Νέος αντιπειρατικός νόμος και χρήση VPN

Εισαγωγή

Η ψηφιακή πειρατεία αποτελεί διαχρονικό φαινόμενο στην Ελλάδα, βαθιά ριζωμένο τόσο στις καταναλωτικές συνήθειες όσο και στις δομικές ιδιαιτερότητες της ελληνικής αγοράς ψηφιακού περιεχομένου. Ήδη από τα τέλη της δεκαετίας του 2000, η ραγδαία εξάπλωση των ευρυζωνικών συνδέσεων μετέτρεψε την Ελλάδα σε μία από τις ευρωπαϊκές χώρες με τα υψηλότερα ποσοστά παράνομης κατανάλωσης οπτικοακουστικού περιεχομένου. Η εποχή του Napster και του Kazaa άνοιξε τον δρόμο στα torrents. Ελληνικά sites όπως το tainiesonline, τους Χρυσούς (xrysoi.net) και τους «Πειρατές» (oipeirates.tv) να γίνονται σημεία αναφοράς μιας ολόκληρης γενιάς — και στη συνέχεια στο πειρατικό streaming μέσω IPTV πλατφορμών, που αντικατέστησε σταδιακά τα torrents ως ο κυρίαρχος τρόπος πρόσβασης σε παράνομο περιεχόμενο. Σύμφωνα με έρευνα του Ευρωπαϊκού Γραφείου για τη Διανοητική Ιδιοκτησία (EUIPO), η Ελλάδα κατατάσσεται σταθερά μεταξύ των χωρών με τα υψηλότερα ποσοστά παράνομης θέασης οπτικοακουστικού περιεχομένου στην Ευρωπαϊκή Ένωση, ενώ στην ηλικιακή ομάδα 16–24 ετών, το ποσοστό χρήσης παράνομων πηγών αγγίζει το 60%, υπερδιπλάσιο του ευρωπαϊκού μέσου όρου. Οι χρήστες πειρατικών IPTV υπηρεσιών στη χώρα υπολογίζονται μεταξύ 650.000 και 900.000, σε μια αγορά όπου οι νόμιμοι συνδρομητές δεν ξεπερνούν τους 1.200.000 — αναλογία που καθιστά σαφές ότι η πειρατεία δεν αποτελεί περιθωριακή πρακτική αλλά ευρέως διαδεδομένη κοινωνική συμπεριφορά.

Η ελληνική πολιτεία επιχείρησε να αντιμετωπίσει το φαινόμενο σταδιακά, ακολουθώντας μια πορεία κλιμακούμενων παρεμβάσεων. Οι πρώτοι μηχανισμοί αποκλεισμού ιστοσελίδων εφαρμόστηκαν γύρω στο 2012 με βάση το άρθρο 64Α του Ν. 2121/1993, αν και η εφαρμογή τους παρέμεινε σποραδική για σχεδόν μια δεκαετία. Το κρίσιμο θεσμικό βήμα ήρθε τον Σεπτέμβριο του 2018 με τη σύσταση της Επιτροπής για τη Γνωστοποίηση Διαδικτυακής Προσβολής Δικαιωμάτων Πνευματικής Ιδιοκτησίας και Συγγενικών Δικαιωμάτων (ΕΔΠΠΙ) υπό τον Οργανισμό Πνευματικής Ιδιοκτησίας (ΟΠΙ). Ωστόσο, η δράση της ΕΔΠΠΙ κατά τα πρώτα χρόνια ήταν μάλλον αδρανής: από το 2018 έως το 2022 εξέδωσε μόλις 38 αποφάσεις αποκλεισμού. Η εικόνα άλλαξε δραματικά στη συνέχεια: η ΕΔΠΠΙ επιτάχυνε τη δράση της με 62 αποφάσεις το 2022, 89 το 2023 και 124 αποφάσεις-ρεκόρ το 2024, στοχεύοντας 810 διευθύνσεις IP και 49 ονόματα τομέα. Σε αυτό το πλαίσιο κλιμάκωσης εντάσσεται και η νομοθετική τροποποίηση του 2020–2021 (Ν. 4761/2020 και Ν. 4821/2021) που εισήγαγε τη δυνατότητα δυναμικού αποκλεισμού ιστοσελίδων σε πραγματικό χρόνο, με ιδιαίτερη εστίαση στις ζωντανές αθλητικές μεταδόσεις.

Παρά την κλιμάκωση αυτή, μέχρι τον Φεβρουάριο του 2025 η ελληνική νομοθεσία διατηρούσε ένα θεμελιώδες χαρακτηριστικό: οι κυρώσεις απευθύνονταν αποκλειστικά σε όσους παρείχαν ή διένειμαν πειρατικό υλικό, ποτέ στους τελικούς χρήστες. Η αλλαγή αυτού του παραδείγματος ήρθε στις 20 Φεβρουαρίου 2025 με τη θέση σε ισχύ του Ν. 5179/2025 (ΦΕΚ Α΄/26/20-2-2025), ο οποίος τροποποίησε ριζικά το άρθρο 65Α του Ν. 2121/1993. Η σημαντικότερη μεταρρύθμιση του νόμου σχετίζεται με τη θέσπιση διοικητικού προστίμου εις βάρος τελικών χρηστών που αποκτούν πρόσβαση σε οπτικοακουστικά έργα ή ραδιοτηλεοπτικές εκπομπές μέσω παράνομου εξοπλισμού ή λογισμικού. Τα πρόστιμα είναι κλιμακωτά: 750 ευρώ για τους οικιακούς χρήστες, 1.500 ευρώ σε περίπτωση υποτροπής, 1.500 έως 3.000 ευρώ για δημόσια προβολή, και 5.000 έως 10.000 ευρώ για εκμετάλλευση πειρατείας με οικονομικό όφελος. Παράλληλα, ο νόμος εισάγει τη δυνατότητα σύνδεσης IP διεύθυνσης με ΑΦΜ κατόχου γραμμής, καθιστώντας τον υπεύθυνο για κάθε δραστηριότητα μέσω της σύνδεσής του — μια πρόβλεψη που δημιουργεί ιδιαίτερη ανησυχία για ιδιοκτήτες Airbnb, καφετεριών και λοιπών επαγγελματικών χώρων. Παρ’ ότι η νομοθεσία στοχεύει στην προστασία πνευματικών δικαιωμάτων, εγείρονται ανησυχίες για τις οικονομικές επιπτώσεις στον μέσο χρήστη, δεδομένου ότι το μηνιαίο κόστος νόμιμων συνδρομών ξεπερνά συχνά τα 50 ευρώ.

