Especialización tecnológica en la industria automotriz: México, Estados Unidos y Canadá, 1994-2015
Bibliographic record
Abstract
La presente investigación se suscribe en la esfera de la economía social y particularmente aporta al campo de la innovación social.Al analizar el nivel de especialización tecnológica en la industria automotriz y de autopartes en la región de América del Norte y los factores que influyen, es posible poner la lupa en los campos tecnológicos en que se han desarrollado fortalezas y en cuales no; en esa medida, contar con instrumentos para el diseño de políticas industriales y de innovación.En el contexto del dinamismo y los encadenamientos productivos de este sector se ha aportado con este estudio la identificación en cuáles del total de 29 subclases de patentes otorgadas por la USPTO en el área automotriz y de autopartes, los tres países cuentan con ventajas tecnológicas reveladas y de que magnitud.Así también, otro hallazgo fue al haber corroborado que, al incrementar los niveles de capital humano, mediante el aumento de la matriculación de la educación terciaria (nivel superior), se impacta positivamente en mayores niveles de especialización tecnológica.Igualmente, incrementar el gasto en I+D favorece la especialización productiva.Fomentar mediante la política pública estas dos variables permitirán sin duda consolidar las ventajas tecnológicas reveladas.Adoptar políticas que profundicen el desarrollo de capacidades tecnológicas y de innovación en los tres países.Pero en el caso de México, permitirá sin duda asomarse al diseño, producción y comercialización de los vehículos que tengan menor impacto en la contaminación ambiental.Los logros en este sector tendrán efectos multiplicadores en lo económico y en lo sociales.El bienestar de la sociedad se podrá sostener sobre bases de mayor solidez.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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 source (direct Gemma or distilled Codex), 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".