The Socio-economic Effects Of Covid-19 Lockdown in Nigeria: Implications on Micro and Macro Economy
Notice bibliographique
Résumé
Many countries across the planet are facing unprecedented challenges as a result of COVID-19 infections. Nigeria, Africa's most populous country is no exception. The government has implemented a range of measures to curb the spread of the pandemic, including closure of international airports, shutting down of institutions, markets/stores etc. On March 29th, an initial four-week state-wide lockdown was declared in three major states, Lagos, Abuja and Ogun, halting all essential activities. Following this Executive Order, state governments throughout the country took stringent measures such as restrictions on inter-state travel, instituting curfews, etc. Against this backdrop, the paper reviewed the socio-economic effects of COVID-19 lockdown in Nigeria and its implications on the micro and macro economy. The study adopted the systems theory. Due to safety protocols established by health experts on the COVID-19 pandemic, data for the study were drawn from participant observation, media commentaries and authentic secondary sources. The content analytical technique was used to review the literature on the subject matter. The study reported that the halt in business activities in the country has rendered many penniless and unable to provide for themselves the basic amenities needed for the duration of the lockdown. The study concluded that Federal Government of Nigeria should waive payments on personal and corporate income tax for the second quarter and third quarter of 2020, considering that the shock has affected the income and profits of households and businesses.
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 | 0,001 |
| 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 | 0,000 | 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 ».