Spillover Effects of China-US Trade War on Southeast Asian
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
A trade war between China and us has started in 2018. China has been considered a threat by American politicians they are trying to use a trade war as a tool to contain China’s high-speed development. However, China will not allow the US to be seized without putting up a fight. With the advance of the trade war, China and the US have had several rounds of confrontation by raising tariffs. It’s hard to really say which side won the overall victory, nevertheless, the trade war between China and the US has diffused the whole world economic environment. In order to avoid the raised tariffs from the competitor, China, and the US transfer the import resources to the country that has lower tariffs on the same goods. The third-party country would attend the trade war by gaining the spillover effect of the trade war. Southeast Asia has eleven countries, such as Thailand, Cambodia, Vietnam, the Philippines, Malaysia, Singapore, Indonesia, and Timor Leste. Most of them have China or the US as their biggest trading partner. When China raises tariffs on a certain commodity to the United States, which may find the third country in order to replace China to evade tariff sanctions. The Countries in the Southeast become the optimal choice for the US. They also have low labor costs, close transportation routes, and many employment vacancies. Therefore, Southeast Asia has become one region in the world that has a spillover effect of the China-US trade war.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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