{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3501494"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3501494","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση επιβίωσης μικρομεσαίων επιχειρήσεων στην Ελλάδα (2002–2015): μια ποσοτική προσέγγιση με μοντέλα επιβίωσης και Μηχανικής Μάθησης","abstract":"Η παρούσα μελέτη εξετάζει την επιβίωση των μικρών και μεσαίων επιχειρήσεων (ΜΜΕ) στην Ελλάδα κατά την περίοδο 2002–2015, με έμφαση στους καθοριστικούς παράγοντες της βιωσιμότητάς τους υπό συνθήκες οικονομικής κρίσης. Ειδικότερα, εξετάζεται πώς χαρακτηριστικά της εκάστοτε επιχείρησης – όπως το μέγεθος, η νομική μορφή, ο κλάδος δραστηριότητας και η γεωγραφική θέση – επηρεάζουν την πιθανότητα αποτυχίας. Η ανάλυση βασίζεται σε μικροδεδομένα από δείγμα 3.059 επιχειρήσεων, προερχόμενων από διάφορους κλάδους και περιφέρειες της χώρας, βάσει στοιχείων του Εθνικού Μητρώου Επιχειρήσεων. Μεθοδολογικά, αξιοποιούνται τόσο παραδοσιακά στατιστικά εργαλεία όσο και σύγχρονες τεχνικές μηχανικής μάθησης. Συγκεκριμένα, εφαρμόζεται λογιστική παλινδρόμηση και ανάλυση επιβίωσης (Kaplan–Meier, Cox) για τη διερεύνηση των σχέσεων μεταξύ των χαρακτηριστικών των επιχειρήσεων και του κινδύνου επιχειρηματικής αποτυχίας, ενώ αλγόριθμοι μηχανικής μάθησης (Random Forest, XGBoost, Support Vector Machine) χρησιμοποιούνται με στόχο την ενίσχυση της προβλεπτικής ακρίβειας και την επικύρωση των ευρημάτων. Τα αποτελέσματα καταδεικνύουν σημαντική μείωση στα ποσοστά επιβίωσης, με περίπου το 38% των επιχειρήσεων να παύουν τη λειτουργία τους έως το 2015. Παράλληλα, διαπιστώνεται ότι οι μεγαλύτερες και χρηματοοικονομικά ισχυρότερες επιχειρήσεις εμφανίζουν σημαντικά υψηλότερη ανθεκτικότητα, ενώ παρατηρούνται σημαντικές διαφοροποιήσεις στην πιθανότητα επιβίωσης ανάλογα με τη νομική μορφή, τον κλάδο και την περιοχή δραστηριοποίησης. Η οικονομική κρίση έπληξε δυσανάλογα τις λιγότερο βιώσιμες επιχειρήσεις, οδηγώντας πολλές από αυτές εκτός αγοράς. Ωστόσο, η έκταση των πτωχεύσεων υποδηλώνει ότι πολλές ΜΜΕ διέθεταν περιορισμένη ικανότητα προσαρμογής στις δυσμενείς συνθήκες. Συμπερασματικά, η μελέτη επιχειρεί να προσφέρει μια εμπειρικά τεκμηριωμένη εικόνα των παραγόντων που επηρεάζουν την επιχειρηματική επιβίωση σε περίοδο ύφεσης και υπογραμμίζει την ανάγκη ενίσχυσης της ανθεκτικότητας του τομέα των ΜΜΕ, ιδίως των πιο ευάλωτων κατηγοριών του, ενόψει μελλοντικών κρίσεων.","abstract_html":"Η παρούσα μελέτη εξετάζει την επιβίωση των μικρών και μεσαίων επιχειρήσεων (ΜΜΕ) στην Ελλάδα κατά την περίοδο 2002–2015, με έμφαση στους καθοριστικούς παράγοντες της βιωσιμότητάς τους υπό συνθήκες οικονομικής κρίσης. Ειδικότερα, εξετάζεται πώς χαρακτηριστικά της εκάστοτε επιχείρησης – όπως το μέγεθος, η νομική μορφή, ο κλάδος δραστηριότητας και η γεωγραφική θέση – επηρεάζουν την πιθανότητα αποτυχίας. Η ανάλυση βασίζεται σε μικροδεδομένα από δείγμα 3.059 επιχειρήσεων, προερχόμενων από διάφορους κλάδους και περιφέρειες της χώρας, βάσει στοιχείων του Εθνικού Μητρώου Επιχειρήσεων. Μεθοδολογικά, αξιοποιούνται τόσο παραδοσιακά στατιστικά εργαλεία όσο και σύγχρονες τεχνικές μηχανικής μάθησης. Συγκεκριμένα, εφαρμόζεται λογιστική παλινδρόμηση και ανάλυση επιβίωσης (Kaplan–Meier, Cox) για τη διερεύνηση των σχέσεων μεταξύ των χαρακτηριστικών των επιχειρήσεων και του κινδύνου επιχειρηματικής αποτυχίας, ενώ αλγόριθμοι μηχανικής μάθησης (Random Forest, XGBoost, Support Vector Machine) χρησιμοποιούνται με στόχο την ενίσχυση της προβλεπτικής ακρίβειας και την επικύρωση των ευρημάτων. Τα αποτελέσματα καταδεικνύουν σημαντική μείωση στα ποσοστά επιβίωσης, με περίπου το 38% των επιχειρήσεων να παύουν τη λειτουργία τους έως το 2015. Παράλληλα, διαπιστώνεται ότι οι μεγαλύτερες και χρηματοοικονομικά ισχυρότερες επιχειρήσεις εμφανίζουν σημαντικά υψηλότερη ανθεκτικότητα, ενώ παρατηρούνται σημαντικές διαφοροποιήσεις στην πιθανότητα επιβίωσης ανάλογα με τη νομική μορφή, τον κλάδο και την περιοχή δραστηριοποίησης. Η οικονομική κρίση έπληξε δυσανάλογα τις λιγότερο βιώσιμες επιχειρήσεις, οδηγώντας πολλές από αυτές εκτός αγοράς. Ωστόσο, η έκταση των πτωχεύσεων υποδηλώνει ότι πολλές ΜΜΕ διέθεταν περιορισμένη ικανότητα προσαρμογής στις δυσμενείς συνθήκες. Συμπερασματικά, η μελέτη επιχειρεί να προσφέρει μια εμπειρικά τεκμηριωμένη εικόνα των παραγόντων που επηρεάζουν την επιχειρηματική επιβίωση σε περίοδο ύφεσης και υπογραμμίζει την ανάγκη ενίσχυσης της ανθεκτικότητας του τομέα των ΜΜΕ, ιδίως των πιο ευάλωτων κατηγοριών του, ενόψει μελλοντικών κρίσεων.","abstract_has_math":false,"creators":["Μαυροθαλασσίτη Ιουλία","Mavrothalassiti Ioulia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:42Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3501494"],"render_values":[{"text":"uoadl:3501494","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3501494","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3501494","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3501494","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαυροθαλασσίτη Ιουλία","Mavrothalassiti Ioulia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3501494","https://pergamos.lib.uoa.gr/uoa/dl/object/3501494"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα μελέτη εξετάζει την επιβίωση των μικρών και μεσαίων επιχειρήσεων (ΜΜΕ) στην Ελλάδα κατά την περίοδο 2002–2015, με έμφαση στους καθοριστικούς παράγοντες της βιωσιμότητάς τους υπό συνθήκες οικονομικής κρίσης. Ειδικότερα, εξετάζεται πώς χαρακτηριστικά της εκάστοτε επιχείρησης – όπως το μέγεθος, η νομική μορφή, ο κλάδος δραστηριότητας και η γεωγραφική θέση – επηρεάζουν την πιθανότητα αποτυχίας. Η ανάλυση βασίζεται σε μικροδεδομένα από δείγμα 3.059 επιχειρήσεων, προερχόμενων από διάφορους κλάδους και περιφέρειες της χώρας, βάσει στοιχείων του Εθνικού Μητρώου Επιχειρήσεων. Μεθοδολογικά, αξιοποιούνται τόσο παραδοσιακά στατιστικά εργαλεία όσο και σύγχρονες τεχνικές μηχανικής μάθησης. Συγκεκριμένα, εφαρμόζεται λογιστική παλινδρόμηση και ανάλυση επιβίωσης (Kaplan–Meier, Cox) για τη διερεύνηση των σχέσεων μεταξύ των χαρακτηριστικών των επιχειρήσεων και του κινδύνου επιχειρηματικής αποτυχίας, ενώ αλγόριθμοι μηχανικής μάθησης (Random Forest, XGBoost, Support Vector Machine) χρησιμοποιούνται με στόχο την ενίσχυση της προβλεπτικής ακρίβειας και την επικύρωση των ευρημάτων. Τα αποτελέσματα καταδεικνύουν σημαντική μείωση στα ποσοστά επιβίωσης, με περίπου το 38% των επιχειρήσεων να παύουν τη λειτουργία τους έως το 2015. Παράλληλα, διαπιστώνεται ότι οι μεγαλύτερες και χρηματοοικονομικά ισχυρότερες επιχειρήσεις εμφανίζουν σημαντικά υψηλότερη ανθεκτικότητα, ενώ παρατηρούνται σημαντικές διαφοροποιήσεις στην πιθανότητα επιβίωσης ανάλογα με τη νομική μορφή, τον κλάδο και την περιοχή δραστηριοποίησης. Η οικονομική κρίση έπληξε δυσανάλογα τις λιγότερο βιώσιμες επιχειρήσεις, οδηγώντας πολλές από αυτές εκτός αγοράς. Ωστόσο, η έκταση των πτωχεύσεων υποδηλώνει ότι