Η δημόσια αντίδραση ήταν ταχεία και ευρεία. Τα κοινωνικά δίκτυα, ιδίως το TikTok, γέμισαν με βίντεο Ελλήνων που σχολίαζαν τον νέο νόμο, ενώ η νέα νομοθεσία οδήγησε πολλούς να αναζητήσουν ή να επενδύσουν σε VPN υπηρεσίες — εικονικά ιδιωτικά δίκτυα που κρυπτογραφούν τη σύνδεση του χρήστη και «μεταφέρουν» την IP του σε άλλη χώρα, καθιστώντας θεωρητικά αδύνατη τη σύνδεσή του με πειρατική δραστηριότητα. Η ειρωνεία δεν πέρασε απαρατήρητη: ένας νόμος σχεδιασμένος να αποτρέψει την πειρατεία φαίνεται να πυροδότησε μαζική αναζήτηση του πιο αποτελεσματικού εργαλείου παράκαμψής του. Πρόκειται για μια κλασική εκδήλωση του λεγόμενου Streisand Effect — του φαινομένου κατά το οποίο η προσπάθεια να περιοριστεί η πρόσβαση σε πληροφορία ή υπηρεσία καταλήγει στο αντίθετο αποτέλεσμα, ενισχύοντας τη ζήτηση και τη δημοσιότητά της.

Το ερώτημα που τίθεται, ωστόσο, δεν είναι αν η αντίδραση ήταν πραγματική — αυτό είναι ορατό ήδη από τα ανεκδοτικά στοιχεία και τα social media — αλλά αν μπορεί να τεκμηριωθεί ποσοτικά με αιτιακή ακρίβεια. Αύξησε πράγματι ο αντιπειρατικός νόμος το ενδιαφέρον για VPN στην Ελλάδα; Πόσο μεγάλη ήταν αυτή η αύξηση σε σχέση με ό,τι θα αναμενόταν χωρίς τον νόμο; Και ήταν παροδική ή διατηρήθηκε στον χρόνο; Μια απλή σύγκριση «πριν και μετά» δεν αρκεί για να απαντηθούν αυτά τα ερωτήματα, καθώς αγνοεί πλήρως τους συγχυτικούς παράγοντες: ενδεχόμενη προϋπάρχουσα ανοδική τάση, εποχικά πρότυπα, ή ταυτόχρονα εξωτερικά γεγονότα (γεωπολιτικά, data breaches, τεχνολογικές εξελίξεις) που θα μπορούσαν ανεξάρτητα να αυξήσουν το ενδιαφέρον για VPN. Αυτή η ανάλυση αντιμετωπίζει το πρόβλημα ως πρόβλημα αιτιακής εκτίμησης (causal inference) και χρησιμοποιεί πέντε συμπληρωματικές μεθόδους — Synthetic Control, Bayesian CausalImpact, Difference-in-Differences, Synthetic DiD, και Interrupted Time Series — σε δεδομένα Wikipedia pageviews, κατασκευάζοντας ένα αντιπαραγοντικό (counterfactual) σενάριο που αποτυπώνει τι θα είχε συμβεί αν ο νόμος δεν είχε ψηφιστεί.

Βιβλιογραφική Επισκόπηση

Ψηφιακή πειρατεία: αίτια, κίνητρα και κοινωνικές διαστάσεις

Η ακαδημαϊκή βιβλιογραφία αναγνωρίζει σταθερά ότι η ψηφιακή πειρατεία δεν αποτελεί απλώς ζήτημα νομικής παρέκκλισης αλλά σύνθετο κοινωνικοοικονομικό φαινόμενο. Οι πρώιμες μελέτες εστίασαν στην οικονομική διάσταση: η τιμή, η διαθεσιμότητα και η ποιότητα των νόμιμων εναλλακτικών αποτελούν βασικούς προβλεπτικούς παράγοντες της πειρατικής συμπεριφοράς (Oberholzer-Gee & Strumpf, 2007; Smith & Telang, 2012). Η θεωρία της λογικής δράσης (Theory of Reasoned Action) και η θεωρία σχεδιαζόμενης συμπεριφοράς (Theory of Planned Behavior) αξιοποιήθηκαν εκτενώς για την ερμηνεία της πρόθεσης του χρήστη να πειρατεύσει περιεχόμενο, αναδεικνύοντας τον ρόλο των κοινωνικών κανόνων, της αντιλαμβανόμενης ηθικής του πράξης και του αντιλαμβανόμενου κινδύνου (Al-Rafee & Cronan, 2006; Yoon, 2011). Στο ελληνικό πλαίσιο, οι Kanellopoulos και Kolokotronis (2019) τεκμηρίωσαν ότι η υψηλή ανοχή στην πειρατεία συσχετίζεται με μια ευρύτερη πολιτισμική στάση απέναντι στο ψηφιακό περιεχόμενο ως «δημόσιο αγαθό», ενώ η οικονομική κρίση της δεκαετίας 2010–2020 ενίσχυσε δραστικά τα κίνητρα εξοικονόμησης κόστους.

