https://dione.lib.unipi.gr/xmlui/handle/unipi/2420 Department of Digital Systems Mon, 18 May 2026 22:51:59 GMT 2026-05-18T22:51:59Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19327 Κλιματικοί κίνδυνοι και επιχειρηματική ευπάθεια : ανάλυση των οικονομικών τομέων NACE στην Ευρώπη βάσει climate hazards Νάσκος, Κωνσταντίνος Η παρούσα διπλωματική εργασία διερευνά και ποσοτικοποιεί την ευπάθεια των ευρωπαϊκών οικονομικών δραστηριοτήτων απέναντι στις επιπτώσεις της κλιματικής αλλαγής. Στο επίκεντρο της μελέτης βρίσκεται η ανάπτυξη ενός ολοκληρωμένου πλαισίου δεικτών ευπάθειας (vulnerability coefficients) για το σύνολο των κλάδων της στατιστικής ταξινόμησης NACE Rev. 2, εξετάζοντας πέντε κρίσιμους φυσικούς κινδύνους: την πλημμύρα, τον καύσωνα, την ξηρασία, τις δασικές πυρκαγιές και τις κατολισθήσεις. Η μεθοδολογία βασίζεται στην προσέγγιση της έμμεσης εκτίμησης (Indirect Estimation), μέσω της οποίας αξιολογούνται τα λειτουργικά και δομικά χαρακτηριστικά 88 υποκλάδων της οικονομίας, μεταφράζοντας ποιοτικά δεδομένα από τη διεθνή βιβλιογραφία και τις εκθέσεις θεσμικών οργανισμών (IPCC, JRC, ECB) σε μια ενιαία ποσοτική κλίμακα από το 0,0 (μηδενική ευπάθεια) έως το 1,0 (απόλυτη ευπάθεια). Τα αποτελέσματα της ανάλυσης αναδεικνύουν μια σαφή διχοτόμηση στην ευρωπαϊκή οικονομία, με τους κλάδους έντασης παγίου κεφαλαίου, όπως η μεταποίηση και οι μεταφορές, να εμφανίζουν υψηλή ευπάθεια σε υδρομετεωρολογικές καταστροφές, ενώ οι άυλες υπηρεσίες παρουσιάζουν μεγαλύτερη λειτουργική ανθεκτικότητα. Ιδιαίτερη έμφαση δίνεται στον ρόλο του καύσωνα ως οριζόντιας απειλής που πλήττει την παραγωγικότητα της εργασίας και υπερφορτώνει συστημικά τον τομέα της υγείας. Η εργασία ολοκληρώνεται με τη διατύπωση στρατηγικών προτάσεων προσαρμογής, συνδέοντας τα ευρήματα με τα σύγχρονα ευρωπαϊκά κανονιστικά πλαίσια, όπως η Οδηγία για την Υποβολή Εκθέσεων Βιωσιμότητας (CSRD) και το Ευρωπαϊκό Σύστημα Ταξινόμησης (EU Taxonomy). Με τον τρόπο αυτό, η μελέτη προσφέρει ένα εφαρμόσιμο εργαλείο λήψης αποφάσεων για τις επιχειρήσεις και τους φορείς χάραξης πολιτικής στην προσπάθεια θωράκισης της οικονομικής δραστηριότητας έναντι της κλιματικής κρίσης. Wed, 01 Apr 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19327 2026-04-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19321 Τεχνητή νοημοσύνη και ESG κριτήρια Τζαβελάκης, Θωμάς Η παρούσα διπλωματική εργασία εξετάζει διεξοδικά τη σχέση μεταξύ Τεχνητής Νοημοσύνης (Artificial Intelligence – AI) και κριτηρίων ESG (Environmental, Social, Governance), αναδεικνύοντας τη σημασία της τεχνολογίας ως καταλυτικού παράγοντα βιώσιμου επιχειρηματικού μετασχηματισμού. Στο πλαίσιο των σύγχρονων οικονομικών, κοινωνικών και τεχνολογικών εξελίξεων, η Τεχνητή Νοημοσύνη αποκτά ολοένα και πιο κεντρικό ρόλο στη βελτίωση της επιχειρησιακής αποδοτικότητας, στη λήψη αποφάσεων και στη διαχείριση πόρων, ενώ παράλληλα τα ESG κριτήρια καθιερώνονται ως βασικό εργαλείο αξιολόγησης της βιωσιμότητας και της εταιρικής υπευθυνότητας. Η εργασία βασίζεται σε εκτενή βιβλιογραφική επισκόπηση και αποσκοπεί στη συστηματική διερεύνηση της αλληλεπίδρασης μεταξύ των δύο αυτών πεδίων, εστιάζοντας τόσο στις δυνατότητες όσο και στους κινδύνους που απορρέουν από την ενσωμάτωση της Τεχνητής Νοημοσύνης στο πλαίσιο των ESG. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο της Τεχνητής Νοημοσύνης, με ανάλυση των βασικών εννοιών, της ιστορικής εξέλιξης, των κατηγοριών και των τεχνολογικών της εφαρμογών, καθώς και του ρόλου της στις σύγχρονες επιχειρήσεις. Στη συνέχεια, αναλύεται το πλαίσιο των ESG κριτηρίων, με έμφαση στους τρεις βασικούς πυλώνες — περιβαλλοντικό, κοινωνικό και διακυβέρνησης— καθώς και στη σύνδεσή τους με τη βιώσιμη ανάπτυξη και την εταιρική κοινωνική ευθύνη. Η ανάλυση εμβαθύνει στη συμβολή της Τεχνητής Νοημοσύνης στην επίτευξη στόχων βιωσιμότητας, εξετάζοντας κρίσιμους τομείς όπως η ενεργειακή αποδοτικότητα, η διαχείριση φυσικών πόρων, η ενίσχυση της εταιρικής διακυβέρνησης και η βελτίωση των διαδικασιών ESG reporting. Παράλληλα, αναδεικνύονται οι βασικές προκλήσεις και κίνδυνοι που σχετίζονται με την τεχνολογία, όπως οι αλγοριθμικές προκαταλήψεις, τα ζητήματα διαφάνειας και επεξηγησιμότητας, η προστασία δεδομένων προσωπικού χαρακτήρα και οι επιπτώσεις στην αγορά εργασίας. Ιδιαίτερη έμφαση δίνεται στο κανονιστικό πλαίσιο που διέπει την Τεχνητή Νοημοσύνη, με αναφορά στον Γενικό Κανονισμό Προστασίας Δεδομένων (GDPR) και στον AI Act της Ευρωπαϊκής Ένωσης. Τέλος, μέσω της ανάλυσης μελετών περίπτωσης και της σύνθεσης των βιβλιογραφικών ευρημάτων, καταδεικνύεται ότι η Τεχνητή Νοημοσύνη μπορεί να αποτελέσει ισχυρό μοχλό βιώσιμης ανάπτυξης, υπό την προϋπόθεση ότι εντάσσεται σε ένα πλαίσιο υπεύθυνης, διαφανούς και ηθικής διακυβέρνησης. Συμπερασματικά, η σχέση μεταξύ AI και ESG αναδεικνύεται ως στρατηγικής σημασίας για το μέλλον των επιχειρήσεων, απαιτώντας ισορροπία μεταξύ τεχνολογικής καινοτομίας, κανονιστικής συμμόρφωσης και κοινωνικής λογοδοσίας. Tue, 12 May 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19321 2026-05-12T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19320 Κυκλική οικονομία και ψηφιακές τεχνολογίες : o ρόλος τους στη διαχείριση αποβλήτων και την ανακύκλωση Παναγιωτάκου, Μαρία Η παρούσα διπλωματική εργασία εξετάζει τον ρόλο της κυκλικής οικονομίας και των ψηφιακών τεχνολογιών στη διαχείριση αποβλήτων και την ανακύκλωση, εστιάζοντας στη συμβολή τους στη βιώσιμη ανάπτυξη. Η κυκλική οικονομία προτείνει ένα νέο μοντέλο παραγωγής και κατανάλωσης που αποσκοπεί στη μείωση των αποβλήτων, την επαναχρησιμοποίηση υλικών και την ενίσχυση της αποδοτικότητας πόρων. Παράλληλα, οι ψηφιακές τεχνολογίες, όπως το Internet of Things (IoT), η τεχνητή νοημοσύνη, το blockchain και η ανάλυση μεγάλων δεδομένων (big data), προσφέρουν καινοτόμες λύσεις για τη βελτίωση της αποδοτικότητας και της διαφάνειας στις διαδικασίες διαχείρισης αποβλήτων και ανακύκλωσης. Μέσω βιβλιογραφικής επισκόπησης και ανάλυσης περιπτώσεων, η εργασία εξετάζει επιτυχημένες στρατηγικές και εφαρμογές που συνδυάζουν τις αρχές της κυκλικής οικονομίας με τις δυνατότητες των ψηφιακών εργαλείων. Αναλύονται οι οικονομικές, περιβαλλοντικές και κοινωνικές επιπτώσεις, ενώ παρουσιάζονται οι προκλήσεις που σχετίζονται με την υιοθέτηση των νέων τεχνολογιών και την ενσωμάτωσή τους σε υπάρχοντα συστήματα. Τα ευρήματα καταδεικνύουν ότι