Trade Wars, COVID-19, USMCA, and Protectionism: Exogenous Factor Influence on U.S- Mexico Supply Chains in the Automotive Industry
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
This research explores what the impacts of COVID-19, the U.S-China trade war, and the implementation of North American Trade Agreement (NAFTA) as the United States, Mexico Canada (USMCA) Trade Agreement, have had on U.S.-Mexico trade relations, focusing on the automotive industry. With rising trends of protectionism in international trade, this research focuses on the language that Tesla and General Motors company sites in Mexico used from 2021 to March 2023 in their released articles to the public and how frequently the variables of COVID19, the U.S China trade war, USMCA, and protectionism were discussed. Articles in both Spanish and English were included in this analysis. It is of particular importance to focus on the automotive industry as it is the largest industry in trade for Mexico with the U.S. In the 2021-2023 period, the Mexico General Motors and Tesla company websites collectively released 97 articles. The sample greatly consisted of articles from General Motors. However, because General Motors is much more established in Mexico than Tesla, this is expected. The presence of these variables of COVID19, USMCA, U.S. China Trade War, and rising protectionism caused major impacts to the global economy. Through content analysis of the released media articles from General Motors and Tesla, I found that these factors - which deeply impacted the global economy – also impact smaller sectors of the economy, namely automotive supply chains.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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