Pandemic, informality, and vulnerability: impact of COVID-19 on livelihoods in India
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
We analyze findings from a large-scale survey of around 5000 respondents across 12 states of India, conducted during the months of April and May 2020, to study the impact of COVID-19 pandemic containment measures (lockdown) on employment, livelihoods, and food security. Given the predominantly informal nature of employment and critically low investment in State-funded social security nets, the impact, albeit unprecedented in its scale, was not entirely unexpected in its nature. We find that around two-thirds of respondents reported losing employment during the lockdown, and those that continued to be employed witness a sharp decline in earning. Further, with critically low levels of social security net, the loss in employment quickly translated into food and livelihoods insecurity. Almost 80 per cent of households experienced a reduction in food intake, more than 60 per cent did not have enough money for a week’s worth of essentials, and a third took a loan to cover expenses during the lockdown. We also use a set of logistic regressions to identify how employment loss and reduction in food intake varied with individual and household-level characteristics. Based on our analysis, we argue that while there is an urgent need to undertake effective measures to support livelihoods and facilitate an economic recovery, we also highlight the necessity to critically evaluate the current development trajectory, whereby decades-long high economic growth has failed to translate into more secure livelihoods for a vast majority of the workforce.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle