Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ
Τα τελευταία χρόνια στην Ελλάδα, όπως και στην Ευρώπη, παρατηρείται μια προσπάθεια εκσυγχρονισμού μέσω ηλεκτρονικών μέσων και νέων τεχνολογιών των διαδικασιών που αφορούν τις επιχειρήσεις με στόχο τη μείωση της γραφειοκρατίας, τη διαφάνεια και την καλύτερη οργάνωση αναπτυξιακής και οικονομικής πολιτ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16050 |
| id |
nemertes-10889-16050 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Ηλεκτρονική διακυβέρνηση Μητρώο επιχειρήσεων Πρόβλεψη πληρωμής Μοτίβα συμπεριφοράς πληρωμής Συμπεριφορά πληρωμής των επιχειρήσεων Machine learning e-Government Business register Payment prediction Payment behavior patterns Enterprises payment behavior |
| spellingShingle |
Μηχανική μάθηση Ηλεκτρονική διακυβέρνηση Μητρώο επιχειρήσεων Πρόβλεψη πληρωμής Μοτίβα συμπεριφοράς πληρωμής Συμπεριφορά πληρωμής των επιχειρήσεων Machine learning e-Government Business register Payment prediction Payment behavior patterns Enterprises payment behavior Χρηστίδη, Αγγελική-Μαρία Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ |
| description |
Τα τελευταία χρόνια στην Ελλάδα, όπως και στην Ευρώπη, παρατηρείται μια προσπάθεια εκσυγχρονισμού μέσω ηλεκτρονικών μέσων και νέων τεχνολογιών των διαδικασιών που αφορούν τις επιχειρήσεις με στόχο τη μείωση της γραφειοκρατίας, τη διαφάνεια και την καλύτερη οργάνωση αναπτυξιακής και οικονομικής πολιτικής από τους κεντρικούς αρμόδιους φορείς.
Σε αυτό το πλαίσιο δημιουργήθηκε το Γενικό Εμπορικό Μητρώο (ΓΕΜΗ), που αποτελεί το εθνικό μητρώο στο οποίο όλες οι επιχειρήσεις που δραστηριοποιούνται στην Ελλάδα είναι υποχρεωμένες να τηρούν τα στοιχεία της μερίδας τους. Ειδική υποχρέωση των επιχειρήσεων προς το ΓΕΜΗ για την τήρηση της μερίδας τους και για την παροχή των ψηφιακών υπηρεσιών, αποτελεί η ενιαία ετήσια συνδρομή που πρέπει να καταβάλουν στο Γ.Ε.ΜΗ, ανάλογα τη νομική τους μορφή. Τα έσοδα αυτά σύμφωνα με το νόμο αποτελούν πόρους των υπηρεσιών ΓΕΜΗ. Ενώ υπάρχουν χρονικά περιθώρια για την εξόφληση αυτών των συνδρομών στην αρχή κάθε έτους, παρατηρείται μια ασυνέπεια των επιχειρήσεων ως προς τα χρονικά αυτά διαστήματα, με αποτέλεσμα τη δυσκολία στον οικονομικό προϋπολογισμό των οργανισμών, που αποτελούν τους νόμιμους δικαιούχους των εσόδων αυτών.
Η σημαντική ανάπτυξη της Μηχανικής μάθησης οδηγεί στην χρήση αλγορίθμων μηχανικής μάθησης για την αξιοποίηση μεγάλων δεδομένων που παράγονται από συστήματα ηλεκτρονικής διακυβέρνησης με στόχο την πρόβλεψη για την καλύτερη λήψη αποφάσεων και τη βελτίωση των υπηρεσιών προς τους πολίτες και τις επιχειρήσεις.
Η διπλωματική αυτή μελέτησε την ύπαρξη patterns με χρήση αλγορίθμων μηχανικής μάθησης σε δεδομένα του ΓΕΜΗ, με σκοπό την επίτευξη προβλέψεων σε σχέση με την αναμενόμενη χρονική στιγμή που μια επιχείρηση θα πληρώσει τις συνδρομές της. Η σημασία της μελέτης αυτής έγκειται στη βοήθεια που μπορούν να προσφέρουν τέτοιες προβλέψεις σε κάθε συσχετιζόμενο οργανισμό για έναν ασφαλέστερο προϋπολογισμό για αυτά τα έσοδα.
Χρησιμοποιήθηκαν δεδομένα από 49.000 περίπου επιχειρήσεις που αντλήθηκαν από το Εμπορικό και Βιομηχανικό Επιμελητήριο Αθηνών (ΕΒΕΑ) διαφόρων νομικών μορφών για να παραχθούν κατάλληλα datasets για τη μελέτη. Σε αυτά εφαρμόστηκαν οι πέντε απλοί αλγόριθμοι μηχανικής μάθησης, J48, Naive Bayes, Sequential Minimal Optimization (SMO), Random Tree, Neural Network και οι δύο ομαδοποιημένοι Random Forest και Voting.
