Impacte econòmic directe de la pandèmia COVID-19 per a una aerolínia
Bibliographic record
Abstract
La pandèmia de la COVID-19 ja acumula més de 170 milions de casos en tot al món a causa de la seva ràpida propagació, fruit d’això els governs van imposar severes restriccions de mobilitat provocant que l’any 2020 hi hagués una caiguda dels passatgers del transport aeri comercial del 60%, retrocedint a uns valors d’abans dels 2000. Conseqüència d’això les aerolínies van haver de deixar a terra la majoria dels seus avions provocant despeses d’estacionament i manteniment i és que un avió a diferència d’un cotxe no pot ser abandonat durant una llarga parada sinó que requereix costoses operacions de manteniment rutinàries per assegurar una bona preservació. L’objectiu principal d’aquest treball de final de grau és analitzar el cas concret de Vueling i veure quin ha estat l’impacte econòmic directe de la pandèmia en el seu cas. És a dir, quantificar les despeses originades per culpa de la parada d’operacions. A causa del fet que la COVID-19 segueix present actualment es farà el càlcul de la despesa generada fins al 13 de juny i una estimació de futur. Altrament es veurà l’evolució del trànsit aeri comercial d’aquest darrer any i la relació que guarda la pandèmia amb les xifres de passatgers així com la incertesa que viu el sector, d’igual manera es veurà la rellevància dels aeroports secundaris com el de Teruel o Ciudad Real, aeroports que aquest any 2020 ha estat quan han estat més actius servint d’estacionament a un elevat nombre d’avions d’arreu d’Europa.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".