Η μετάβαση από τα torrents στο πειρατικό IPTV σηματοδοτεί μια ποιοτική αλλαγή στη φύση της πειρατείας. Ο Poort et al. (2014) περιέγραψε αυτή τη μετατόπιση ως μετάβαση από την «ενεργή» στην «παθητική» πειρατεία: ο χρήστης δεν κατεβάζει πλέον αρχεία αλλά «βλέπει» — μια εμπειρία σχεδόν πανομοιότυπη με τη νόμιμη τηλεόραση, γεγονός που μειώνει τον αντιλαμβανόμενο κίνδυνο και ενισχύει τη διάχυση. Η EUIPO (2023) εκτιμά ότι η πειρατεία IPTV στην Ευρώπη αντιπροσωπεύει πλέον πάνω από 1 δισ. ευρώ σε ετήσιες απώλειες εσόδων, με τα αθλητικά γεγονότα (ποδόσφαιρο, μπάσκετ, τένις) να συνιστούν τον ταχύτερα αναπτυσσόμενο τομέα πειρατικής κατανάλωσης.

Αποτελεσματικότητα αντιπειρατικής νομοθεσίας

Η βιβλιογραφία σχετικά με την αποτελεσματικότητα των νομοθετικών μέσων κατά της πειρατείας παρουσιάζει αμφίσημα αποτελέσματα. Η πρώτη γενιά μελετών εξέτασε τις επιδράσεις πρωτοβουλιών τύπου «graduated response» — του λεγόμενου μοντέλου HADOPI στη Γαλλία — και βρήκε αρχικά αποτελέσματα αποτροπής που εξασθένησαν ταχύτατα, μέσα σε λίγους μήνες (Danaher et al., 2014). Αντιστοίχως, η μελέτη των Adermon & Liang (2014) για τη σουηδική νομοθεσία IPRED (2009) κατέδειξε βραχυπρόθεσμη μείωση 16–28% στη χρήση BitTorrent, η οποία ωστόσο εξαφανίστηκε εντός ενός έτους καθώς οι χρήστες μετανάστευσαν σε εναλλακτικά κανάλια πειρατείας. Ο Peukert et al. (2017) κατέδειξε ένα αντιφατικό αποτέλεσμα: το κλείσιμο του Megaupload τον Ιανουάριο 2012 δεν αύξησε τις νόμιμες πωλήσεις ταινιών, ενώ ταυτόχρονα αύξησε τα downloads σε εναλλακτικά πειρατικά δίκτυα.

Η αποτελεσματικότητα των μηχανισμών αποκλεισμού ιστοσελίδων (site blocking) αποτέλεσε αντικείμενο εντατικής μελέτης. Οι Danaher et al. (2016) εξέτασαν τον αποκλεισμό 53 ιστοσελίδων στο Ηνωμένο Βασίλειο και διαπίστωσαν σημαντική μείωση στις επισκέψεις πειρατικών ιστοσελίδων, αλλά με ταυτόχρονη αύξηση στις αναζητήσεις VPN και proxy, υποδηλώνοντας μερική μετατόπιση μάλλον παρά εξάλειψη της ζήτησης. Παρομοίως, ο Aguiar et al. (2018) σε πολυεθνική ανάλυση αποκλεισμών ISP κατέδειξε ότι ο μέσος αποκλεισμός μειώνει τις επισκέψεις κατά 20–30%, αλλά η χρήση εργαλείων παράκαμψης αυξάνεται αντιστρόφως ανάλογα.

Το Streisand Effect και η αντιδραστική υιοθέτηση VPN

Η έννοια του Streisand Effect (Gross, 2003) — κατά την οποία η προσπάθεια κατάργησης ή περιορισμού πληροφορίας οδηγεί σε αντίθετο αποτέλεσμα — αποτελεί χρήσιμο θεωρητικό πλαίσιο για την ερμηνεία αντιδράσεων σε αντιπειρατικούς νόμους. Στην ψηφιακή πολιτική, τεκμηριωμένα παραδείγματα περιλαμβάνουν τη ρωσική απαγόρευση του Telegram το 2018, η οποία οδήγησε σε πενταπλασιασμό των downloads VPN σε λιγότερο από ένα μήνα (Trevisan et al., 2019), και τους περιοδικούς αποκλεισμούς ιστοσελίδων στην Τουρκία, που κάθε φορά συνοδεύονταν από αιχμές αναζητήσεων για εργαλεία παράκαμψης λογοκρισίας (Dainotti et al., 2014). Η υιοθέτηση VPN σε απάντηση σε ρυθμιστικές παρεμβάσεις δεν αποτελεί ιδιοσυγκρασία ορισμένων αγορών: τα δεδομένα δείχνουν σταθερά ότι η θεσμοθέτηση απειλών κατά των τελικών χρηστών αυξάνει αντί να μειώνει τη χρήση τεχνολογιών προστασίας ιδιωτικότητας — και μάλιστα μεταξύ χρηστών που ως εκείνο το σημείο δεν χρησιμοποιούσαν τέτοια εργαλεία (Dutton et al., 2011).

Η μοναδικότητα της ελληνικής περίπτωσης έγκειται στο ότι ο Ν. 5179/2025 αποτελεί μία από τις ελάχιστες νομοθετικές πρωτοβουλίες στην ΕΕ που εισάγει ρητώς διοικητικά πρόστιμα εις βάρος τελικών χρηστών για πρόσβαση σε πειρατικό οπτικοακουστικό περιεχόμενο — σε αντίθεση με τα κυρίαρχα ευρωπαϊκά μοντέλα που εστιάζουν στην πλευρά της προσφοράς (notice-and-takedown, graduated response, site blocking). Αυτή η στοχοποίηση της ζήτησης δημιούργησε ιδιαίτερα πρόσφορο έδαφος για αντιδραστική υιοθέτηση VPN, δεδομένης και της χαμηλής αρχικής διείσδυσης VPN στην Ελλάδα σε σύγκριση με βόρειες ευρωπαϊκές χώρες (Surfshark, 2024).

