Data-driven insights into the effects of demographic ageing on Lithuania's labour market sustainability
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
Purpose The purpose of this article is to examine how population ageing affects labour market. Utilising Lithuania as a case study, present research seeks to draw broader conclusions that are applicable to other developed economies experiencing rapid demographic ageing. Design/methodology/approach The study employs vector autoregression methodology to assess the impact of the ageing of the Lithuanian labour force and its relationship with labour market indicators, including labour productivity, labour force participation of persons aged 25–54 and the unemployment rate of persons aged 15–24. The data retrieved from the State Data Agency have been utilised to conduct a comprehensive analysis of the most recent period for which data is available at the time of writing, spanning from the first quarter of 2002 to the third quarter of 2024. Findings It was found that ageing does not have a statistically significant impact on selected Lithuanian labour market indicators. However, the results of the study may be influenced by the short research sample, Lithuania's accession to the European Union, the financial crisis of 2007–2008 and the COVID-19 pandemic. Practical implications The present study offers practical insights to facilitate the navigation by policymakers of the challenges posed by a rapidly ageing population, thereby ensuring a more sustainable and resilient future. Originality/value The study makes a significant contribution to the extant body of knowledge on the subject through the use of advanced models, thus providing a novel perspective on the dynamics of the aforementioned subjects.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 découle