Résilience territoriale : estimation du choc de la Covid-19 sur deux territoires français
Notice bibliographique
Résumé
La crise de la COVID-19 a remis sur le devant de la scène le terme de résilience. Particulièrement pertinent pour expliquer les effets de rebond ou l’incapacité à réagir, ce dernier permet d’appréhender les effets d’une crise mondialisée sur les territoires sans toutefois refléter les situations réelles des différents espaces considérés. Nous proposons ici d’estimer l’impact du choc de la Covid-19 sur deux territoires en France : l’un peut se définir comme une campagne industrielle, le Nord Poitou, l’autre, métropolitain, est situé en première couronne parisienne, Est Ensemble. Alors que dans le premier, le nombre d’emplois tend à diminuer en même temps que le taux de chômage, l’industrie demeure ancrée dans son territoire. Le second territoire présente un équilibre plus fragile entre hausse du nombre d’emplois disponibles et taux de chômage élevé de façon structurelle. Si les dispositifs d’amortissement de la crise, principalement insufflés par l’Europe et l’Etat, ont permis de passer le cap de l’année 2020, ces deux territoires ancrent leur résilience dans ce qui les caractérisent dans le temps long. Que l’on se situe dans un territoire de faible densité ou dans un espace métropolitain, les trajectoires suivent des tendances lourdes, fruits de spécificités historiques, et sont inscrites dans les dynamiques sectorielles nationales.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».