Τμήμα Οικονομικής Επιστήμης

Μόνιμο URI για αυτήν την κοινότηταhttps://pyxida.aueb.gr/handle/123456789/59

Το Τμήμα Οικονομικής Επιστήμης είναι το αρχαιότερο Τμήμα στον χώρο των Οικονομικών Επιστημών στην Ελλάδα. Η ίδρυσή του συμπίπτει με την ίδρυση της ΑΣΟΕΕ το 1920. Σαφής διάκριση μεταξύ των Οικονομικών και Εμπορικών Επιστημών γίνεται για πρώτη φορά το 1955. Τα δυο Τμήματα ανεξαρτητοποιούνται πλήρως το 1984. Το 1978 λειτουργεί το πρώτο Πρόγραμμα οργανωμένων μεταπτυχιακών σπουδών στη χώρα. Το Τμήμα αποκτά τη σημερινή του ονομασία το 1989. Σκοπός του Τμήματος είναι η συμβολή στην προαγωγή της Οικονομικής Επιστήμης και η κατάρτιση οικονομολόγων υψηλού επιπέδου. Η επίτευξη των σκοπών αυτών γίνεται με την ανάπτυξη της έρευνας και με την οργάνωση των σπουδών κατά τρόπο ώστε να ανταποκρίνονται στις απαιτήσεις της Επιστήμης και στις ανάγκες της σύγχρονης Οικονομίας και κοινωνίας, καλύπτοντας εύρος θεμάτων στην οικονομική επιστήμη και ανάλυση, στις ποσοτικές μεθόδους και σε άλλες κοινωνικές επιστήμες. Το επιστημονικό προσωπικό του Τμήματος έχει υψηλή αναγνωρισιμότητα στο διεθνή επιστημονικό κλάδο και με κριτήριο το συνολικό έργο -ερευνητικό και διδακτικό- των μελών ΔΕΠ, αποτελεί το κορυφαίο Τμήμα της χώρας στον τομέα της Οικονομικής Επιστήμης. Το Τμήμα είναι, επίσης, πρώτο στις προτιμήσεις των υποψηφίων φοιτητών μεταξύ των Τμημάτων της κατηγορίας του. Οι πτυχιούχοι του Τμήματος έχουν ευνοϊκές προοπτικές επαγγελματικής αποκατάστασης στα ερευνητικά κέντρα και σε οργανισμούς της χώρας, στις τράπεζες και στα χρηματοπιστωτικά ιδρύματα, στις επιχειρήσεις, στη δευτεροβάθμια εκπαίδευση και στη δημόσια διοίκηση. Επίσης έχουν έξοχες προοπτικές για μεταπτυχιακές σπουδές στην Οικονομική Ανάλυση, στα Εφαρμοσμένα Οικονομικά και σε συναφείς κλάδους εξειδίκευσης. URL: http://www.econ.aueb.gr

Περιήγηση

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω

Τώρα δείχνει 1 - 7 από 7

A combination of machine learning with classical econometric approaches for temporal disaggregation
Βαρελάς, Κωνσταντίνος; Varelas, Konstantinos; Athens University of Economics and Business, Department of Economics; Antoniou, Fabio; Pagratis, Spyros; Alexopoulos, Angelos
Αυτή η μελέτη συνεισφέρει στη βιβλιογραφία του χρονικού επιμερισμού σειρών στο πλαίσιο της οικονομίας και ειδικότερα στο πλαίσιο της άυλης οικονομίας. Μέχρι τώρα η έρευνα επικεντρωνόταν κυρίως σε στατικές και δυναμικές παλινδρομήσεις και σε διαρθρωτικά υποδείγματα χρονολογικών σειρών, όμως αυτές οι προσεγγίσεις συνεπάγονται κάποιες υποθέσεις. Σε αυτή τη διπλωματική προτείνεται μία υβριδική μέθοδος που συνδυάζει XGBoost και GLS μοντέλα. Τα οφέλη αυτής της προσέγγισης είναι η μη ύπαρξη υποθέσεων, η δυνατότητα χρήσης ενός εξαντλητικού αριθμού ανεξάρτητων μεταβλητών και η συνέπεια στα αποτελέσματα. Συνολικά 33 μοντέλα αξιολογούνται βάσει ποσοτικών και ποιοτικών κριτηρίων σε δεδομένα που αφορούν 16 ευρωπαϊκές χώρες και διάφορες χρονικές περιόδους. Επίσης, προσπάθεια γίνεται να αναπαραχθούν τα αποτελέσματα των Αλεξόπουλου και Βαρθαλίτη που ήταν οι πρώτοι που χρησιμοποίησαν XGBoost για να επιμερίσουν χρονολογικές σειρές. Τέλος, οι σειρές GVA adjusted, Non-National Accounts Intangible Investment, and Total Intangible Investment επιμερίζονται χρονικά από ετήσια σε τριμηνιαία συχνότητα για πρώτη φορά. Ο επιμερισμός καλύπτει 19 επιμέρους τομείς της οικονομίας συμπεριλαμβανομένων των συνόλων των τομέων 16 ευρωπαϊκών χωρών για κάθε μία από τις 3 προαναφερθείσες μεταβλητές. Τα δεδομένα αντλούνται από τη βάση EUKLEMS & INTANProd και την Eurostat.