Μεθοδολογικό πλαίσιο: CausalImpact και αιτιακή εκτίμηση σε χρονοσειρές

Η αιτιακή εκτίμηση με βάση χρονοσειρές αποτελεί κεντρική μεθοδολογική πρόκληση στην αξιολόγηση δημόσιων πολιτικών. Δύο από τις πλέον διαδεδομένες μεθόδους είναι η Synthetic Control (Abadie et al., 2010) και η CausalImpact (Brodersen et al., 2015). Η Synthetic Control κατασκευάζει ένα αντιπαραγοντικό σενάριο ως σταθμισμένο μέσο όρο μονάδων ελέγχου (donor pool), επιλέγοντας βάρη που ελαχιστοποιούν την απόκλιση από τη μονάδα-στόχο κατά την pre-intervention περίοδο. Η μέθοδος είναι ιδιαίτερα κατάλληλη όταν υπάρχει σαφώς ορισμένη «treated» μονάδα και πλούσιο panel ελέγχων.

Η CausalImpact αξιοποιεί Μπεϋζιανά Δομικά Μοντέλα Χρονοσειρών (BSTS) για την κατασκευή του counterfactual. Η μέθοδος υπερτερεί σε τρεις διαστάσεις: (α) ενσωματώνει αβεβαιότητα μέσω Μπεϋζιανών πιστοτικών διαστημάτων, (β) μοντελοποιεί ρητά τάση, εποχικότητα και τυχαίες διακυμάνσεις ως ξεχωριστά στοιχεία, και (γ) ενσωματώνει εξωγενείς μεταβλητές ελέγχου μέσω spike-and-slab regression. Οι δύο μέθοδοι είναι συμπληρωματικές: η σύγκλισή τους σε παρόμοιες εκτιμήσεις αποτελεί ισχυρή ένδειξη εγκυρότητας. Η παρούσα ανάλυση εφαρμόζει και τις δύο στα ίδια δεδομένα.

Δεδομένα

Γιατί Wikipedia pageviews και όχι Google Trends

Η πρώτη επιλογή για τη μέτρηση «πόσο ενδιαφέρθηκαν οι Έλληνες για VPN» είναι συνήθως το Google Trends. Σε αυτή την ανάλυση, όμως, προτιμήθηκαν τα Wikipedia pageviews — οι ημερήσιες αναγνώσεις του άρθρου «Εικονικό ιδιωτικό δίκτυο» στην ελληνική Wikipedia — για τέσσερις βασικούς λόγους:

Πρώτον, τα Wikipedia views μετρούνται σε απόλυτα νούμερα (πραγματικές επισκέψεις), όχι σε σχετική κλίμακα 0–100 όπως τα Google Trends. Αυτό επιτρέπει αξιόπιστη σύγκριση μεταξύ γλωσσών/χωρών χωρίς το πρόβλημα της κανονικοποίησης σε διαφορετικές κλίμακες. Δεύτερον, η ανάγνωση ενός ολόκληρου άρθρου Wikipedia αντιπροσωπεύει βαθύτερη ενασχόληση από μια απλή αναζήτηση — είναι ένδειξη πρόθεσης ενημέρωσης, όχι απλής περιέργειας. Τρίτον, το Wikipedia API είναι δημόσιο, δωρεάν και ντετερμινιστικό: κάθε κλήση επιστρέφει τα ίδια νούμερα, εξασφαλίζοντας πλήρη αναπαραγωγιμότητα — σε αντίθεση με τα Google Trends, τα οποία εμφανίζουν δειγματοληπτική μεταβλητότητα μεταξύ κλήσεων. Τέταρτον, κάθε γλωσσική Wikipedia έχει το δικό της άρθρο για VPN, προσφέροντας φυσικό donor pool: οι γλώσσες χωρών που δεν πέρασαν αντίστοιχο νόμο αποτελούν ιδανικές μονάδες ελέγχου.

Συλλογή δεδομένων

Συλλέχθηκαν ημερήσια δεδομένα από [R: n_langs_collected] ευρωπαϊκές γλώσσες, καλύπτοντας την περίοδο Ιανουαρίου 2022 – Απριλίου 2026. Το άρθρο «Εικονικό ιδιωτικό δίκτυο» στην ελληνική Wikipedia έχει baseline [R: greek_baseline] αναγνώσεις/ημέρα (διάμεσος τιμή), με peak [R: greek_peak] αναγνώσεις στις [R: greek_peak_date] — λίγες εβδομάδες μετά τη δημοσίευση του νόμου.

Η περίοδος ανάλυσης ξεκινά τον Ιανουάριο 2023 (εξασφαλίζοντας ~2 έτη pre-intervention δεδομένων) και εκτείνεται έως τα μέσα Απριλίου 2026, επιτρέποντας περισσότερο από ένα έτος post-intervention παρατηρήσεων — σημαντικά μεγαλύτερο παράθυρο από ό,τι θα επέτρεπαν βραχύβιες πηγές όπως τα Google Trends.

Η εικόνα μιλά μόνη της

Πριν εφαρμόσουμε οποιαδήποτε στατιστική μέθοδο, αξίζει να δούμε τα ωμά δεδομένα. Κάθε γραμμή αντιπροσωπεύει μια γλώσσα, κανονικοποιημένη ως προς τον δικό της μέσο όρο πριν το 2025. Η κόκκινη γραμμή είναι η Ελλάδα.

