Estimating and Projecting Air Passenger Traffic during the COVID-19\n Coronavirus Outbreak and its Socio-Economic Impact
Notice bibliographique
Résumé
The main focus of this study is to collect and prepare data on air passengers\ntraffic worldwide with the scope of analyze the impact of travel ban on the\naviation sector. Based on historical data from January 2010 till October 2019,\na forecasting model is implemented in order to set a reference baseline. Making\nuse of airplane movements extracted from online flight tracking platforms and\non-line booking systems, this study presents also a first assessment of recent\nchanges in flight activity around the world as a result of the COVID-19\npandemic. To study the effects of air travel ban on aviation and in turn its\nsocio-economic, several scenarios are constructed based on past pandemic crisis\nand the observed flight volumes. It turns out that, according to this\nhypothetical scenarios, in the first Quarter of 2020 the impact of aviation\nlosses could have negatively reduced World GDP by 0.02% to 0.12% according to\nthe observed data and, in the worst case scenarios, at the end of 2020 the loss\ncould be as high as 1.41-1.67% and job losses may reach the value of 25-30\nmillions. Focusing on EU27, the GDP loss may amount to 1.66-1.98% by the end of\n2020 and the number of job losses from 4.2 to 5 millions in the worst case\nscenarios. Some countries will be more affected than others in the short run\nand most European airlines companies will suffer from the travel ban.\n
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».