Στο τέλος καταλήξαμε ότι τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν για την πρόβλεψη πληρωμών συνδρομών ΓΕΜΗ με ικανοποιητικά αποτελέσματα χρησιμοποιώντας ιστορικά δεδομένα τριών χρόνων για να προβλέψουν την συμπεριφορά πληρωμών για τον τέταρτο χρόνο. Οι προβλέψεις αυτές ήταν πιο επιτυχημένες όταν οι αλγόριθμοι έπρεπε να προβλέψουν αν μια πληρωμή θα γίνει εντός ή εκτός του έτους οφειλής, ενώ καθώς η προσπάθεια πρόβλεψης γινόταν για πιο συγκεκριμένα χρονικά διαστήματα εντός του έτους οφειλής, δηλαδή πρόβλεψη εντός εξαμήνων ή εντός τριμήνων αντίστοιχα, η πιθανότητα σωστής πρόβλεψης μειωνόταν. Σε κάθε περίπτωση οι προβλέψεις ακόμα και αυτές που αφορούσαν πρόβλεψη πληρωμής εντός ή εκτός έτους θεωρούνται βοηθητικές για τους οργανισμούς τους οποίους αφορούσε η μελέτη. |
| author2 |
Christidi, Angeliki-Maria |
| author_facet |
Christidi, Angeliki-Maria Χρηστίδη, Αγγελική-Μαρία |
| author |
Χρηστίδη, Αγγελική-Μαρία |
| author_sort |
Χρηστίδη, Αγγελική-Μαρία |
| title |
Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ |
| title_short |
Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ |
| title_full |
Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ |
| title_fullStr |
Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ |
| title_full_unstemmed |
Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ |
| title_sort |
εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων γεμη |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16050 |
| work_keys_str_mv |
AT chrēstidēangelikēmaria epharmogēmethodōnmēchanikēsmathēsēsstēnēlektronikēdiakybernēsēgiaproblepsētaktopoiēsēsoikonomikōnypochreōseōnepicheirēseōngemē AT chrēstidēangelikēmaria machinelearningmethodsinegovernmentforforecastingthepaymentoffinancialobligationsofgemicompanies |
| _version_ |
1771297149832658944 |
| spelling |
nemertes-10889-160502022-09-05T05:38:51Z Εφαρμογή μεθόδων μηχανικής μάθησης στην ηλεκτρονική διακυβέρνηση για πρόβλεψη τακτοποίησης οικονομικών υποχρεώσεων επιχειρήσεων ΓΕΜΗ Machine learning methods in e-government for forecasting the payment of financial obligations of GEMI companies Χρηστίδη, Αγγελική-Μαρία Christidi, Angeliki-Maria Μηχανική μάθηση Ηλεκτρονική διακυβέρνηση Μητρώο επιχειρήσεων Πρόβλεψη πληρωμής Μοτίβα συμπεριφοράς πληρωμής Συμπεριφορά πληρωμής των επιχειρήσεων Machine learning e-Government Business register Payment prediction Payment behavior patterns Enterprises payment behavior Τα τελευταία χρόνια στην Ελλάδα, όπως και στην Ευρώπη, παρατηρείται μια προσπάθεια εκσυγχρονισμού μέσω ηλεκτρονικών μέσων και νέων τεχνολογιών των διαδικασιών που αφορούν τις επιχειρήσεις με στόχο τη μείωση της γραφειοκρατίας, τη διαφάνεια και την καλύτερη οργάνωση αναπτυξιακής και οικονομικής πολιτικής από τους κεντρικούς αρμόδιους φορείς. Σε αυτό το πλαίσιο δημιουργήθηκε το Γενικό Εμπορικό Μητρώο (ΓΕΜΗ), που αποτελεί το εθνικό μητρώο στο οποίο όλες οι επιχειρήσεις που δραστηριοποιούνται στην Ελλάδα είναι υποχρεωμένες να τηρούν τα στοιχεία της μερίδας τους. Ειδική υποχρέωση των επιχειρήσεων προς το ΓΕΜΗ για την τήρηση της μερίδας τους και για την παροχή των ψηφιακών υπηρεσιών, αποτελεί η ενιαία ετήσια συνδρομή που πρέπει να καταβάλουν στο Γ.Ε.ΜΗ, ανάλογα τη νομική τους μορφή. Τα έσοδα αυτά σύμφωνα με το νόμο αποτελούν πόρους των υπηρεσιών ΓΕΜΗ. Ενώ υπάρχουν χρονικά περιθώρια για την εξόφληση αυτών των συνδρομών στην αρχή κάθε έτους, παρατηρείται μια ασυνέπεια των επιχειρήσεων ως προς τα χρονικά αυτά διαστήματα, με αποτέλεσμα τη δυσκολία στον οικονομικό προϋπολογισμό των οργανισμών, που αποτελούν τους νόμιμους δικαιούχους των εσόδων αυτών. Η σημαντική ανάπτυξη της Μηχανικής μάθησης οδηγεί στην χρήση αλγορίθμων μηχανικής μάθησης για την αξιοποίηση μεγάλων δεδομένων που παράγονται από συστήματα ηλεκτρονικής διακυβέρνησης με στόχο την πρόβλεψη για την καλύτερη λήψη αποφάσεων και τη βελτίωση των υπηρεσιών προς τους πολίτες και τις επιχειρήσεις. Η διπλωματική αυτή μελέτησε την ύπαρξη patterns με χρήση αλγορίθμων μηχανικής μάθησης σε δεδομένα του ΓΕΜΗ, με σκοπό την επίτευξη προβλέψεων σε σχέση με την αναμενόμενη χρονική στιγμή που μια επιχείρηση θα πληρώσει τις συνδρομές της. Η σημασία της μελέτης αυτής έγκειται στη βοήθεια