Monitoring of social, economic and environmental state of regions and prediction of changes using machine-learning approaches trained with historical data

Abstract

By testing and using Machine Learning (ML) and data related approaches and tools, this research attempts to enhance regional science towards sustainable development. Specifically, this Thesis aims to contribute to the study of regions’ resilience, by introducing the use of relevant ML models that can extract useful information from economic, environmental and social indicators and use this data for the development of advanced features such as predicting the performance of regions in disasters (US counties case presented) or correlating strategic aspects of Circular Economy (CE) with regions’ resilience (EU regions case presented). Regarding the ML approaches, this thesis aims:•To create and demonstrate models through Machine Learning that can predict the performance of a region in disasters and can find the parameters/factors (confirm obvious from classic regional approaches or show hidden from data) that affect the resilience of the regions.•To mainly contribute via models’ demonstration, to a methodology, offering useful guidelines to pave the way on how the various regional factors (characteristics and properties of the regions, related to economic, social and environmental dimensions, such as demographics, GDP, the dominant industries, other statistics related to employment, entrepreneurship, land use, commuting, transportation, health, education etc.) can be translated and be processed by data and ML/AI tools and techniques so different models can be developed. It should be clearly noted that this thesis aims to contribute to regional science. Although it uses technical and digital functionalities by applying ML methods, these are treated as tools (even as "black boxes" in some cases) to enhance regional science, and not as areas of research. Therefore, no technical progress is sought in the fields of ML and data science and modeling. Specifically, this Thesis contributes to regional science by:• Creating ML models for the US counties and EU regions (NUTS2) that predict their performance, thus a side of their resilience, under crisis periods.• Exploring and collecting heterogeneous regional data, harmonizing them and transforming them into usable data by ML techniques.• Proposing an overall methodology of ML models for regional study, highlighting the stages of the model creation process.• Proposing and describing the exploitation of the models and the methodology on policy implications and decision support processes.• Designing a decision support tool that can be developed to support regional authorities, policy makers and other stakeholders to analyze and strengthen their regional status and develop strategies, action plans and policies.Also, as an extra and secondary objective, this study aims to deal with, discuss and present how existing or new methodologies, technological trends, approaches -e.g. the major approach of circular economy or digitalization- affect the resilience of the regions and contributes to its measurement, its monitoring and its improvement via valuable conclusions and future research and innovation recommendations.

Έχει πραγματοποιηθεί πολλή συζήτηση γύρω από τη βιωσιμότητα και τη βιώσιμη περιφερειακή ανάπτυξη εντός της επιχειρηματικής και επιστημονικής κοινότητας, συμπεριλαμβανομένου του τομέα της περιφερειακής επιστήμης. Αυτή η συζήτηση συνδέεται συχνά με την έννοια της ανθεκτικότητας και συγκεκριμένα της περιφερειακής ανθεκτικότητας. Τις τελευταίες δεκαετίες έχει διεξαχθεί εκτεταμένη έρευνα για την ανθεκτικότητα των περιφερειών και τους παράγοντες - χωρικών ή ειδικών χαρακτηριστικών τους, της τεχνολογίας και της κοινωνικοοικονομικής τους κατάστασης- που συμβάλλουν στο να μπορούν να αντιμετωπίζουν προκλήσεις, να ανταποκρίνονται και να ανακάμπτουν από κρίσεις. Υπάρχει εκτενής σχετική βιβλιογραφία, ενώ ο όρος «ανθεκτικότητα» προσαρμόζεται συνεχώς σε νέες εξελίξεις και προσεγγίσεις. Η έννοια της ανθεκτικότητας επηρεάστηκε από σύγχρονα παραδείγματα κρίσεων όπως η πρόσφατη πανδημία Covid19 και η κλιματική κρίση. Η μετάβαση σε ένα νέο καθολικό οικονομικό μοντέλο κυκλικής οικονομίας καθώς και οι ευρύτερες πρακτικές για την προσαρμογή στην κλιματική αλλαγή, είναι πλέον μείζονος σημασίας σε όλες τις περιφερειακές δραστηριότητες. Ταυτόχρονα, νέες τεχνολογικές τάσεις και η «ψηφιοποίηση» έχουν πλέον έχουν σημαντικό ρόλο στην ανθεκτικότητα μιας περιοχής. Η άνοδος πολλά υποσχόμενων τομέων όπως η Μηχανική Μάθηση (ML) και η Τεχνητή Νοημοσύνη (AI) μπορεί να ενισχύσει την περιφερειακή έρευνα, όπως έχει ήδη επιτευχθεί σε αρκετούς άλλους τομείς. Ειδικοί σκοποί και συμβολή: Η παρούσα έρευνα επιχειρεί να ενισχύσει την περιφερειακή επιστήμη προς την κατεύθυνση της βιώσιμης ανάπτυξης, μέσω της μελέτης της ανθεκτικότητας των περιφερειών, εισάγοντας τη χρήση σχετικών μοντέλων μηχανικής μάθησης που μπορούν να εξάγουν χρήσιμες πληροφορίες από οικονομικούς, περιβαλλοντικούς και κοινωνικούς δείκτες για την ανάπτυξη προηγμένων χαρακτηριστικών, όπως η πρόβλεψη της απόδοσης των περιφερειών σε κρίσεις (πρώτη μελέτη περίπτωσης κομητειών ΗΠΑ) ή η συσχέτιση στρατηγικών πτυχών με την ανθεκτικότητα των περιφερειών (δεύτερη μελέτη περίπτωσης των περιφερειών της ΕΕ). H παρούσα διατριβή συμβάλει κυρίως στην περιφερειακή επιστήμη. Αν και χρησιμοποιεί τεχνικές μηχανικής μάθησης, αυτές αντιμετωπίζονται ως εργαλεία (ακόμη και ως «μαύρα κουτιά» σε ορισμένες περιπτώσεις) για την ενίσχυση της περιφερειακής επιστήμης και όχι ως αυτούσιοι τομείς έρευνας. Ως εκ τούτου, δεν επιδιώκεται τεχνική πρόοδος στους τομείς της ML και της επιστήμης δεδομένων. Συγκεκριμένα, η παρούσα διατριβή συμβάλλει στην περιφερειακή επιστήμη μέσω των παρακάτω:• Δημιουργία μοντέλων για τις κομητείες των ΗΠΑ και τις περιφέρειες της ΕΕ που προβλέπουν τις επιδόσεις τους.• Διερεύνηση και συλλογή ετερογενών περιφερειακών δεδομένων, εναρμόνισή τους και μετατροπή τους σε χρησιμοποιήσιμα ψηφιακά δεδομένα.• Πρόταση μιας συνολικής μεθοδολογίας μοντέλων για περιφερειακή μελέτη, επισημαίνοντας τα στάδια της διαδικασίας δημιουργίας αυτών των μοντέλων.• Πρόταση και περιγραφή της αξιοποίησης των μοντέλων και της μεθοδολογίας σχετικά με τις επιπτώσεις της υποστήριξης αποφάσεων και ανάπτυξης πολιτικών.• Σχεδιασμός και πρόταση ενός εργαλείου υποστήριξης αποφάσεων που μπορεί να αναπτυχθεί για την υποστήριξη εθνικών, τοπικών και περιφερειακών αρχών, των υπευθύνων χάραξης πολιτικής και άλλων ενδιαφερόμενων μερών για την ανάλυση και την ενίσχυση της περιφερειακής τους κατάστασης και την ανάπτυξη στρατηγικών, σχεδίων δράσης και πολιτικών.