Analyzing Economic Effects of September 11 and Other Extreme Events Using Debit and Payments System Data
Bibliographic record
Abstract
Les décideurs politiques font parfois face à des événements extrêmes et imprévus qui peuvent influencer l’économie d’un pays et avoir des impacts négatifs par exemple sur l’emploi, les recettes fiscales et les cibles d’inflation. Dans certaines de ces situations, ils tentent de neutraliser ces effets en utilisant des outils monétaires ou budgétaires. Toutefois, pour établir la solution appropriée à adopter, il faut mesurer en temps réel la gravité des événements en question. Or, dans le cas d’événements momentanés, les données trimestrielles des bureaux de statistiques gouvernementaux sont peu utiles, puisqu’elles ne sont disponibles qu’après un décalage dans le temps par rapport aux événements, et que les effets de ceuxci, de courte durée, peuvent être masqués par la nature cumulative des données dans le temps. Cependant, grâce à des progrès technologiques des dernières années, on a maintenant accès à des sources de données sur l’activité économique qui sont beaucoup plus précises et à jour. Ainsi, dans cet article, nous montrons qu’il aurait été possible d’utiliser les données portant sur le volume de transactions par carte de débit et sur le volume et la valeur des opérations de débit et par chèques effectuées les jours ouvrables pour analyser l’impact sur les dépenses des consommateurs canadiens des attaques terroristes du 11 septembre 2001, de l’épidémie de SRAS du printemps 2003 et de la grande panne d’électricité d’août 2003. Nos résultats montrent que, contrairement à ce qu’on a pu croire sur le moment, les effets de ces événements ont été de courte durée et peu importants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".