Το πρότυπο είναι οπτικά ξεκάθαρο: η Ελλάδα ακολουθούσε τη μάζα των γλωσσών μέχρι τις 20 Φεβρουαρίου 2025. Αμέσως μετά, εκτοξεύεται — ενώ καμία άλλη γλώσσα δεν κάνει αντίστοιχη κίνηση. Αυτή η παρατήρηση αποκλείει ένα παγκόσμιο confounder (π.χ. data breach, viral marketing VPN, παγκόσμιο γεγονός) ως εξήγηση. Αυτή η εικόνα, αν και πειστική, δεν αρκεί — χρειαζόμαστε ποσοτική εκτίμηση του εφέ και στατιστική σημαντικότητα.

Μεθοδολογία

Τι είναι το αντιπαραγοντικό;

Η θεμελιώδης πρόκληση στην αιτιακή εκτίμηση είναι ότι δεν μπορούμε να παρατηρήσουμε τι θα γινόταν αν ο νόμος δεν είχε ψηφιστεί. Αυτό το υποθετικό σενάριο ονομάζεται αντιπαραγοντικό (counterfactual), και κάθε μέθοδος αιτιακής εκτίμησης ουσιαστικά προσπαθεί να το κατασκευάσει. Μια απλή σύγκριση «πριν-μετά» δεν αρκεί γιατί αγνοεί ερωτήματα όπως: «Μήπως το ενδιαφέρον θα αυξανόταν ούτως ή άλλως;» ή «Μήπως αυξάνεται κάθε Φεβρουάριο;». Χρειαζόμαστε ένα μοντέλο που λαμβάνει υπόψη τάσεις, εποχικότητα και εξωγενείς παράγοντες.

Αντί να δεσμευτούμε σε μία μεθοδολογία, εφαρμόζουμε πέντε διαφορετικές προσεγγίσεις, καθεμία με διαφορετική λογική κατασκευής του αντιπαραγοντικού και διαφορετικές υποθέσεις ταυτοποίησης. Η σύγκλιση ή απόκλισή τους θα κρίνει την ευρωστία του ευρήματος.

Μέθοδος 1: Συνθετικός Έλεγχος (Synthetic Control)

Η μέθοδος Synthetic Control (Abadie et al., 2010) κατασκευάζει μια «συνθετική Ελλάδα»: έναν σταθμισμένο μέσο όρο άλλων γλωσσικών εκδόσεων της Wikipedia που ταιριάζει όσο το δυνατόν καλύτερα στο ιστορικό πρότυπο των ελληνικών αναγνώσεων πριν τον νόμο. Τα βάρη για κάθε γλώσσα-δότη επιλέγονται μέσω περιορισμένης βελτιστοποίησης: πρέπει να είναι μη αρνητικά και να αθροίζουν στη μονάδα (, ), ελαχιστοποιώντας την απόκλιση μεταξύ πραγματικής και συνθετικής σειράς κατά την περίοδο πριν την παρέμβαση. Η διαφορά μεταξύ πραγματικής Ελλάδας και συνθετικής Ελλάδας κατά την μετά-παρεμβατική περίοδο αποτελεί την εκτίμηση του αιτιακού αποτελέσματος.

Η εγκυρότητα της μεθόδου ελέγχεται μέσω εικονικών ελέγχων (placebo tests): εφαρμόζουμε την ίδια μέθοδο σε κάθε γλώσσα του donor pool σαν να ήταν η «treated». Αν η Ελλάδα κατατάσσεται εμφανώς πρώτη (μεγαλύτερος λόγος post/pre MSPE), τότε το εφέ δεν αντιπροσωπεύει τυπική διακύμανση.

Η μέθοδος Synthetic Control στηρίζεται σε σύνολο υποθέσεων (Abadie, 2021):

• Μη-προαντίδραση (no anticipation): Η μονάδα-στόχος δεν αντιδρά στην παρέμβαση πριν αυτή τεθεί σε ισχύ.
• Μη-παρεμβολή (no interference / SUTVA): Η παρέμβαση στην Ελλάδα δεν επηρεάζει τις χώρες-δότες.
• Διαθεσιμότητα κατάλληλης ομάδας σύγκρισης: Καμία χώρα του donor pool δεν έχει υποστεί παρόμοια παρέμβαση κατά την περίοδο μελέτης.
• Συνθήκη κυρτού περιβλήματος (convex hull condition): Η πραγματική Ελλάδα μπορεί να προσεγγιστεί ως σταθμισμένος μέσος όρος των δοτών.
• Καλή προσαρμογή πριν την παρέμβαση: Η συνθετική μονάδα αναπαράγει αξιόπιστα την πραγματική κατά την pre-period.
• Επαρκές pre- και post-intervention παράθυρο.

Μέθοδος 2: CausalImpact

Η μέθοδος CausalImpact (Brodersen et al., 2015) λειτουργεί σε τρία στάδια. Κατά το πρώτο στάδιο, ένα Μπεϋζιανό Δομικό Μοντέλο Χρονοσειρών (BSTS) εκπαιδεύεται στη σχέση μεταξύ της χρονοσειράς-στόχου (ελληνικές αναγνώσεις) και των χρονοσειρών-ελέγχου. Το μοντέλο αποτελείται από τρία συστατικά: ένα τοπικό επίπεδο (local level), μια εποχική συνιστώσα (seasonality), και μια παλινδρόμηση με spike-and-slab prior. Κατά το δεύτερο στάδιο, το εκπαιδευμένο μοντέλο παράγει το αντιπαραγοντικό. Κατά το τρίτο στάδιο, η διαφορά μεταξύ παρατηρούμενων και προβλεπόμενων τιμών — μαζί με τα Μπεϋζιανά πιστοτικά διαστήματα — αποτελεί την εκτίμηση του αιτιακού αποτελέσματος.

Βασικές υποθέσεις (Brodersen et al., 2015):

• Εξωγένεια των συμμεταβλητών: Οι χρονοσειρές-ελέγχου δεν έχουν επηρεαστεί από την παρέμβαση.
• Σταθερή σχέση στόχου–ελέγχων διαχρονικά: Η γραμμική σχέση μεταξύ της ελληνικής σειράς και των σειρών-ελέγχου παραμένει σταθερή κατά την μετά-παρεμβατική περίοδο.
• Σταθερότητα δομής μοντέλου (no structural breaks).