Causal inference to evaluate tax audits
(2025-03-26) Υφαντή-Καττή, Δήμητρα; Yfanti-Katti, Dimitra; Pagratis, Spyridon; Dendramis, Yiannis; Alexopoulos, Angelos
Οι σταδιακές παρεμβάσεις πολιτικής έχουν αυξηθεί το τελευταίο διάστημα, με την ελληνική κυβέρνηση να ενισχύει προγράμματα που εξετάζουν και βοηθούν στον εντοπισμό προτύπων για μελλοντικές βελτιώσεις. Η ανάγκη για εις βάθος κατανόηση της επίδρασης στην οικονομική δραστηριότητα των ελληνικών επιχειρήσεων έχει αναδείξει τη σημασία της ενσωμάτωσης ποικίλων αναλυτικών μεθόδων.Η παρούσα διπλωματική εργασία εστιάζει στον τομέα του causal inference, δίνοντας ιδιαίτερη έμφαση στον συνδυασμό κλασικών οικονομετρικών τεχνικών με προσεγγίσεις μηχανικής μάθησης. Στόχος μας είναι η εκτίμηση του αντίκτυπου μιας σταδιακής πολιτικής παρέμβασης στις ελληνικές επιχειρήσεις, συνδυάζοντας μια μακροοικονομική ανάλυση μέσω της μεθόδου Generalized Synthetic Control με μια μικροοικονομική ανάλυση σε επίπεδο μονάδας μέσω των Causal Forests.Τα αποτελέσματα υποδεικνύουν μια σημαντική συνολικά θετική επίδραση, με πολλαπλές φάσεις αντίδρασης στο treatment, οι οποίες περιλαμβάνουν μια αρχική αύξηση, ακολουθούμενη από μια φάση σταθεροποίησης και, σε ορισμένες περιπτώσεις, μια δευτερογενή αύξηση. Μέσω αυτής της λεπτομερούς ανάλυσης, η μελέτη στοχεύει να συμβάλει στην ευρύτερη κατανόηση και εφαρμογή συνδυασμένων μεθόδων στο κομμάτι του causal inference.
