Kolik nás může pracovat z domova? Výsledky pro Českou republiku [How Many of Us Can Work from Home? Evidence for the Czech Republic]
Notice bibliographique
Résumé
How well can a society and an economy face up to COVID-19 depends, among other factors, on how many jobs can be performed at home. Work from home has the potential to increase firms' productivity and quality of workers' lives regardless of COVID-19, but it can also create new challenges. In this paper, we estimate the share of Czech workers who could work from home, using detailed Czech labour force survey data and an internationally recognised occupational classification methodology. Overall, we apply in the Czech context a methodology developed by Dingel and Neiman and published by the Journal of Public Economics in 2020. Our results show that about one third of Czech workers can perform their jobs from home. This share is comparable with countries at similar per capita income levels and with the share of workers who worked from home in Czechia during COVID-19 in the spring of 2020. The ability to work from home is distributed unequally across sectors, regions and workers' education levels. Whereas around four fifths of workers in the financial or the information technology sectors can work from home, less than one in five workers in agriculture and culture can work from home. Most university-educated workers can work from home, but only one in ten workers with primary education can do so. About a half of the workers in Prague can work from home, while only about a quarter can do so in the rest of the Czech Republic.
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 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».