Μέθοδος 3: Διαφορές στις Διαφορές (Difference-in-Differences)

Η μέθοδος Difference-in-Differences (DiD) είναι εννοιολογικά η απλούστερη από τις πέντε. Η βασική ιδέα είναι διπλή αφαίρεση: υπολογίζουμε την αλλαγή της Ελλάδας πριν και μετά την παρέμβαση, υπολογίζουμε την αντίστοιχη αλλαγή των χωρών-δοτών, και παίρνουμε τη διαφορά τους. Σε τυπική μορφή, εκτιμάται η παλινδρόμηση:

όπου είναι οι log-αναγνώσεις για τη γλώσσα στην εβδομάδα , σταθερές επιδράσεις ανά γλώσσα, σταθερές επιδράσεις ανά εβδομάδα, και δείκτης που παίρνει τιμή 1 μόνο για την Ελλάδα κατά την μετά-παρεμβατική περίοδο. Ο συντελεστής είναι η αιτιακή εκτίμηση.

Η κεντρική υπόθεση ταυτοποίησης είναι η παράλληλη τάση (parallel trends): απουσία της παρέμβασης, η ελληνική σειρά και οι σειρές των δοτών θα ακολουθούσαν παράλληλες τροχιές.

Μέθοδος 4: Συνθετικές Διαφορές στις Διαφορές (Synthetic DiD)

Η Synthetic Difference-in-Differences (Arkhangelsky et al., 2021) συνδυάζει τα βέλτιστα χαρακτηριστικά του Synthetic Control και του DiD. Επιλέγει βάρη μονάδων (unit weights) φτιάχνοντας έναν σταθμισμένο συνδυασμό δοτών που ταιριάζει στην Ελλάδα, και επιπλέον βάρη χρόνου (time weights) που δίνουν μεγαλύτερη βαρύτητα σε προ-παρεμβατικές εβδομάδες που είναι πιο αντιπροσωπευτικές του μετά-παρεμβατικού παραθύρου. Η εκτίμηση πραγματοποιείται μέσω γενικευμένης σταθμισμένης παλινδρόμησης two-way fixed effects:

Μέθοδος 5: Διακοπτόμενη Χρονοσειρά (Interrupted Time Series)

Η Interrupted Time Series (ITS) αγνοεί πλήρως τους δότες και προβλέπει το αντιπαραγοντικό αποκλειστικά ως συνέχιση της ιστορικής τάσης της ελληνικής σειράς. Σε τυπική μορφή:

όπου είναι η άμεση αλλαγή επιπέδου μετά την παρέμβαση και η αλλαγή στην κλίση. Στηρίζεται στην υπόθεση συνέχισης αντιπαραγοντικού: απουσία παρέμβασης, η προ-παρεμβατική τάση θα συνεχιζόταν αναλλοίωτη.

Κοινά δεδομένα

Και οι πέντε μέθοδοι εφαρμόζονται στα ίδια δεδομένα: εβδομαδιαίες αναγνώσεις Wikipedia του άρθρου VPN σε ευρωπαϊκές γλώσσες (Ιαν 2023 – Απρ 2026), σε λογαριθμική μορφή ώστε τα αποτελέσματα να ερμηνεύονται ως ποσοστιαίες μεταβολές. Αποκλείστηκαν 4 γλώσσες λόγω ακραίων ιδιοσυγκρασιακών αιχμών (σλοβενικά, γαλλικά, τουρκικά) ή δυσανάλογα μεγάλης κλίμακας (αγγλικά).

Μετά τον καθαρισμό, το δείγμα αποτελείται από [R: n_pre] εβδομάδες πριν την παρέμβαση και [R: n_post] εβδομάδες μετά, με [R: n_donors] γλώσσες-δότες.

Υποθέσεις και σύγκλιση μεθόδων

Οι πέντε μέθοδοι δεν είναι εναλλακτικές ίσης αξίας· αντίθετα, στηρίζονται σε διαφορετικές υποθέσεις ταυτοποίησης και συνεπώς παρέχουν ανεξάρτητους ελέγχους της εγκυρότητας του ευρήματος. Το SC και το ASC στηρίζονται σε γεωμετρική υπόθεση (κυρτό περίβλημα). Το CausalImpact σε στατιστική σχέση (σταθερή γραμμική σύνδεση στόχου-ελέγχων). Το DiD σε χρονική υπόθεση (παράλληλες τάσεις). Το SDID σε μικτές υποθέσεις με λανθάνοντες παράγοντες. Το ITS σε υπόθεση χωρίς δότες (συνέχιση τάσης).

Αν ένα ενιαίο λανθάνον σύγχυτο επηρέαζε τα δεδομένα χωρίς να σχετίζεται με τον νόμο, δεν θα επιβίωνε σε όλες τις μεθόδους ταυτόχρονα, καθώς διαφορετικές υποθέσεις ταυτοποίησης θα το ανίχνευαν διαφορετικά.

Έλεγχος Υποθέσεων

Η εφαρμοσιμότητα κάθε μεθόδου εξαρτάται από το κατά πόσο ικανοποιούνται οι υποθέσεις ταυτοποίησής της στα συγκεκριμένα δεδομένα. Η ενότητα αυτή οργανώνεται σε πέντε υποενότητες — μία για κάθε μέθοδο — και καταλήγει σε συγκεντρωτική αξιολόγηση. Για κάθε υπόθεση, ο έλεγχος καταλήγει σε ένα από τρία πιθανά αποτελέσματα: ικανοποιείται / μερικώς ικανοποιείται / παραβιάζεται.

