Business recovery from disasters: Lessons from natural hazards and the COVID-19 pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper compares economic recovery in the COVID-19 pandemic with other types of disasters, at the scale of businesses. As countries around the world struggle to emerge from the pandemic, studies of business impact and recovery have proliferated; however, pandemic research is often undertaken without the benefit of insights from long-standing research on past large-scale disruptive events, such as floods, storms, and earthquakes. This paper builds synergies between established knowledge on business recovery in disasters and emerging insights from the COVID-19 pandemic. It first proposes a disaster event taxonomy that allows the pandemic to be compared with natural hazard events from the perspective of economic disruption. The paper then identifies five key lessons on business recovery from disasters and compares them to empirical findings from the COVID-19 pandemic. For synthesis, a conceptual framework on business recovery is developed to support policy-makers to anticipate business recovery needs in economically disruptive events, including disasters. Findings from the pandemic largely resonate with those from disasters. Recovery tends to be more difficult for small businesses, those vulnerable to supply chain problems, those facing disrupted markets, and locally-oriented businesses in heavily impacted neighborhoods. Disaster assistance that is fast and less restrictive provides more effective support for business recovery. Some differences emerge, however: substantial business disruption in the pandemic derived from changes in demand due to regulatory measures as well as consumer behaviour; businesses in high-income neighborhoods and central business districts were especially affected; and traditional forms of financial assistance may need to be reconsidered.
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.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle