REGIONALIZACIÓN DE LOS FLUJOS DE MIGRACIÓN Y REMESAS EN AGUASCALIENTES
Bibliographic record
Abstract
Desde el 20 de enero de 2017 cuando Donald Trump se convirtio en presidente de Estados Unidos las dudas e incertidumbre sobre sus acciones antiinmigrantes mexicanos se hicieron mas latentes, ya que el partido que uso como plataforma politica para llegar a la casa blanca comenzo a resignarse a la idea de su abanderado, y comenzaron a ejercer presion en la camara de senadores y de representantes. El Gobierno mexicano en 2017 y 2018 actuo fijando posiciones que unicamente se remitieron a negociar un nuevo tratado comercial con Estados Unidos y Canada. Sin embargo, las aun amenazas de una deportacion masiva de mexicanos e imposicion de cuotas al envio de remesas han hecho que cada mes se aumente en hasta 9% con respecto al ano anterior desde que Trump tomo protesta como presidente. 2018 es hasta ahora el ano con una recepcion de remesas desde Estados Unidos ya que aumento en poco mas de 11% Los programas de desarrollo economico y social para regiones de migrantes y sus familias no han sido afectados por las modificaciones en el presupuesto de egresos 2019 discutido y aprobado por la LXIII Legislatura en Mexico, el gobierno federal no se ha posicionado sobre la realizacion de algun cambio a dichas politicas como el 1 por 3 en que los migrantes realizan inversiones para la creacion de infraestructuras en sus comunidades de origen y el gobierno federal y en algunos casos gobiernos estatales igualan la cantidad aportada por los migrantes. Teniendo en cuenta algunos modelos determinantes y un analisis espacial de las remesas y el flujo migratorio en Mexico este ensayo tiene por objetivo determinar las regiones por municipio de flujos de migracion y remesas para el estado de Aguascalientes. Ya que los flujos migratorios y de remesas no estan correlacionados con la densidad poblacional la hipotesis de esta investigacion gira en torno a que existe una convergencia espacial en dichos flujos.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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; both teacher heads agree on what is shown here.
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".