Population decline in Lithuania: who lives in declining regions and who leaves?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Since the 1990s, Lithuania lost almost one-quarter of its population, and some regions within the country lost more than 50% of their residents. Such a sharp population decline poses major challenges to politicians, policy-makers and planners. The aim of this study is to obtain more insight into the recent processes of socio-spatial change and the role of selective migration in Lithuania. The main focus is on understanding who lives in those regions which are rapidly losing population, and who is most likely to leave these regions. This is one of the first studies to use individual-level Lithuanian census data from 2001 and 2011. We found that low socio-economic status residents and older residents dominate the population of shrinking regions, and unsurprisingly that the most ‘successful’ people are the most likely to leave such regions. This process of selective migration reinforces the negative downward spiral of declining regions. As a result, socio-spatial polarization is growing within the country, where people with higher socio-economic status are increasingly overrepresented in the largest city-regions, while the elderly and residents with a lower socio-economic status are overrepresented in declining rural regions. This paper provides empirical evidence of selective migration and increasing regional disparities in Lithuania. While the socio-spatial changes are obvious in Lithuania, there is no clear strategy on how to cope with extreme population decline and increasing regional inequalities within the country.
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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle