Efectos de la especialización en hortalizas de exportación en México: Aspectos institucionales ante las ventajas comparativas reveladas y la sostenibilidad productiva.
Bibliographic record
Abstract
La especialización productiva en México ha sido impulsada con base en las ventajas comparativas en el comercio con Estados Unidos en el marco del TMEC. Esto explica los cambios en la estructura productiva, su base técnica y organizacional, así como los estándares en la demanda de mano de obra. Sostenemos que la especialización productiva en hortalizas se basa en la competitividad basada en recursos productivos cada vez más escasos, cuestionando la sostenibilidad del perfil productivo. Entre los resultados, se muestra que la especialización productiva centrada en algunos cultivos agrícolas ha aumentado. Sin embargo, las ventajas comparativas reveladas y el índice de complejidad muestran una especialización en actividades de bajo valor, que explican la desarticulación de la economía regional y los retos para el escalonamiento productivo basado en un desarrollar un motor. Aunado a los aumentos del estrés hídrico en las zonas agrícolas más importantes, muestra la contradicción de la especialización productiva de los modelos planteados por los teóricos clásicos, neoclásicos y estructuralistas.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| 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".