που μπορούν να προσφέρουν τέτοιες προβλέψεις σε κάθε συσχετιζόμενο οργανισμό για έναν ασφαλέστερο προϋπολογισμό για αυτά τα έσοδα. Χρησιμοποιήθηκαν δεδομένα από 49.000 περίπου επιχειρήσεις που αντλήθηκαν από το Εμπορικό και Βιομηχανικό Επιμελητήριο Αθηνών (ΕΒΕΑ) διαφόρων νομικών μορφών για να παραχθούν κατάλληλα datasets για τη μελέτη. Σε αυτά εφαρμόστηκαν οι πέντε απλοί αλγόριθμοι μηχανικής μάθησης, J48, Naive Bayes, Sequential Minimal Optimization (SMO), Random Tree, Neural Network και οι δύο ομαδοποιημένοι Random Forest και Voting. Στο τέλος καταλήξαμε ότι τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν για την πρόβλεψη πληρωμών συνδρομών ΓΕΜΗ με ικανοποιητικά αποτελέσματα χρησιμοποιώντας ιστορικά δεδομένα τριών χρόνων για να προβλέψουν την συμπεριφορά πληρωμών για τον τέταρτο χρόνο. Οι προβλέψεις αυτές ήταν πιο επιτυχημένες όταν οι αλγόριθμοι έπρεπε να προβλέψουν αν μια πληρωμή θα γίνει εντός ή εκτός του έτους οφειλής, ενώ καθώς η προσπάθεια πρόβλεψης γινόταν για πιο συγκεκριμένα χρονικά διαστήματα εντός του έτους οφειλής, δηλαδή πρόβλεψη εντός εξαμήνων ή εντός τριμήνων αντίστοιχα, η πιθανότητα σωστής πρόβλεψης μειωνόταν. Σε κάθε περίπτωση οι προβλέψεις ακόμα και αυτές που αφορούσαν πρόβλεψη πληρωμής εντός ή εκτός έτους θεωρούνται βοηθητικές για τους οργανισμούς τους οποίους αφορούσε η μελέτη. In recent years in Greece, as well as in Europe, there is an effort to modernize through electronic means and new technologies the processes that concern companies with the aim of reducing bureaucracy, transparency and better organization of development and economic policy by the central authorities. In this context, the General Commercial Register (GEMI) was created, which is the national register in which all companies operating in Greece are required to keep the details of their portion. A special obligation of companies to GEMI for the maintenance of their share and for the provision of digital services, is the single annual subscription that they must pay to GEMI, depending on their legal form. According to the law, these revenues are resources of GEMI services. While there is time to repay these subscriptions at the beginning of each year, there is an inconsistency of the companies in terms of these time intervals, resulting in difficulty in the financial budget of the organizations, which are the legal beneficiaries of this revenue. The significant development of Machine Learning leads to the use of machine learning algorithms to utilize big data generated by e-government systems with the aim of predicting better decision-making and improving services to citizens and businesses. The aim of this dissertation is to study the existence of patterns using machine learning algorithms in GEMI data, in order to achieve predictions in relation to the expected time when a company will pay its subscriptions. The importance of this study lies in the help that such forecasts can provide to each associated organization for a more secure budget for this revenue. Data from about 49,000 companies of Athens Chamber of Commerce and Industry (EVEA) of various legal forms were used to generate appropriate datasets for the study. The five simple machine learning algorithms, J48, Naive Bayes, Sequential Minimal Optimization (SMO), Random Tree, Neural Network and the two grouped Random Forest and Voting, were applied to them. In the end we concluded that this data can be used to predict GEMI subscription payments with satisfactory results using three-year historical data to predict payment behavior for the fourth year. These predictions were most successful when the algorithms had to predict whether a payment would be made within or outside the debt year, while as the prediction attempt was made for more specific time periods within the debt year, ie forecast within six months or quarters respectively, the probability of correct prediction was reduced. In any case, the forecasts, even those concerning payment forecasts within or outside the year, are considered ancillary to the organizations concerned by the study. 2022-03-15T08:33:59Z 2022-03-15T08:33:59Z 2021-12-23 http://hdl.handle.net/10889/16050 gr application/pdf |