Development of machine learning methods for detection of tax evasion and avoidance
(29-12-2023) Λαλούσης, Κυριάκος; Lalousis, Kyriakos; Athens University of Economics and Business, Department of Economics; Pagratis, Spyridon; Zacharias, Eleftherios; Alexopoulos, Angelos
Η απάτες πιστωτικών καρτών είναι μια σημαντική οικονομική απειλή, με σημαντικές οικονομικές απώλειες ετησίως. Ο αποτελεσματικός εντοπισμός δόλιων συναλλαγών είναι κρίσιμος για τον μετριασμό αυτών των απωλειών, με τους σύγχρονους αλγόριθμους να βασίζονται σε μεγάλο βαθμό σε προηγμένες τεχνικές μηχανικής εκμάθησης. Η ανάπτυξη αποτελεσματικών αλγορίθμων ανίχνευσης απάτης είναι ιδιαίτερα δύσκολη λόγω πολλών παραγόντων, όπως οι εξαιρετικά ανισόρροπες κατανομές των κατηγοριών απάτη ή όχι απάτη και η συνεχής ροή δεδομένων συναλλαγών σε πραγματικό χρόνο στα σύνολα δεδομένων. Επίσης, η πρόσβαση σε δημόσια δεδομένα σε αυτόν τον τομέα είναι περιορισμένη λόγω θεμάτων εμπιστευτικότητας που προκύπτουν από τους κανονισμούς των χρηματοπιστωτικών οργανισμών.Ο πυρήνας της ανάλυσής μας είναι ένα πραγματικό σύνολο δεδομένων πιστωτικών καρτών που ελήφθη από μια συνεργασία της Worldline και της Machine Learning Group του Universit ́e Libre de Bruxelles, παρέχοντας μια πρακτική βάση για την κατανόηση της πολυπλοκότητας που συνεπάγεται η ανίχνευση απάτης σε αυτόν τον τομέα.Το προαναφερθέν σύνολο δεδομένων έχει προηγουμένως διερευνηθεί από άλλους ερευνητές, εστιάζοντας κυρίως σε εποπτευόμενες τεχνικές για τον εντοπισμό απάτης με πιστωτικές κάρτες. Εκτενώς έχουν χρησιμοποιήσει μια σειρά εποπτευόμενων τεχνικών όπως Logistic Regression, Decision Tree Algorithms, Gradient Boosting. Περνώντας πέρα από τις παραδοσιακές προσεγγίσεις, η έρευνά μας εμβαθύνει στον τομέα των τεχνικών unsupervised, όπως η clustering, εισάγοντας ένα καινοτόμο στοιχείο. Αυτή η νέα συμπερίληψη εμπλουτίζει την ανάλυση αποκαλύπτοντας ενδιαφέροντα μοτίβα και σχέσεις μέσα στα δεδομένα συναλλαγής. Επιπλέον, η μελέτη κάνει ένα πρωτοποριακό βήμα συνδυάζοντας εποπτευόμενες μεθόδους με μη εποπτευόμενες και προσεγγίσεις που βασίζονται σε spectral graph clustering. Ο κύριος στόχος μας είναι να τονίσουμε τον ζωτικό ρόλο των ισχυρών τεχνικών στην καταπολέμηση της απάτης, τονίζοντας τη σημασία της μόχλευσης προηγμένων προσεγγίσεων μηχανικής μάθησης.
The effect of journal title changes on their recognition: a quasi-experimental analysis
(13-03-2025) Λογοθέτη, Χριστίνα; Logotheti, Christina; Athens University of Economics and Business, Department of Economics; Bilias, Ioannis; Dendramis, Yiannis; Alexopoulos, Angelos
Αυτή η διπλωματική εργασία εξετάζει βασικές ημιπειραματικές μεθόδους και διερευνά την επίδραση των αλλαγών ονόματος επιστημονικών περιοδικών στην αναγνωρισιμότητά τους. Συγκεκριμένα, αναλύεται το πώς αυτές οι αλλαγές τίτλου επηρεάζουν τον αριθμό των αναφορών μετά τη αλλαγή ονόματος. Δεδομένου του μη τυχαίου χαρακτήρα του περιβάλλοντος, χρησιμοποιείται η μέθοδος Generalized Synthetic Control του Xu για την εκτίμηση του αιτιακού αποτελέσματος. Το σύνολο δεδομένων περιλαμβάνει περιοδικά που άλλαξαν όνομα μία φορά μεταξύ 1980 και 2010. Τα ευρήματα δείχνουν ότι, κατά μέσο όρο, τα περιοδικά που υπέστησαν αλλαγή παρουσιάζουν μια μέτρια μείωση στις αναφορές μετά την αλλαγή ονόματος. Ωστόσο, το αποτέλεσμα διαφέρουν ανάμεσα στα περιοδικά, με ορισμένα να εμφανίζουν ακόμη και αύξηση στις αναφορές τους. Τα αποτελέσματα αυτά υποδεικνύουν ότι, ενώ η μετονομασία ενός περιοδικού ενέχει κινδύνους, μπορεί επίσης να προσφέρει ευκαιρίες για αυξημένη προβολή. Απαιτείται περαιτέρω έρευνα για μια πιο ολοκληρωμένη κατανόηση των παραγόντων που καθορίζουν αυτή την ετερογένεια στα αποτελέσματα.
