2025-05-082025-05-082025-02-26https://pyxida.aueb.gr/handle/123456789/11929Μπορεί μια ενιαία πολιτική να εξυπηρετήσει πραγματικά τις ποικίλες ανάγκες των περιφερειών της Ευρώπης, ή ο αντίκτυπός της ξεδιπλώνεται μέσα στην κρυφή σύνδεση του τόπου και του χρόνου; Η ασύμμετρη κατανομή της οικονομικής μεγέθυνσης και ανάπτυξης στις ευρωπαϊκές περιφέρειες αποτελεί μια επίμονη πρόκληση για την Ευρωπαϊκή Ένωση, παρά τις δεκαετίες προγραμμάτων περιφερειακών επιδοτήσεων που αποσκοπούν στην προώθηση της σύγκλισης. Η μέση επίδραση της θεραπείας (ATE) αυτών των προγραμμάτων έχει παραδοσιακά μελετηθεί μέσω οικονομετρικών προσεγγίσεων, όπως η Difference-in-Differences (DiD) και η Two-Way Fixed Effects (TWFE). Ωστόσο, αυτές οι μέθοδοι όχι μόνο υποφέρουν από μεροληψία σε ρυθμίσεις κλιμακωτής υιοθέτησης ή όταν τα αποτελέσματα της θεραπείας ποικίλλουν με την πάροδο του χρόνου, αλλά και αποτυγχάνουν να συλλάβουν ετερογενή αποτελέσματα της θεραπείας. Η παρούσα διατριβή αποσκοπεί στην αντιμετώπιση αυτών των περιορισμών με την αξιολόγηση της εφαρμογής πολιτικής μέσω του Generalized Synthetic Control (GSC) και των Causal Forests. Πρώτον, ο GSC επικυρώνει τη συνολική επίδραση των περιφερειακών επιδοτήσεων της ΕΕ, παρέχοντας ένα ευέλικτο αντιπαραθετικό πλαίσιο για την αξιολόγηση της συνολικής επιτυχίας του προγράμματος. Συμπληρώνοντας αυτή την ανάλυση, χρησιμοποιούνται τα Causal Forests για να αποκαλυφθεί η σημαντική διακύμανση των εν λόγω αποτελεσμάτων μεταξύ των περιφερειών, προσδιορίζοντας ποιες περιφέρειες επωφελούνται περισσότερο και ποιες παραμένουν ανεπηρέαστες. Τα εμπειρικά αποτελέσματα αποκαλύπτουν σημαντική ετερογένεια στις επιπτώσεις των περιφερειακών επιδοτήσεων της ΕΕ. Τα Causal Forests καταδεικνύουν διαφορετικά επίπεδα επιδράσεων της μεταχείρισης σε όλες τις περιφέρειες, παρά τις θετικές μέσες επιδράσεις, καθώς ορισμένες περιφέρειες έχουν μεγάλα οφέλη, ενώ άλλες παρουσιάζουν ελάχιστες αντιδράσεις. Οι γνώσεις αυτές μετατοπίζουν το ενδιαφέρον στην κατανόηση του για ποιους και υπό ποιες συνθήκες οι επιδοτήσεις είναι πιο αποτελεσματικές, αντί να αξιολογείται αποκλειστικά ο μέσος αντίκτυπος της επιδότησης. Επιπλέον, η παρούσα διατριβή συμβάλλει στη μεθοδολογική βιβλιογραφία, καταδεικνύοντας πώς οι μέθοδοι μηχανικής μάθησης μπορούν να συμπληρώσουν την παραδοσιακή οικονομετρία, για την αντιμετώπιση μακροχρόνιων προβλημάτων στην αιτιώδη συμπερασματολογία σε περιβάλλοντα δεδομένων με υψηλή διάσταση και θόρυβο, βελτιώνοντας παράλληλα τη χάραξη πολιτικής ακριβείας, για πιο δίκαιες και αποτελεσματικές πολιτικές σε όλες τις περιφέρειες της ΕΕ που ανταποκρίνονται στις μοναδικές πραγματικότητές τους.Can a single policy truly serve the diverse needs of Europe’s regions, or does its impact unfold within the hidden nexus of place and time? The asymmetrical distribution of economic growth and development across European regions has been a persistent challenge for the European Union, despite decades of regional subsidy programs aimed at fostering convergence. The average treatment effect (ATE) of these have traditionally been studied through econometric approaches, such as as Difference-in-Differences (DiD) and Two-Way Fixed Effects (TWFE). However, these methods not only suffer from bias in staggered adoption settings or when treatment effects vary over time, but also they fail to capture heterogeneous treatment effects. This thesis aims to address these limitations by evaluating policy implementation through Generalized Synthetic Control (GSC) and Causal Forests. First GSC validates the global effect of EU regional subsidies, providing a flexible counterfactual framework to assess overall program success. Complementing this analysis, Causal Forests are employed to uncover the significant variation in those effects across regions, identifying which regions benefit the most and which remain unaffected. The empirical results reveal substantial heterogeneity in the impact of EU regional subsidies. Causal Forests demonstrate different levels of treatment effects across regions, despite the positive average effects, as some regions experience great benefits while others show minimal responses. These insights shift the focus to understanding for whom and under what conditions the subsidies are most effective, rather than solely evaluating the average impact of the subsidy. In addition, this thesis contributes to the methodological literature by illustrating how machine learning methods can complement traditional econometrics, to address long-standing issues in causal inference in high-dimensional and noisy data environments, while improving precision policy-making, for more equitable and impactful policies across EU regions that respond to their unique realities.pages 60Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Causal inferenceMachine learningGeneralized synthetic control methodCausal forestHeterogeneous treatment effectsΑιτιώδης συμπερασματολογίαΜηχανική εκμάθησηΓενικευμένη μέθοδος συνθετικού ελέγχουΑιτιώδες δάσοςΕτερογενείς επιδράσεις της θεραπείαςText