The Green Books and the Geography of Segregation in Public Accommodations
Notice bibliographique
Résumé
Jim Crow segregated African Americans and whites by law and practice. The causes and implications of the associated de jure and de facto residential segregation have received substantial attention from scholars, but there has been little empirical research on racial discrimination in public accommodations during this time period. We digitize the Negro Motorist Green Books, important historical travel guides aimed at helping African Americans navigate segregation in the pre-Civil Rights Act United States. We create a novel panel dataset that contains precise geocoded locations of over 4,000 unique businesses that provided non-discriminatory service to African American patrons between 1938 and 1966. Our analysis reveals several new facts about discrimination in public accommodations that contribute to the broader literature on racial segregation. First, the largest number of Green Book establishments were found in the Northeast, while the lowest number were found in the West. The Midwest had the highest number of Green Book establishments per black resident and the South had the lowest. Second, we combine our Green Book estimates with newly digitized county-level estimates of hotels to generate the share of non-discriminatory formal accommodations. Again, the Northeast had the highest share of non-discriminatory accommodations, with the South following closely behind. Third, for Green Book establishments located in cities for which the Home Owner’s Loan Corporation (HOLC) drew residential security maps, the vast majority (nearly 70 percent) are located in the lowest-grade, redlined neighborhoods. Finally, Green Book presence tends to correlate positively with measures of material well-being and economic activity.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».