Résilience territoriale : estimation du choc de la Covid-19 sur deux territoires français
Bibliographic record
Abstract
La crise de la COVID-19 a remis sur le devant de la scène le terme de résilience. Particulièrement pertinent pour expliquer les effets de rebond ou l’incapacité à réagir, ce dernier permet d’appréhender les effets d’une crise mondialisée sur les territoires sans toutefois refléter les situations réelles des différents espaces considérés. Nous proposons ici d’estimer l’impact du choc de la Covid-19 sur deux territoires en France : l’un peut se définir comme une campagne industrielle, le Nord Poitou, l’autre, métropolitain, est situé en première couronne parisienne, Est Ensemble. Alors que dans le premier, le nombre d’emplois tend à diminuer en même temps que le taux de chômage, l’industrie demeure ancrée dans son territoire. Le second territoire présente un équilibre plus fragile entre hausse du nombre d’emplois disponibles et taux de chômage élevé de façon structurelle. Si les dispositifs d’amortissement de la crise, principalement insufflés par l’Europe et l’Etat, ont permis de passer le cap de l’année 2020, ces deux territoires ancrent leur résilience dans ce qui les caractérisent dans le temps long. Que l’on se situe dans un territoire de faible densité ou dans un espace métropolitain, les trajectoires suivent des tendances lourdes, fruits de spécificités historiques, et sont inscrites dans les dynamiques sectorielles nationales.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".