Α. Synthetic Control

Α.1 Μη-προαντίδραση (no anticipation)

Έλεγχος αν οι Έλληνες χρήστες άρχισαν να αναζητούν VPN πριν τις 20 Φεβρουαρίου 2025, επειδή ο νόμος είχε τυχόν διαρρεύσει στον Τύπο. Χρησιμοποιείται placebo test: συγκρίνεται το μέγεθος του placebo εφέ με το πραγματικό εφέ.

Α.2 Μη-παρεμβολή (SUTVA)

Έλεγχος αν Έλληνες αναγνώστες μπήκαν στα αγγλικά ή βουλγαρικά άρθρα VPN μετά την ανακοίνωση του νόμου, «μολύνοντας» τους δότες.

Α.3 Συνθήκη κυρτού περιβλήματος

Έλεγχος αν η ελληνική σειρά βρίσκεται εντός του εύρους των δοτών (μπορεί να εκφραστεί ως κυρτός συνδυασμός τους).

Α.4 Καλή pre-intervention προσαρμογή

Έλεγχος της ποιότητας fit της συνθετικής Ελλάδας στην πραγματική κατά την προ-παρεμβατική περίοδο (RMSPE, Post/Pre MSPE ratio).

Α.5 Επαρκές παράθυρο εκτίμησης

Σύνοψη Synthetic Control

Συνολικά, [R: n] από τις 5 υποθέσεις του Synthetic Control ικανοποιούνται πλήρως. Η υπόθεση SUTVA (Α.2) δεν παραβιάζεται ως προς τον κεντρικό της άξονα — δεν υπάρχει ένδειξη ανοδικού spillover από την Ελλάδα στους δότες. Η μέθοδος κρίνεται εφαρμόσιμη στα δεδομένα μας.

Β. CausalImpact

Β.1 Εξωγένεια συμμεταβλητών

Έλεγχος αν οι χρονοσειρές-ελέγχου επηρεάστηκαν από τον ελληνικό νόμο.

Β.2 Σταθερή σχέση target-controls

Έλεγχος structural break στη σχέση ελληνικής σειράς και ελέγχων μέσω CUSUM/MOSUM/supF tests.

Β.3 Σταθερότητα δομής μοντέλου

Β.4 & Β.5 Επαρκές ιστορικό & Σύγκλιση MCMC

Σύνοψη CausalImpact

Η αξιολόγηση των υποθέσεων του CausalImpact αναδεικνύει ένα συνεκτικό πρότυπο: οι υποθέσεις που αφορούν την επάρκεια δεδομένων (Β.4) και τη σχέση Ελλάδας-δοτών (Β.1) ικανοποιούνται, ενώ οι υποθέσεις που αφορούν τη διαχρονική σταθερότητα παραβιάζονται ή ικανοποιούνται μερικώς.

Η κοινή αιτία είναι το φαινόμενο υποκατάστασης Wikipedia από συστήματα LLM: η σταδιακή μείωση της χρήσης Wikipedia από τα μέσα 2024 εισάγει ένα structural break (~Ιούλιος 2024) που αποσταθεροποιεί τόσο τη σχέση target-controls όσο και την εποχικότητα της ελληνικής σειράς.

Η μέθοδος κρίνεται μη εφαρμόσιμη στα συγκεκριμένα δεδομένα. Τα αποτελέσματά της παρουσιάζονται αποκλειστικά για λόγους διαφάνειας και σύγκρισης. Η αιτιακή εκτίμηση στηρίζεται στις τρεις μεθόδους που ικανοποιούν τις κρίσιμες υποθέσεις τους: Synthetic Control, Difference-in-Differences και Synthetic DiD.

Γ. Difference-in-Differences

Γ.1 Παράλληλες τάσεις

Η κεντρική υπόθεση ταυτοποίησης του DiD απαιτεί ότι απουσία παρέμβασης, η ελληνική σειρά και οι σειρές των δοτών θα ακολουθούσαν παράλληλες τροχιές. Με μία μόνο treated unit, το standard two-way FE event study αντιμετωπίζει τέλεια πολυσυγγραμμικότητα (Callaway & Sant’Anna, 2021). Η ενδεδειγμένη προσέγγιση είναι ο υπολογισμός του DiD gap — διαφορά Ελλάδας από μέσο δοτών — ανά 4-εβδομαδιαία περίοδο, με reference period την αμέσως προηγούμενη της παρέμβασης.

Γ.2 Λοιπές υποθέσεις (SUTVA, σταθερή σύνθεση, ομοιογενή σοκ)

Οι λοιπές υποθέσεις του DiD ελέγχονται έμμεσα: SUTVA μέσω ανάλυσης spillover, σταθερή σύνθεση εκ κατασκευής (Wikipedia γλωσσικές εκδόσεις), ομοιογενή σοκ μέσω LLM effect που απορροφάται από time fixed effects.

Σύνοψη Difference-in-Differences

Η αξιολόγηση αναδεικνύει μερική ικανοποίηση της κεντρικής υπόθεσης παράλληλων τάσεων. Η pre-period κλίση της Ελλάδας είναι εντός της κατανομής των δοτών, αλλά δύο επιπλέον έλεγχοι εγείρουν ανησυχίες: η μικρή αλλά στατιστικά σημαντική τάση του pre-period gap και ο joint test. Η ερμηνεία αυτών των ευρημάτων απαιτεί προσοχή: το αρνητικό πρόσημο αποκαλύπτει ότι η Ελλάδα ήταν συστηματικά κάτω από τον μέσο των δοτών στην pre-period — μόνιμη διαφορά επιπέδου που το DiD απορροφά μέσω unit fixed effects. Η ανησυχία εστιάζεται στη σταδιακή αλλαγή του gap, που αποδίδεται στον ετερογενή τρόπο με τον οποίο το LLM effect πλήττει γλώσσες διαφορετικού μεγέθους. Η μέθοδος κρίνεται εφαρμόσιμη με επιφύλαξη.