πολλές ΜΜΕ διέθεταν περιορισμένη ικανότητα προσαρμογής στις δυσμενείς συνθήκες. Συμπερασματικά, η μελέτη επιχειρεί να προσφέρει μια εμπειρικά τεκμηριωμένη εικόνα των παραγόντων που επηρεάζουν την επιχειρηματική επιβίωση σε περίοδο ύφεσης και υπογραμμίζει την ανάγκη ενίσχυσης της ανθεκτικότητας του τομέα των ΜΜΕ, ιδίως των πιο ευάλωτων κατηγοριών του, ενόψει μελλοντικών κρίσεων.","This study examines the survival of small and medium-sized enterprises (SMEs) in Greece during the period 2002–2015, emphasizing the key determinants of firm viability under conditions of a severe economic crisis. In particular, it investigates how firm-specific characteristics (such as size, legal form, industry, and geographic location) affect the likelihood of business failure. The analysis uses micro-level data using a sample of 3,059 firms from diverse sectors and regions across the country, extracted out of the national Greek Business Registry. Methodologically, the study combines traditional statistical models with modern machine learning techniques. More specifically, logistic regression and survival analysis (Kaplan–Meier estimator and Cox proportional hazards model) are applied to explore the relationships between these business features and the risk of business failure, while machine learning algorithms (Random Forest, XGBoost, Support Vector Machine) are used to enhance predictive accuracy and validate the findings. The results indicate a significant decline in survival rates, with approximately 38% of firms ceasing operations by 2015. At the same time, larger and financially stronger enterprises exhibit substantially higher resilience, with notable differences in survival probabilities across legal forms, industries, and regions. The economic crisis disproportionately affected less viable businesses, leading many to exit the market. However, the scale of firm closures suggests that many SMEs lacked adequate adaptive capacity to cope with the adverse economic conditions. Overall, the study provides a comprehensive picture of the factors influencing business survival during a recession and underscores the need to strengthen the resilience of the SME sector — especially its more vulnerable segments — in anticipation of future crises."]},{"key":"dc:title","label":"Title","values":["Ανάλυση επιβίωσης μικρομεσαίων επιχειρήσεων στην Ελλάδα (2002–2015): μια ποσοτική προσέγγιση με μοντέλα επιβίωσης και Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Μαυροθαλασσίτη Ιουλία","Mavrothalassiti Ioulia"],"dc:date":["2025"],"dc:description":["Η παρούσα μελέτη εξετάζει την επιβίωση των μικρών και μεσαίων επιχειρήσεων (ΜΜΕ) στην Ελλάδα κατά την περίοδο 2002–2015, με έμφαση στους καθοριστικούς παράγοντες της βιωσιμότητάς τους υπό συνθήκες οικονομικής κρίσης. Ειδικότερα, εξετάζεται πώς χαρακτηριστικά της εκάστοτε επιχείρησης – όπως το μέγεθος, η νομική μορφή, ο κλάδος δραστηριότητας και η γεωγραφική θέση – επηρεάζουν την πιθανότητα αποτυχίας. Η ανάλυση βασίζεται σε μικροδεδομένα από δείγμα 3.059 επιχειρήσεων, προερχόμενων από διάφορους κλάδους και περιφέρειες της χώρας, βάσει στοιχείων του Εθνικού Μητρώου Επιχειρήσεων. Μεθοδολογικά, αξιοποιούνται τόσο παραδοσιακά στατιστικά εργαλεία όσο και σύγχρονες τεχνικές μηχανικής μάθησης. Συγκεκριμένα, εφαρμόζεται λογιστική παλινδρόμηση και ανάλυση επιβίωσης (Kaplan–Meier, Cox) για τη διερεύνηση των σχέσεων μεταξύ των χαρακτηριστικών