MétaCan
Menu
Retour à la cohorte
Enregistrement W7043870129

Tunisia COVID-19 Country Case Study

2022· article· en· W7043870129 sur OpenAlexaboutno aff

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCOVID-19 Pandemic Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQuarter (Canadian coin)Government (linguistics)PoliticsOpenness to experienceTourismCommonwealthDecreeTerms of tradeExchange rateLiberalization
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The Tunisian economy can be described as an open economy in terms of its trade openness2, which is high relative to other countries in MENA (World Bank 2021). Tunisia’s trade openness and the large role of services in the economy have contributed to the sizeable pandemic era economic contractions (World Bank 2021). Moreover, the tourism sector, which played a key role in Tunisia’s economy, was the most affected by the pandemic, as well as international trade (World Bank 2020). Moreover, Tunisia experienced substantial political instability leading to the president dismissing the prime minister, suspending parliament, and ruling by decree in late July 2021. Although our data predate these political events, they are important to keep in mind in understanding the policy responses and way forward. The Tunisian economy, which was already in a bad shape in 2019, endured a harsh blow with the pandemic. Tunisian GDP contracted by 8.8 per cent in 2020 after modest growth of 0.9 per cent in 2019. The most affected sectors were “hotels and restaurants”, which contracted by 77.3 per cent in the second quarter of 2020 relative to the same quarter a year earlier, and “transport”, which sank by 51.4 per cent in the same period (Institut National de la Statistique (INS) 2021a; Krafft, Assaad, and Marouani 2021b). There was a slight recovery in the third and fourth quarters of 2020, but most sectors’ growth remained negative relative to the same quarter in the previous year. The government adopted a series of economic support and social protection policies to alleviate the effects of the crisis on firms and households. The emergency response cost 2.6 billion Tunisian dinar (TND), which represents 2.3 per cent of GDP (IMF 2021; Krafft, Assaad, and Marouani 2021c). The response included several measures to ease the burden on firms by postponing tax payments, social insurance contributions and loan reimbursements (IMF 2021; Krafft, Assaad, and Marouani 2021b). In addition, the government introduced a state guarantee for new credit that was extended in the 2021 budget law. The Central Bank also eased monetary policies and the regulatory standards for the banking sector and was allowed by the parliament to directly finance the government budget with TND 2.6 billion (IMF 2021). Several vulnerable groups of people received emergency cash transfers to cope with the crisis. Support relied on regular social protection schemes by targeting households enrolled in the national anti-poverty cash transfer program (PNAFN) and in subsidised health insurance schemes (AMGII) and some received one-off transfers (mainly during the full lockdown period) (Hassen, Marouani, and Wojcieszynski 2021). The Central Bank also postponed household loan payments for three to six months in Spring 2020 in order to support middle-class workers who did not benefit from cash transfers (Hassen, Marouani, and Wojcieszynski 2021).

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,186
Score d'incertitude au seuil0,370

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0040,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0200,002

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 Opus0,090
Tête enseignante GPT0,356
Écart entre enseignants0,266 · 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'étudeObservationnel
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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetCOVID-19 Pandemic ImpactsTravaux en français237 207