MétaCan
Menu
Retour à la cohorte
Enregistrement W4388096183 · doi:10.1101/2023.10.29.23297740

How feasible is it to mobilize $31 billion a year for pandemic preparedness and response? An economic growth modelling analysis

2023· preprint· en· W4388096183 sur OpenAlexaff
Minahil Shahid, Marco Schäferhoff, Garrett Wallace Brown, Gavin Yamey

Notice bibliographique

RevuemedRxiv · 2023
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Systems and Reforms
Établissements canadiensImpact
Organismes subventionnairesEconomic and Social Research CouncilUniversity of Leeds
Mots-clésPreparednessGross national incomeGross domestic productPandemicEconomicsBusinessDevelopment economicsEconomic growthCoronavirus disease 2019 (COVID-19)Medicine

Résumé

récupéré en direct d'OpenAlex

Abstract Background Covid-19 has reinforced the strong health and economic case for investing in pandemic preparedness and response (PPR). The World Bank and World Health Organization (WHO) propose that low- and middle-income governments and donor countries should invest $31.1 billion each year for PPR. We analyse, based on the projected economic growth of countries between 2022 and 2027, how likely it is that low- and middle-income country governments and donors can mobilize the estimated funding. Methods We modelled trends in economic growth to project domestic health spending by low- and middle-income governments and official development assistance (ODA) by donors for years 2022 to 2027. We modelled two scenarios for countries and donors – a constant and an optimistic scenario. Under the constant scenario we assume that countries and donors continue to dedicate the same proportion of their health spending and ODA as a share of gross domestic product (GDP) and gross national income (GNI), respectively, as they did during baseline (the latest year for which data are available). In the optimistic scenario, we assume a yearly increase of 2.5% in health spending as a share of GDP for countries and ODA as a share of GNI for donors. Findings Our analysis shows that low-income countries would need to invest on average 37%, lower-middle income countries 9%, and upper-middle income countries 1%, of their total health spending on PPR each year under the constant scenario to meet the World Bank WHO targets. Donors would need to allocate on average 8% of their total ODA across all sectors to PPR each year to meet their target. Conclusions The World Bank WHO targets for PPR will not be met unless low- and middle-income governments and donors spend a much higher share of their funding on PPR. Even under optimistic growth scenarios, low-income and lower-middle income countries will require increased support from global health donors. The donor target cannot be met using the yearly increase in ODA under any scenario. If the country and donor targets are not met, the highest-impact health security measures need to be prioritized for funding. Alternative sources of PPR financing could include global taxation (e.g., on financial transactions, carbon, or airline flights), cancelling debt, and addressing illicit financial flows. There is also a need for continued work on estimating current PPR costs and funding requirements in order to arrive at more enduring and reliable estimates.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,102

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,190
Tête enseignante GPT0,329
Écart entre enseignants0,138 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetHealthcare Systems and ReformsTravaux en français237 207