme di interventi che cercano di ridurre la domanda di assistenza formale, promuovere la cooperazione tra servizi, incoraggiare l’uso di tecnologie e migliorare le condizioni di lavoro. Nei paesi osservati la telemedicina, le piattaforme digitali e la gestione elettronica dei dati clinici vengono utilizzate per rendere più efficiente l’organizzazione e sostenere la domiciliarità, ma la loro integrazione nelle pratiche quotidiane rimane complessa. Parallelamente, cresce l’attenzione verso il benessere degli operatori e la valorizzazione professionale di infermieri e assistenti, in un’ottica che mira a coniugare qualità del lavoro e continuità delle cure.
https://www.sciencedirect.com/science/article/pii/S0168851025002386
CON POPOLAZIONE ANZIANA VI È MENO CRESCITA
Gli autori hanno sviluppato e testato un modello empirico di economia politica in cui l’invecchiamento della popolazione porta a un elettore mediano più anziano che, con il voto a maggioranza, influenza la composizione della spesa pubblica, spiazzando gli investimenti privati. Il modello genera tre previsioni verificabili, che valutiamo utilizzando i dati: (i) l’invecchiamento della popolazione aumenta la spesa pubblica per gli anziani (in percentuale sul prodotto); (ii) non ha effetti significativi sulla spesa produttiva (in percentuale sul prodotto); e (iii) riduce il tasso di crescita economica. L’analisi fornisce un solido supporto a tutte e tre le previsioni. L’invecchiamento della popolazione incide sulla crescita economica modificando la composizione della spesa pubblica.
L’aumento dell’età media sposta le preferenze dell’elettore mediano verso una maggiore spesa per gli anziani, riducendo quella per investimenti produttivi e, di conseguenza, il tasso di crescita. Nel modello teorico, la popolazione è caratterizzata da un rapporto di sostegno (support ratio), ossia la quota di persone in età lavorativa (15–64 anni) rispetto agli adulti totali (oltre 15 anni). Il calo di tale rapporto rappresenta l’invecchiamento demografico. Quando l’elettore mediano diventa più anziano, egli tende a votare per una politica fiscale che privilegi la spesa in servizi sanitari e pensioni, aumentando le tasse complessive e sacrificando la crescita. Il modello prevede tre effetti principali: l’invecchiamento aumenta la spesa per gli anziani, non modifica significativamente la spesa produttiva (istruzione, trasporti, ricerca), e riduce la crescita economica di lungo periodo.
L’analisi, condotta su dati OCSE (2007-2018) e successivamente su 178 Paesi (2000-2018), conferma le ipotesi teoriche. Nelle economie industrializzate, un minor support ratio si associa a una maggiore incidenza della spesa per old age e assistenza ospedaliera sul PIL, mentre non si osservano effetti rilevanti su istruzione terziaria, trasporti, comunicazioni e R&D. Le regressioni OLS e IV (con previsioni demografiche delle Nazioni Unite) mostrano che l’invecchiamento provoca un rialzo sistematico della spesa sociale a favore degli anziani. Le stime GMM, infine, evidenziano che una quota più elevata di spesa sanitaria riduce significativamente la crescita del reddito pro capite, confermando che la riconfigurazione del bilancio pubblico verso categorie non produttive ostacola lo sviluppo.
GENDER GAP IN AUMENTO
La disuguaglianza di ricchezza tra uomini e donne nell’Unione Europea è stata analizzata utilizzando i dati 2010-2021 dell’Household Finance and Consumption Survey della BCE. Lo studio si concentra su individui single, mai sposati, senza figli e di età compresa tra 25 e 65 anni, per eliminare gli effetti di eredità coniugali, divorzio e risparmi di coppia. In media, non emerge un divario di ricchezza significativo tra uomini e donne nell’UE nel complesso, ma l’analisi per livelli di ricchezza mostra un quadro più complesso: le differenze sono minime tra i meno abbienti, ma diventano marcate nella classe media e tra i più ricchi, segnalando che le disuguaglianze di genere aumentano con la ricchezza. Questo divario, quasi inesistente nel 2010, è diventato evidente nel 2021.
Gli uomini sono più propensi a possedere immobili, gestire imprese e investire in attività finanziarie rischiose, mentre le donne detengono più spesso depositi bancari e investimenti a basso rischio. Pur avendo livelli medi di istruzione più alti, le donne non riescono a trasformare appieno tale vantaggio in ricchezza finanziaria. Le differenze tra Paesi sono ampie e dipendono da norme culturali, contesti istituzionali, mercati del lavoro e regimi successori. L’analisi conferma che essere single comporta, in generale, una minore ricchezza rispetto agli individui sposati, sebbene con variazioni significative tra Stati membri. Nel dettaglio, in circa metà dei Paesi UE le donne single hanno meno patrimonio degli uomini, in particolare in Austria, Germania, Francia, Lettonia, Irlanda e Malta, mentre in altri (come Estonia, Lituania, Slovacchia e Portogallo) accade l’opposto. Tuttavia, considerando la distribuzione complessiva, le differenze diventano consistenti solo nella fascia medio-alta della ricchezza.
Le regressioni medie non mostrano differenze significative, ma le analisi dei quantili evidenziano che sopra il 40º percentile le donne possiedono tra il 25% e il 40% di ricchezza in meno rispetto agli uomini. Ciò riflette un vantaggio maschile concentrato tra i patrimoni elevati, dovuto anche a maggiore partecipazione maschile a investimenti rischiosi e attività imprenditoriali. Nel periodo 2010-2021, la disparità si è accentuata nel tempo, soprattutto nelle fasce medie e alte della distribuzione, in parallelo con la crescita dei prezzi degli asset finanziari e immobiliari. Le donne, meno esposte a tali attività, hanno beneficiato meno dell’aumento dei valori patrimoniali. Sebbene il divario medio di genere nella ricchezza complessiva sia ridotto, la disuguaglianza cresce ai livelli più alti di patrimonio e si è ampliata nell’ultimo decennio, con forti differenze tra Paesi e con un ruolo centrale delle dinamiche culturali, delle scelte di investimento e dei meccanismi di accumulazione patrimoniale.
Bruegel – Gender wealth inequality in the European Union: a distributional perspective
