Do regionally targeted lockdowns alter movement to non-lockdown regions? Evidence from Ontario, Canada
Notice bibliographique
Résumé
Regionally targeted interventions are being used by governments to slow the spread of COVID-19. In areas where free movement is not being actively restricted, there is uncertainty about how effective such regionally targeted interventions are due to the free movement of people between regions. We use mobile-phone network mobility data to test two hypotheses: 1) do regions targeted by exhibit increased outflows into other regions and 2) do regions targeted by interventions increase outflows specifically into areas with lesser restrictions. Our analysis focuses on two well-defined regionally targeted interventions in Ontario, Canada the first intervention as the first wave subsided (July 17, 2020) and the second intervention as we entered into new restrictions during the onset of the second wave (November 23, 2020). We use a difference-in-difference model to investigate hypothesis 1 and an interrupted time series model to investigate hypothesis 2, controlling for spatial effects (using a spatial-error model) in both cases. Our findings suggest that there that the regionally targeted interventions had a neutral effect (or no effect) on inter-regional mobility, with no significant differences associated with the interventions. We also found that overall inter-regional mobility was associated with socio-economic factors and the distance to the boundary of the intervention region. These findings are important as they should guide how governments design regionally targeted interventions (from a geographical perspective) considering observed patterns of mobility.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».