Examining the impact of commodities prices on dry bulk shipping market
(31-01-2024) Παπαθανασοπούλου, Γεωργία; Papapthanasopoulou, Georgia; Athens University of Economics and Business, Department of Economics; Pagratis, Spyros; Dendramis, Yiannis; Alexopoulos, Angelos
Αυτή η μελέτη διερευνά την επίδραση των τιμών των εμπορεύσιμων εμπορευμάτων στο Dry Bulk Shipping Market, εστιάζοντας σε σημαντικούς δείκτες όπως ο Baltic Dry Index, Baltic Capesize Index, Baltic Panamax Index, Baltic Supramax Index και Baltic Handysize Index. Η εξέταση των ιστορικών δεδομένων για κάθε δείκτη αποκαλύπτει την ευαισθησία τους σε διάφορα σημαντικά γεγονότα, συμπεριλαμβανομένων των οικονομικών κρίσεις και πιο πρόσφατα, η πανδημία COVID-19. Αυτές οι τιμές δεικτών χρησιμεύουν ως δείκτες του τρόπου με τον οποίο το κόστος του εμπορίου ναυτιλίας ποικίλλει ανάλογα με τους τύπους σκαφών και, σε ένα ευρύτερο πλαίσιο, αντικατοπτρίζει δυνητικά την απόδοση της οικονομικής ανάπτυξης. Αντιμετώπιση της πρόκλησης της αναντιστοιχίας συχνότητας στην απελευθέρωση μεταβλητών ενδιαφέροντος - με τις τιμές των εμπορευμάτων που εκδίδονται μηνιαίως και τους δείκτες λειτουργικός σε βάση εργάσιμης ημέρας - η μελέτη χρησιμοποιεί μικτές προσεγγίσεις δειγματοληψίας δεδομένων, χρησιμοποιώντας συγκεκριμένα τις μεθόδους Reverse-Midas (R-MIDAS) και Generalized Autoregressive Conditional Heteroskedasticity-MIDAS (GARCH-MIDAS).Συμπερασματικά, η μελέτη συγκρίνει την απόδοση αυτών των δύο προσεγγίσεων για να προσδιοριστεί ποιο εμπόρευμα - σίδηρος, άνθρακας ή βωξίτης - έχει το πιο σημαντικό αντίκτυπο σε κάθε δείκτη. Ο στόχος είναι να προσδιοριστεί ποιο εμπόρευμα παρέχει το βέλτιστη εκτίμηση πρόβλεψης για κάθε δείκτη.
Matrix completion and factor models in causal inference: establishing a new standard
(21-02-2024) Μυλωνάκης, Χρήστος; Mylonakis, Christos; Athens University of Economics and Business, Department of Economics; Pagratis, Spyros; Dendramis, Yiannis; Alexopoulos, Angelos
Η παρούσα εργασία διεισδύει στο προσκήνιο των μεθοδολογιών αιτιώδους συμπερασματολογίας, με ιδιαίτερη έμφαση στον αναδυόμενο τομέα των μοντέλων αιτιωδών παραγόντων. Ειδικότερα, οι εκτιμητές που εισάγονται από Xu (2017) και Athey et al. (2021) αποτελούν ουσιαστική πρόοδο, προσφέροντας μια χαλάρωση των υποθέσεων προσδιορισμού που σχετίζονται με τον παραδοσιακό Two-Way Fixed Effects (TWFE) εκτιμητή, ενισχύοντας έτσι τη μεθοδολογική ευελιξία. Παρά τις δυνατότητές τους, τα εν λόγω μοντέλα έχουν συγκεντρώσει σχετικά μέτρια προσοχή, με συνδυασμένο αριθμό αναφορών 1.484 στο Google Scholar. Αυτό έρχεται σε πλήρη αντίθεση με τους εναλλακτικούς εκτιμητές τύπου Differences-in-Differences (DiD), με παράδειγμα τους Callaway and Sant'Anna (2021), οι οποίοι, παρά το γεγονός ότι είναι μεταγενέστερη εργασία, έχουν λάβει πάνω από 4.000 αναφορές, γεγονός που υποδηλώνει μια σημαντική διαφορά στην επιστημονική αναγνώριση τους. Αυτή η εργασία αποσκοπεί στην σύγκριση της αποτελεσματικότητας των μοντέλων αιτιώδους παραγόντων έναντι τόσο των εναλλακτικών εκτιμητών τύπου DiD όσο και του κλασικού TWFE σε μια ποικιλία σεναρίων χρησιμοποιώντας προσομοιώσεις Monte Carlo. Επιπλέον, η παρούσα εργασία εφαρμόζει αυτές τις καινοτόμες μεθόδους σε μια εμπειρική εφαρμογή, αξιολογώντας τον αντίκτυπο μιας κλιμακωτής παρέμβασης πολιτικής στις ελληνικές επιχειρήσεις, όπου παρατηρήθηκε σημαντική θετική επίδραση διάρκειας πέντε μηνών. Μέσω μιας ολοκληρωμένης ανάλυσης, η μελέτη αυτή επιδιώκει να συμβάλει στην ευρύτερη κατανόηση και εφαρμογή της αιτιώδους συμπερασματολογίας και υποστηρίζει μια διαφοροποιημένη εννοιολογική στροφή προς τα μοντέλα αιτιώδους παραγόντων, προτείνοντάς τα ως τις νέες μεθοδολογίες αναφοράς στις εμπειρικές εφαρμογές.
