Empirical Study of Monthly Economic Losses Assessments for “Standard Unit Lockdown” Due to COVID-19
Notice bibliographique
Résumé
Background: The pandemic of COVID-19 has been shaping economic developments of the world. From the standpoint of government measures to prevent and control the epidemic, the lockdown was widely used. It is essential to access the economic losses in a lockdown environment which will provide government administration with a necessary reference for decision making in controlling the epidemic. Methods: We introduce the concept of "standard unit incident" and an economic losses assessment methodology for both the standard and the assessed area. We build a "standard unit lockdown" economic losses assessment system and indicators to estimate the economic losses for the monthly lockdown. Using the comprehensive assessment system, the loss infected coefficient of monthly economic losses during lockdown in the 40 countries has been calculated to assess the economic losses by the entropy weighting method (EWM) with data from the CSMAR database and CDC website. Results: We observe that countries in North America suffered the most significant economic losses due to the epidemic, followed by South America and Europe, Asia and Africa, and Oceania and Antarctica suffered relatively minor economic losses. The top 10 countries for monthly economic losses during lockdown were the United States, India, Brazil, France, Turkey, Russia, the United Kingdom, Italy, Spain, and Germany. The United States suffered the greatest monthly economic losses under lockdown ($65.3 billion), roughly 1.5 times that of China, while Germany suffered the least ($56.4 billion), roughly 1.3 times that of China. Conclusion: Lockdown as a control and mitigation strategy has great impact on the economic development and causes huge economic losses. The economic impact due to the pandemic has varied widely among the 40 countries. It will be important to conduct further studies to compare and understand the differences and the reasons behind.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».