Unemployment clusters across Europe's regions and countries
Notice bibliographique
Résumé
Regional unemployment clusters Nearness matters within and across Europe–s borders High unemployment and regional inequalities are major concerns for European policy–makers, but so far connections between policies dealing with unemployment and regional inequalities have been few and weak. We think that this should change. This paper documents a regional and transnational dimension to unemployment – i.e., geographical unemployment clusters that do not respect national boundaries. Since the mid 1980s, regions with high or low initial unemployment rates saw little change, while regions with intermediate unemployment moved towards extreme values. During this polarization, nearby regions tended to share similar outcomes due, we argue, to spatially related changes in labour demand. These spatially correlated demand shifts were due in part to initial clustering of low–skilled regions and badly performing industries, but a significant neighbour effect remains even after controlling for these, and the effect is as strong within as it is between nations. We believe this reflects agglomeration effects of economic integration. The new economic geography literature shows how integration fosters employment clusters that need not respect national borders. If regional labour forces do not adjust, regional unemployment polarization with neighbour effects can result. To account for these ‘neighbour effects’ a cross–regional and transnational dimension should be added to national anti–unemployment policies. Nations should consider policies that encourage regional wage setting, and short distance mobility, and the EU should consider including transnational considerations in its regional policy, since neighbour effects on unemployment mean that an anti–unemployment policy paid for by one region will benefit neighbouring regions. Since local politicians gain no votes or tax revenues from these ‘spillovers’, they are likely to underestimate the true benefit of the policy and thus tend to undertake too little of it. – Henry G. Overman and Diego Puga
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».