The impact of corona crisis on the economies of major metropolitan areas
Notice bibliographique
Résumé
The article presents the results of an operational assessment of the impact of the COVID-19 crisis on the change in the gross urban product (GUP) in 17 metropolitan areas of Russia with a population of more than 1 million people in 2020. The goal of the authors was to try to answer the most actual questions nowadays (early 2021): how deep was the fall of the largest agglomerations economies in Russia and abroad; did the corona crisis have a more negative impact on the largest metropolitan areas then on the rest of the economy? In order to answer these questions, two main tasks were: 1) to assess GUP in 17 largest metropolitan areas of Russia; 2) to consider foreign estimates of the GUP in 2020. For foreign comparisons, the authors use the first published data on changes in GDP and gross urban/regional product in the United States, Canada and Australia. The assessment of GUP in this work is carried out through the assessment of the component of employee compensation and then the transition to the GUP indicator on the assumption that such a ratio of compensation of employees to GDP in a city equals the average of the said ratios for the 17 metropolitan areas. The assessment showed that the real GDP growth rates in 2020 were negative not in all metropolitan areas, and in most of them economic losses turned out to be less than those of the Russian economy as a whole.
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) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».