Δ. Synthetic DiD

Δ.1 Υπό συνθήκη παράλληλες τάσεις

Δ.2 Δομή λανθάνοντων παραγόντων (SVD analysis)

Δ.3 & Δ.4 Effective pre-periods & In-space placebo

Σύνοψη Synthetic DiD

Το SDID ικανοποιεί τις κρίσιμες υποθέσεις. Η low-rank δομή του panel (Δ.2) επιβεβαιώνει ότι τα δεδομένα συμμορφώνονται με τις θεωρητικές απαιτήσεις της μεθόδου. Το χαμηλό T0.effective (Δ.3) αντικατοπτρίζει το structural break του Ιουλίου 2024 — αλλά αυτό είναι ακριβώς η περίπτωση που τα βάρη χρόνου του SDID σχεδιάστηκαν να χειριστούν, δίνοντας μεγαλύτερο βάρος στις pre-period εβδομάδες που μοιάζουν περισσότερο με το post-period window. Η μέθοδος κρίνεται εφαρμόσιμη.

Ε. Interrupted Time Series

Ε.1 Συνέχιση αντιπαραγοντικού (split-sample test)

Η κρίσιμη υπόθεση του ITS — ότι η pre-intervention τάση μπορεί να προβληθεί αξιόπιστα ως counterfactual — ελέγχεται μέσω split-sample test: εκτιμάται το μοντέλο μόνο στο πρώτο μισό της pre-period και αξιολογείται η ακρίβεια πρόβλεψης στο δεύτερο μισό.

Ε.2 Σωστή μοντελοποίηση αυτοσυσχέτισης

Ε.3 Σταθερή εποχικότητα

Σύνοψη Interrupted Time Series

Δύο ή περισσότερες κρίσιμες υποθέσεις παραβιάζονται. Το ITS κρίνεται μη εφαρμόσιμο στα συγκεκριμένα δεδομένα. Η pre-intervention τάση δεν γενικεύεται αξιόπιστα, η αυτοσυσχέτιση καθιστά τα τυπικά σφάλματα ανακριβή, και η εποχικότητα παραλείπεται συστηματικά. Τα αποτελέσματά του παρουσιάζονται στην ενότητα Αποτελεσμάτων αποκλειστικά για λόγους διαφάνειας.

Αποτελέσματα

Επισκόπηση εκτιμήσεων

Πριν παρουσιαστούν αναλυτικά τα αποτελέσματα κάθε μεθόδου, ο παρακάτω πίνακας συνοψίζει τις κεντρικές εκτιμήσεις του αιτιακού εφέ. Για κάθε μέθοδο αναφέρεται το μέσο post-intervention εφέ (ATT) εκφρασμένο ως ποσοστιαία μεταβολή στις Wikipedia αναγνώσεις VPN, το 95% CI, η στατιστική σημαντικότητα, και η αξιολόγηση εφαρμοσιμότητας.

Οι τρεις κύριες μέθοδοι εκτιμούν μέσο post-intervention εφέ μεταξύ +[R: min_pct]% και +[R: max_pct]% στις Wikipedia αναγνώσεις VPN. Η σύγκλιση αυτή — παρά τις διαφορετικές υποθέσεις ταυτοποίησης κάθε μεθόδου — αποτελεί ισχυρή ένδειξη ότι το εύρημα δεν είναι τεχνούργημα μίας συγκεκριμένης μεθοδολογικής επιλογής.

Κύρια εκτίμηση: Synthetic Control

Χρονική εξέλιξη εφέ

Σύγκριση μεθόδων

Ερμηνεία

Τα αποτελέσματα των τριών κύριων μεθόδων συγκλίνουν σε μια σαφή εικόνα. Ο Ν. 5179/2025 προκάλεσε στατιστικά σημαντική και ουσιαστικά μεγάλη αύξηση του ενδιαφέροντος για VPN στην Ελλάδα, όπως μετράται από τις Wikipedia αναγνώσεις του σχετικού άρθρου.

Η χρονική εξέλιξη αποκαλύπτει τρεις διακριτές φάσεις. Στις πρώτες τέσσερις εβδομάδες μετά τη δημοσίευση (Φεβρουάριος 2025), η αντίδραση ήταν άμεση και ισχυρή — αντανακλά την ευρεία δημοσιότητα του νόμου στα ΜΜΕ και τα κοινωνικά δίκτυα. Στη φάση κορύφωσης (Μάρτιος–Απρίλιος 2025), το εφέ έφτασε τη μέγιστή του τιμή +[R: sc_peak_pct]% — περίοδος που συνέπεσε με τις πρώτες αναφορές για πρακτική εφαρμογή του νόμου και ενίσχυση της δημόσιας συζήτησης. Στη φάση υποχώρησης (Μάιος 2025 και έπειτα), το εφέ μειώνεται σταδιακά αλλά παραμένει θετικό — ένδειξη ότι ένα μέρος της αυξημένης ενημέρωσης για VPN έχει μόνιμο χαρακτήρα.

Η σύγκλιση SC (+[R: sc_att_pct]%), DiD (+[R: did_att_pct]%) και SDID (+[R: sdid_att_pct]%) — μεθόδων με διαφορετικές υποθέσεις ταυτοποίησης — αποτελεί ισχυρή ένδειξη αιτιακής σχέσης. Το εύρημα αυτό συνάδει με τη βιβλιογραφία για τον Streisand Effect σε αντιπειρατικές νομοθεσίες (Danaher et al., 2016; Trevisan et al., 2019): η προσπάθεια περιορισμού της πρόσβασης σε παράνομο περιεχόμενο μέσω ποινικοποίησης των τελικών χρηστών πυροδοτεί αντιδραστική αναζήτηση εργαλείων παράκαμψης.