των επιχειρήσεων και του κινδύνου επιχειρηματικής αποτυχίας, ενώ αλγόριθμοι μηχανικής μάθησης (Random Forest, XGBoost, Support Vector Machine) χρησιμοποιούνται με στόχο την ενίσχυση της προβλεπτικής ακρίβειας και την επικύρωση των ευρημάτων. Τα αποτελέσματα καταδεικνύουν σημαντική μείωση στα ποσοστά επιβίωσης, με περίπου το 38% των επιχειρήσεων να παύουν τη λειτουργία τους έως το 2015. Παράλληλα, διαπιστώνεται ότι οι μεγαλύτερες και χρηματοοικονομικά ισχυρότερες επιχειρήσεις εμφανίζουν σημαντικά υψηλότερη ανθεκτικότητα, ενώ παρατηρούνται σημαντικές διαφοροποιήσεις στην πιθανότητα επιβίωσης ανάλογα με τη νομική μορφή, τον κλάδο και την περιοχή δραστηριοποίησης. Η οικονομική κρίση έπληξε δυσανάλογα τις λιγότερο βιώσιμες επιχειρήσεις, οδηγώντας πολλές από αυτές εκτός αγοράς. Ωστόσο, η έκταση των πτωχεύσεων υποδηλώνει ότι πολλές ΜΜΕ διέθεταν περιορισμένη ικανότητα προσαρμογής στις δυσμενείς συνθήκες. Συμπερασματικά, η μελέτη επιχειρεί να προσφέρει μια εμπειρικά τεκμηριωμένη εικόνα των παραγόντων που επηρεάζουν την επιχειρηματική επιβίωση σε περίοδο ύφεσης και υπογραμμίζει την ανάγκη ενίσχυσης της ανθεκτικότητας του τομέα των ΜΜΕ, ιδίως των πιο ευάλωτων κατηγοριών του, ενόψει μελλοντικών κρίσεων.","This study examines the survival of small and medium-sized enterprises (SMEs) in Greece during the period 2002–2015, emphasizing the key determinants of firm viability under conditions of a severe economic crisis. In particular, it investigates how firm-specific characteristics (such as size, legal form, industry, and geographic location) affect the likelihood of business failure. The analysis uses micro-level data using a sample of 3,059 firms from diverse sectors and regions across the country, extracted out of the national Greek Business Registry. Methodologically, the study combines traditional statistical models with modern machine learning techniques. More specifically, logistic regression and survival analysis (Kaplan–Meier estimator and Cox proportional hazards model) are applied to explore the relationships between these business features and the risk of business failure, while machine learning algorithms (Random Forest, XGBoost, Support Vector Machine) are used to enhance predictive accuracy and validate the findings. The results indicate a significant decline in survival rates, with approximately 38% of firms ceasing operations by 2015. At the same time, larger and financially stronger enterprises exhibit substantially higher resilience, with notable differences in survival probabilities across legal forms, industries, and regions. The economic crisis disproportionately affected less viable businesses, leading many to exit the market. However, the scale of firm closures suggests that many SMEs lacked adequate adaptive capacity to cope with the adverse economic conditions. Overall, the study provides a comprehensive picture of the factors influencing business survival during a recession and underscores the need to strengthen the resilience of the SME sector — especially its more vulnerable segments — in anticipation of future crises."],"dc:identifier":["uoadl:3501494","https://pergamos.lib.uoa.gr/uoa/dl/object/3501494"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Ανάλυση επιβίωσης μικρομεσαίων επιχειρήσεων στην Ελλάδα (2002–2015): μια ποσοτική προσέγγιση με μοντέλα επιβίωσης και Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:42Z"}