Report on parameterizing seasonal response patterns in primary- and net community production to ocean alkalinization

We applied a 1-D plankton ecosystem-biogeochemical model to assess the impacts of ocean alkalinity enhancement (OAE) on seasonal changes in biogeochemistry and plankton dynamics. Depending on deployment scenarios, OAE should theoretically have variable effects on pH and seawater pCO2, which might in turn affect (a) plankton growth conditions and (b) the efficiency of carbon dioxide removal (CDR) via OAE. Thus, a major focus of our work is how different magnitudes and temporal frequencies of OAE might affect seasonal response patterns of net primary productivity (NPP), ecosystem functioning and biogeochemical cycling. With our study we aimed at identifying a parameterization of how magnitude and frequency of OAE affect net growth rates, so that these effects could be employed for Earth System Modell applications. So far we learned that a meaningful response parameterization has to resolve positive and negative anomalies that covary with temporal shifts. As to the intricacy of the response patterns, the derivation of such parameterization is work in progress. However, our study readily provides valuable insights to how OAE can alter plankton dynamics and biogeochemistry. Our modelling study first focuses at a local site where time series data are available (European Station for Time series in the Ocean Canary Islands ESTOC), including measurements of pH, concentrations of total alkalinity, dissolved inorganic carbon (DIC), chlorophyll-a and dissolved inorganic nitrogen (DIN). These observational data were made available by Andres Cianca (personal communication, PLOCAN, Spain), Melchor Gonzalez and Magdalena Santana Casiano (personal communication, Universidad de Las Palmas de Gran Canaria). The choice of this location was underpinned by the fact that the first OAE mesocosm experiment was conducted on the Canary Island Gran Canaria, which will facilitate synthesizing our modelling approach with experimental findings. For our simulations at the ESTOC site in the Subtropical North Atlantic we found distinct, non-linear responses of NPP to different temporal modes of alkalinity deployment. In particular, phytoplankton bloom patterns displayed pronounced temporal phase shifts and changes in their amplitude. Notably, our simulations suggest that OAE can have a slightly stimulating effect on NPP, which is however variable, depending on the magnitude of OAE and the temporal mode of alkalinity addition. Furthermore, we find that increasing alkalinity perturbations can lead to a shift in phytoplankton community composition (towards coccolithophores), which even persists after OAE has stopped. In terms of CDR, we found that a decrease in efficiency with increasing magnitude of alkalinity addition, as well as substantial differences related to the timing of addition. Altogether, our results suggest that annual OAE during the right season (i.e. physical and biological conditions), could be a reasonable compromise in terms of logistical feasibility, efficiency of CDR and side-effects on marine biota. With respect to transferability to global models, the complex, non-linear responses of biological processes to OAE identified in our simulations do not allow for simple parameterizations that can easily adapted. Dedicated future work is required to transfer the observed responses at small spatiotemporal scales to the coarser resolution of global models.

Propagation of the Malware Used in APTs Based on Dynamic Bayesian Networks

Malware is becoming more and more sophisticated these days. Currently, the aim of some special specimens of malware is not to infect the largest number of devices as possible, but to reach a set of concrete devices (target devices). This type of malware is usually employed in association with advanced persistent threat (APT) campaigns. Although the great majority of scientific studies are devoted to the design of efficient algorithms to detect this kind of threat, the knowledge about its propagation is also interesting. In this article, a new stochastic computational model to simulate its propagation is proposed based on Bayesian networks. This model considers two characteristics of the devices: having efficient countermeasures, and the number of infectious devices in the neighborhood. Moreover, it takes into account four states: susceptible devices, damaged devices, infectious devices and recovered devices. In this way, the dynamic of the model is SIDR (susceptible–infectious–damaged–recovered). Contrary to what happens with global models, the proposed model takes into account both the individual characteristics of devices and the contact topology. Furthermore, the dynamics is governed by means of a (practically) unexplored technique in this field: Bayesian networks.

