Analyzing Economic Effects of September 11 and Other Extreme Events Using Debit and Payments System Data
Notice bibliographique
Résumé
Les décideurs politiques font parfois face à des événements extrêmes et imprévus qui peuvent influencer l’économie d’un pays et avoir des impacts négatifs par exemple sur l’emploi, les recettes fiscales et les cibles d’inflation. Dans certaines de ces situations, ils tentent de neutraliser ces effets en utilisant des outils monétaires ou budgétaires. Toutefois, pour établir la solution appropriée à adopter, il faut mesurer en temps réel la gravité des événements en question. Or, dans le cas d’événements momentanés, les données trimestrielles des bureaux de statistiques gouvernementaux sont peu utiles, puisqu’elles ne sont disponibles qu’après un décalage dans le temps par rapport aux événements, et que les effets de ceuxci, de courte durée, peuvent être masqués par la nature cumulative des données dans le temps. Cependant, grâce à des progrès technologiques des dernières années, on a maintenant accès à des sources de données sur l’activité économique qui sont beaucoup plus précises et à jour. Ainsi, dans cet article, nous montrons qu’il aurait été possible d’utiliser les données portant sur le volume de transactions par carte de débit et sur le volume et la valeur des opérations de débit et par chèques effectuées les jours ouvrables pour analyser l’impact sur les dépenses des consommateurs canadiens des attaques terroristes du 11 septembre 2001, de l’épidémie de SRAS du printemps 2003 et de la grande panne d’électricité d’août 2003. Nos résultats montrent que, contrairement à ce qu’on a pu croire sur le moment, les effets de ces événements ont été de courte durée et peu importants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».