η ενσωμάτωση της κυκλικής οικονομίας με τις ψηφιακές τεχνολογίες μπορεί να συμβάλει σημαντικά στη μείωση των περιβαλλοντικών επιπτώσεων, στην ενίσχυση της αποδοτικότητας πόρων και στη δημιουργία νέων οικονομικών ευκαιριών. Η εργασία καταλήγει σε προτάσεις για τη χάραξη πολιτικών, τη βελτιστοποίηση της βιομηχανικής παραγωγής και τη μεγαλύτερη ευαισθητοποίηση των κοινοτήτων, προκειμένου να επιτευχθεί μια πιο βιώσιμη διαχείριση αποβλήτων και ανακύκλωσης. Thu, 01 Jan 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19320 2026-01-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19318 Συμβολή της τεχνητής νοημοσύνης στη βελτιστοποίηση των συστημάτων αποθήκευσης ενέργειας Παπαγγελής, Νικόλαος Η εργασία αυτή επικεντρώνεται στη συμβολή της Τεχνητής Νοημοσύνης στη βελτιστοποίηση των συστημάτων αποθήκευσης ενέργειας, αξιοποιώντας δύο βασικές προσεγγίσεις της Μηχανικής Μάθησης: το Supervised Learning και το Reinforcement Learning. Αρχικά, πραγματοποιείται βιβλιογραφική ανασκόπηση των εφαρμογών της Τεχνητής Νοημοσύνης στα ενεργειακά δίκτυα. Μελέτες έχουν δείξει ότι η χρήση αλγορίθμων Μηχανικής Μάθησης μπορεί να συμβάλει στη βελτίωση της ενεργειακής απόδοσης, τη διαχείριση φορτίων και την πρόβλεψη της ζήτησης. Ειδικά, τα Τεχνητά Νευρωνικά Δίκτυα (ANNs), τα Random Forest και οι τεχνικές παλινδρόμησης έχουν χρησιμοποιηθεί ευρέως για την ανάλυση δεδομένων και τη λήψη αποφάσεων, επιτυγχάνοντας σημαντική μείωση του ενεργειακού κόστους. Στη συνέχεια, στο επόμενο κεφάλαιο, μέσω της εφαρμογής διαφόρων αλγορίθμων, αναλύθηκε η αποτελεσματικότητα καθεμίας μεθόδου στη διαχείριση της ενέργειας και στην πρόβλεψη κρίσιμων παραμέτρων όπως η κατανάλωση και η αποθηκευμένη ενέργεια με τη μελέτη του Supervised Learning, το οποίο χρησιμοποιεί ιστορικά δεδομένα για προβλέψεις και ταξινομήσεις. Στην εργασία εφαρμόστηκαν έξι διαφορετικοί αλγόριθμοι, συμπεριλαμβανομένων των Decision Tree Regression, Random Forest Classification, Linear Regression, SVM Classification, Neural Network Classification και XGBoost Regression. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι παλινδρόμησης (Linear Regression, XGBoost) ήταν ιδιαίτερα χρήσιμες για την πρόβλεψη της ενεργειακής κατανάλωσης και της απόδοσης των αποθηκευτικών συστημάτων, ενώ οι αλγόριθμοι ταξινόμησης (SVM, Random Forest) επέτρεψαν τη διάκριση μεταξύ διαφορετικών ενεργειακών συνθηκών. Ιδιαίτερα, τα Νευρωνικά Δίκτυα αποδείχθηκαν αποδοτικά στην ανίχνευση ανωμαλιών στη λειτουργία των συστημάτων . Στη συνέχεια, μελετάται ο ρόλους του Reinforcement Learning (RL), το οποίο επιτρέπει στους πράκτορες να προσαρμόζονται σε πραγματικό χρόνο σε δυναμικές μεταβολές του ενεργειακού περιβάλλοντος. Σε αυτή την εργασία, τρεις διαφορετικοί αλγόριθμοι RL (Q-Learning, DQN και PPO) δοκιμάστηκαν για τη βελτιστοποίηση των στρατηγικών φόρτισης και εκφόρτισης των συστημάτων αποθήκευσης ενέργειας. Τα αποτελέσματα έδειξαν ότι το PPO ήταν ο πιο σταθερός και αποτελεσματικός αλγόριθμος για περιβάλλοντα με συνεχείς καταστάσεις, ενώ το DQN προσέφερε υψηλή ακρίβεια σε πιο περίπλοκα ενεργειακά σενάρια. Sat, 01 Feb 2025 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19318 2025-02-01T00:00:00Z