Automated valuation models in the Greek real estate market

H διατριβή αυτή παρουσιάζει αποτελέσματα σχετικά με την ελληνική αγορά ακινήτων και συγκεκριμένα σχετικά με τρόπους εκτίμησης τιμών ακινήτων και της χρήσης των μεθόδων αυτών σε διάφορα θέματα της οικονομίας. H διατριβή προτείνει και συγκρίνει διαφορετικές προσεγγίσεις μοντέλων αυτόματης εκτίμησης τιμών ακινήτων (automated valuation models, AVMs) καθώς και της χρησιμότητας τέτοιων μοντέλων σε συνδυασμό με τη μελέτη του κινδύνου της αγοράς ακινήτων. Η Ελληνική αγορά ακινήτων παρουσιάζει μερικά χαρακτηριστικά που διαφέρουν από άλλες χώρες. Συγκεκριμένα υπάρχει αρκετά μεγαλύτερη ανομοιογένεια των ακινήτων σε σχέση με αυτή που κανείς παρατηρεί σε άλλες χώρες. Τα ακίνητα έχουν μεγάλη ποικιλία χαρακτηριστικών και οι τιμές του εξαρτώνται από διάφορα κοινωνικοοικονομικά χαρακτηριστικά με αποτέλεσμα η δημιουργία μοντέλων εκτίμησης των τιμών να μην είναι μια απλή διαδικασία. Στην παρούσα διατριβή ένα μεγάλο δείγμα από ακίνητα στον ελληνικό χώρο χρησιμοποιείται ως δείγμα για την κατασκευή μιας σειράς από διαφορετικά μοντέλα με σκοπό αφενός τη διερεύνηση κατά πόσο αυτά τα μοντέλα μπορούν να περιγράψουν ικανοποιητικά την αγορά ακινήτων αλλά και αφετέρου την μεταξύ τους σύγκριση με σκοπό να προταθεί μια συνολική προσέγγιση στο πρόβλημα αλλά και να αναδειχθεί η δυνατότητα συνδυασμού διαφορετικών προσεγγίσεων. Στο κεφάλαιο 1 γίνεται μια σύντομη παρουσίαση της αγοράς ακινήτων τόσο στην Ελλάδα όσο και στον κόσμο συνολικά για να δοθεί μια καλή εικόνα των προβλημάτων αλλά και των τάσεων. Ειδικά για την Ελλάδα μετά από την χρηματοοικονομική κρίση η αγορά ακινήτων παρουσιάζει μια σειρά από δυσκολίες, προβλήματα και προκλήσεις. Στο κεφάλαιο 2 γίνεται μι βιβλιογραφική ανασκόπηση σχετικά με τα υπάρχοντα στη διεθνή βιβλιογραφία μοντέλα εκτίμησης ακινήτων. Τα μοντέλα αυτά μπορούν να ενταχθούν σε διάφορες κατηγόριες τόσο ως προς τον τρόπο χρήσης τους αλλά και στον τρόπο που χρησιμοποιούν τα δεδομένα. Στη συνέχεια κάποιες από αυτές τις μεθόδους θα χρησιμοποιηθούν σε δεδομένα ακινήτων από την Ελλάδα. Συγκεκριμένα το κεφάλαιο 3 παρουσιάζει τα ευρήματά της διατριβής και συγκεκριμένα 3 ολοκληρωμένες μελέτες με τη χρήση των μοντέλων αυτών. Στην πρώτη ενότητα μελετώνται και συγκρίνονται 3 διαφορετικές σε προσέγγιση μέθοδοι. Η πρώτη είναι η δημιουργία ενός ηδονικού μοντέλου παλινδρόμησης (hedonic regression) για την πρόβλεψη των τιμών. Αυτό είναι ένα παραδοσιακό εργαλείο με αρκετή ιστορία στο χώρο της αγοράς ακινήτων. Το μοντέλο χρησιμοποιεί τα χαρακτηριστικά του ακινήτου ως επεξηγηματικές μεταβλητές σε ένα μοντέλο γραμμικής παλινδρόμησης. Το δεύτερο αφορά ένα μοντέλο γεωγραφικής παλινδρόμησης, Similarity Measure Valuation, όπου σπίτια κοντινά σε απόσταση και χαρακτηριστικά ως προς το υπό εκτίμηση ακίνητο επιλέγονται ως η βάση για τη δημιουργία ενός μοντέλου. Η τρίτη μέθοδος αφορά σε ένα μοντέλο μηχανικής μάθησης και συγκεκριμένα ένα τεχνητό νευρωνικό δίκτυο, όπου οι σχέσεις των μεταβλητών με την τιμή του ακινήτου μπορεί να είναι έντονα μη γραμμικές. Σκοπός του κεφαλαίου αυτού είναι αφενός να συγκριθούν 3 μέθοδοι με εντελώς διαφορετικά χαρακτηριστικά μεταξύ τους αλλά και να ελεγχθεί κατά πόσο ο συνδυασμός τους μπορεί να βελτιώσει την προσπάθεια για δημιουργία ενός καλυτέρου μοντέλου πρόβλεψής των τιμών. Τα δεδομένα αφορούν κατοικίες σε ολόκληρη την Ελλάδα και παρουσιάζουν σε αντίθεση με τα περισσότερα γνωστά σετ δεδομένων έντονη ανομοιογένεια των χαρακτηριστικών των σπιτιών αλλά και μεγάλη διασπορά σε όλη την Ελλάδα καθιστώντας τη δημιουργία του μοντέλου αρκετά δύσκολη. Τα ευρήματα αυτής της ενότητας συνηγορούν στη δημιουργία και το συνδυασμό επιμέρους των 3 μεθόδων ώστε να δημιουργηθεί μια καλύτερη πρόβλεψη. Κάθε μοντέλο έχει καλύτερη δυναμική σε συγκεκριμένες περιπτώσεις και έτσι ο συνδυασμός τους προτείνεται ως μια χρήσιμη προσέγγιση. Συνολικά στα δεδομένα το νευρωνικό δίκτυο έχει