Review of machine learning methods for detection of tax evasion and avoidance
(2025-03-26) Tzamourani, Panagiota; Τζαμουράνη, Παναγιώτα; Pagratis, Spyridon; Tzavalis, Elias; Alexopoulos, Angelos
Η απάτη στον τομέα της ενέργειας αποτελεί μια σημαντική οικονομική απειλή, οδηγώντας σε εκτεταμένες απώλειες κάθε χρόνο. Η σημασία των νέων αλγορίθμων, οι οποίοι βασίζονται κυρίως σε τεχνικές μηχανικής μάθησης, είναι μεγάλη, καθώς συμβάλλουν στον αποτελεσματικό εντοπισμό δόλιων αγορών και πωλήσεων, μια κρίσιμη παράμετρος για την ελαχιστοποίηση των απωλειών αυτών. Παρόλο που η ανάπτυξη αποτελεσματικών αλγορίθμων εντοπισμού απάτης είναι μια δύσκολη διαδικασία λόγω προβλημάτων όπως η ανισοκατανομή των κλάσεων και η συνεχής ροή συναλλακτικών δεδομένων, παραμένει μια μέθοδος που μπορεί να συμβάλει στην αποτροπή δόλιων ενεργειών και την εξοικονόμηση εκατομμυρίων δολαρίων ετησίως. Επιπλέον, η δημόσια πρόσβαση στον τομέα αυτό είναι περιορισμένη λόγω ανησυχιών σχετικά με την ιδιωτικότητα, που απορρέουν από τα κανονιστικά πλαίσια των χρηματοπιστωτικών οργανισμών. Η παρούσα έρευνα βασίζεται σε ελληνικές επιχειρήσεις που δραστηριοποιούνται στον τομέα της ενέργειας, χρησιμοποιώντας ένα πραγματικό σύνολο δεδομένων το οποίο προσφέρει πρακτικές γνώσεις σχετικά με τις προκλήσεις στον εντοπισμό απάτης στα χρηματοπιστωτικά συστήματα. Θα αναλύσουμε το εν λόγω σύνολο δεδομένων δίνοντας έμφαση σε ποικίλες επιβλεπόμενες τεχνικές, όπως η λογιστική παλινδρόμηση (Logistic Regression), οι αλγόριθμοι δέντρων αποφάσεων (Decision Trees), τα τυχαία δάση (Random Forests) και οι τεχνικές ενισχυτικής μάθησης (Gradient Boosting) για την ανίχνευση απάτης. Η έρευνά μας επεκτείνεται επίσης στον τομέα των ημι-επιβλεπόμενων μεθόδων, περιλαμβάνοντας τεχνικές μάθησης από θετικά και μη επισημασμένα δεδομένα (PU Learning). Αυτός ο διπλός προσανατολισμός αποτελεί ένα πρωτοποριακό βήμα, καθώς όχι μόνο αναδεικνύει την κατανόηση της κάθε τεχνικής ξεχωριστά, αλλά συνδυάζει και τις δύο προσεγγίσεις. Κύριος στόχος της παρούσας έρευνας είναι να αναδείξει τον κρίσιμο ρόλο των ισχυρών τεχνικών στην αντιμετώπιση της απάτης και τη σημασία των μεθόδων μηχανικής μάθησης.

Περιήγηση

Πλοήγηση Τμήμα Οικονομικής Επιστήμης ανά Επιβλέπων "Alexopoulos, Angelos"