Analytical methodologies for business failure prediction in the energy sector. A comparative analysis for European CompaniesAnalytical methodologies for business failure prediction in the energy sector. A comparative analysis for European CompaniesΑναλυτικές μεθοδολογίες πρόβλεψης της πτώχευσης των επιχειρήσεων στον κλάδο της ενέργειας: συγκριτική αξιολόγηση σε ευρωπαϊκές επιχειρήσεις Διπλωματική Εργασία Diploma Work 2018-10-052018elΗ παρούσα έρευνα αναφέρεται στον Ευρωπαϊκό ενεργειακό τομέα και τα σχέδια για ενοποίησή του αλλά κυρίως αποτελεί επέκταση αυτής των Doumpos et al. (2017) και εξετάζει διαφορετικές αναλυτικές μεθόδους πρόβλεψης χρεοκοπίας σε ένα πολύ μεγάλο δείγμα από διαφορετικές χώρες της Ευρώπης και διαφορετικούς κλάδους. Το δείγμα αναφέρεται στην χρονική περίοδο 2012 έως 2016. Οι μέθοδοι που χρησιμοποιούνται είναι μέθοδοι διακριτικής ανάλυσης (γραμμικής και τετραγωνικής), λογιστικής παλινδρόμησης, δέντρων ταξινόμησης (απλά, boosted και bagged) και μέθοδοι τεχνητής νοημοσύνης (νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης). Από την εφαρμογή των μεθόδων στην απαρτία του δείγματος, σε συγκεκριμένους κλάδους και χώρες διαπιστώθηκε πως η ανάλυση ολόκληρου του δείγματος ήταν αποτελεσματικότερη και πως η μέθοδος που υπερτερούσε ήταν τα bagged δέντρα. Από την άλλη, στην ανάλυση κλάδων και χωρών η καλύτερη μέθοδος ήταν τα νευρωνικά δίκτυα.This study references the European energy sector and the plans for a united European energy sector but its primary purpose is to extend the paper of Doumpos et al (2017) and investigates different analytical methodologies for financial distress prediction in a very large sample from different European countries and energy sectors. The data spans between the period of 2012-2016. The methodologies used are discriminant analysis (linear and quadratic), logistic regression, classification trees (simple, boosted and bagged) and machine learning methods (neural networks and support vector machines). All the methods were applied on the whole sample at first and after on specific energy sectors and countries. Whole sample analysis proved more effective than country and sector analysis and the most accurate method was the bagged trees. For the sector and country analysis the most effective method was the neural networks. Διπλωματική Εργασία που συντάχθηκε στα πλαίσια των σπουδών στο τμήμα Μηχανικών Παραγωγής και Διοίκησης στο Πολυτεχνείο Κρήτηςhttp://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςIliaki_Georgia_Dip_2018.pdfChania [Greece]Library of TUC2018-10-05application/pdf1.4 MBfree Iliaki Georgia Ηλιακη Γεωργια Doumpos Michael Δουμπος Μιχαηλ Zopounidis Konstantinos Ζοπουνιδης Κωνσταντινος Atsalakis Georgios Ατσαλακης Γεωργιος Πολυτεχνείο Κρήτης Technical University of Crete Δέντρα ταξινόμησης Μηχανές διανυσμάτων υποστήριξης Νευρωνικά δίκτυα Λογιστική παλινδρόμηση Διακριτική ανάλυση Αναλυτικές μεθοδολογίες Ευρωπαϊκός ενεργειακός τομέας Πρόβλεψη πτώχευσης