Trade-off between job losses and the spread of COVID-19 in Japan
Notice bibliographique
Résumé
This paper quantitatively analyzes the trade-off between job losses and the spread of COVID-19 in Japan. We derive an empirical specification from the social planner's resource constraint under the susceptible, infected, recovered, and deaths (SIRD) model and estimate how job losses and the case growth rate are related to people's mobility using the Japanese prefecture-level panel data on confirmed cases, involuntary job losses, people's mobility, and teleworkability. Our findings are summarized as follows. First, we find that a decrease in mobility driven by containment policies is associated with an increase in involuntary job separations, but the high teleworkability mitigates the negative effect of decreased mobility on job losses. Second, estimating how the case growth is related to people's mobility and past cases, we find that the case growth rate is positively related to an increase in people's mobility but negatively associated with past confirmed cases. Third, using these estimates, we provide a quantitative analysis of the trade-off between job losses and the number of confirmed cases. Taking Tokyo in July 2020 as a benchmark, we find that the cost of saving 1 job per month is 2.3 more confirmed cases per month in the short run of 1 month. When we consider a trade-off for 3 months from July to September of 2020, protecting 1 job per month requires 6.6 more confirmed cases per month. Therefore, the trade-off becomes worse substantially in the longer run of 3 months, reflecting the exponential case growth when the people's mobility is high.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».