Economic resilience during COVID-19: the case of food retail businesses in Seattle, Washington
Notice bibliographique
Résumé
The first year of COVID-19 tested the economic resilience of cities, calling into question the viability of density and the essential nature of certain types of services. This study examines built environment and socio-economic factors associated with the closure of customer-facing food businesses across urban areas of Seattle, Washington. The study covers 16 neighborhoods (44 census block groups), with two field audits of businesses included in cross-sectional studies conducted during the peak periods of the pandemic in 2020. Variables describing businesses and their built environments were selected and classified using regression tree methods, with relationships to business continuity estimated in a binomial regression model, using business type and neighborhood socio-demographic characteristics as controlled covariates. Results show that the economic impact of the pandemic was not evenly distributed across the built environment. Compared to grocery stores, the odds of a restaurant staying open during May and June were 24%, only improving 10% by the end of 2020. Density played a role in business closure, though this role differed over time. In May and June, food retail businesses were 82% less likely to remain open if located within a quarter-mile radius of the office-rich areas of the city, where pre-pandemic job density was greater than 95 per acre. In November and December, food retail businesses were 66% less likely to remain open if located in areas of residential density greater than 23.6 persons per acre. In contrast, median household income and percentage of non-Asian persons of color were positively and significantly associated with business continuity. Altogether, these findings provide more detailed and accurate profiles of food retail businesses and a more complete impression of the spatial heterogeneity of urban economic resilience during the pandemic, with implications for future urban planning and real estate development in the post-pandemic era.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».