καλυτέρα αποτελέσματα σε out of sample προβλέψεις αλλά ο συνδυασμός των 3 μεθόδων με τη χρήση σταθμικού μέσου βελτιώνει περεταίρω τα αποτελέσματα. Στην ενότητα 3.2 γίνεται μια λεπτομερής σύγκριση ανάμεσα σε μεθόδους που χρησιμοποιούν τοπική πληροφορία (local models) και μεθόδους που χρησιμοποιούν ολόκληρο το σετ δεδομένων (global models). Συγκεκριμένα η πρώτη ομάδα μοντέλων χρησιμοποιεί τα χωρικά χαρακτηριστικά των σπιτιών ώστε να δημιουργήσει τα μοντέλα πρόβλεψης είτε δίνοντας μεγαλύτερο βάρος σε κατοικίες κοντά στην προς εκτίμηση είτε επιλέγοντας μόνο κατοικίες κοντά στην υπό εκτίμηση, ώστε να ληφθούν υπόψη σε πολύ μεγαλύτερο βαθμό τα τοπικά χαρακτηριστικά. Αυτές οι μέθοδοι μπορούν να χρησιμοποιήσουν διαφορετικές συναρτήσεις στάθμισης ως προς την εγγύτητα των σπιτιών. Η δεύτερη κατηγορία μοντέλων βασίζεται σε μοντέλα κυρίως παλινδρόμησης που χρησιμοποιούν όλα τα δεδομένα ανεξάρτητά με την εγγύτητα τους καθώς και μεθόδους επιλογής μεταβλητών. Η σύγκριση έδειξε ότι οι τοπικές μέθοδοι δίνουν καλύτερες προβλέψεις κρίνοντας με το μέγεθος του σφάλματος των προβλέψεων. Οι διαφορές τους σε σχέση με τις συνολικές μεθόδους δεν είναι τεράστιες αλλά είναι υπαρκτές. Από αυτές η μέθοδος της Gaussian process regression έδειξε τα καλυτέρα αποτελέσματα. Συνδυασμός μεθόδων δίνει κα πάλι καλυτέρα αποτελέσματα και συνεπώς μπορεί να θεωρηθεί ως μια επέκταση της μεθοδολογίας αυτών. Στην ενότητα 3.3 εξετάζεται η χρήση μοντέλων για τον υπολογισμό του ρίσκου για την αγορά ακινήτων. Πιο συγκεκριμένα το ενδιαφέρον εστιάζεται στον υπολογισμού του Value at risk (VaR) για ένα χαρτοφυλάκιο ακινήτων με βάση τα ιστορικά δεδομένα. Σε αυτή την περίπτωση δημιουργείται ένα μοντέλο το οποίο εκτιμά την τιμή των ακίνητων κατά την επόμενη χρονική στιγμή (τρίμηνο) και στη συνέχεια με τη χρήση δεικτών αυτή η τιμή προβλέπεται για χρονικό ορίζοντα μέχρι 3 χρόνια. Στην πρόβλεψη αυτή λαμβάνονται υπόψη μακροοικονομικές μεταβλητές όπως η ανεργία, ο πληθωρισμός και άλλα ώστε να ληφθεί υπόψη και η πορεία της οικονομίας της Ελλάδας στις προβλέψεις αυτές. Τα αποτελέσματα προσφέρουν μια σημαντική εικόνα σχετικά με τον κίνδυνο που έχει η αγορά ακινήτων και αποτελούν πολύτιμα εργαλεία για χρηματοοικονομικά προϊόντα που σχετίζονται με τη αγορά ακινήτων . Σε αυτό το κεφάλαιο χρησιμοποιούνται μέτρα ποιότητας των προβλέψεων σύμφωνα με τη διεθνή βιβλιογραφία.Συνολικά η διατριβή μελετά την δυνατότητα χρήσης ΑVM για την Ελληνική αγορά ακινήτων χρησιμοποιώντας σύγχρονα μοντέλα για το σκοπό αυτό. Στο τελευταίο κεφάλαιο υπάρχει μια συζήτηση σχετικά με τη χρήση των αποτελεσμάτων των μοντέλων αυτών καθώς και περαιτέρω ερευνητικά προβλήματα τα οποία δεν μελετήθηκαν διεξοδικά στη διατριβή αυτή.

Predictive potential of the bankruptcy global models in the tourism industry

The globalisation process and the recent economic crises have increased the development of models to identify the factors related to business bankruptcy. The tourism industry is not immune to this concern, and in the previous literature, bankruptcy prediction models are generally focused on hotels or restaurants. However, there are no experiences of global models for tourism companies. This study develops a global bankruptcy prediction model capable of predicting any activities carried out in the tourism industry with high precision. To this end, a sample of 406 Spanish companies that have developed their activity in three tourism industry sectors (hotels, restaurants, and travel agencies) in the period 2017-2019 has been used. This sample includes bankrupt and non-bankrupt corporations and has allowed the comparison between a global model and various focused models applying artificial neural network techniques. The results have confirmed the superiority of the global model and provide different sample selection and cost minimisation solutions for bankruptcy prediction modelling in the tourism industry