Estimating the Impact of Minimum Wages on Employment, Wages, and Non‐Wage Benefits: The Case of Agriculture in South Africa
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
Assessments of the impact of minimum wages on labor market outcomes in Africa are relatively rare. In part this is because the available data do not permit adequate treatment of econometric issues that arise in such assessments. This paper, however, attempts to estimate the impact of introducing a minimum wage law in the agriculture sector in South Africa, based on 15 waves of the biannual Labor Force Survey conducted between September 2000 and September 2007. The chosen sample includes six waves before the legislation's effective date (March 2003) and nine afterwards. To assess whether the changes experienced by farm workers are unique, we identify a control group that has similar characteristics to the treatment group. Our econometric approach involves using two alternative specifications of a difference‐in‐differences model. We test whether employers reduced employment, and whether they responded at the intensive margin by reducing hours of work. The results suggest a significant employment reduction in agriculture from the minimum wage (and particularly a noticeable move away from employment of part‐time workers), an increase in wages on average, and a rise in non‐wage benefits compliance. Our analysis also indicates that, firstly, overall average of hours worked fell in the post‐law period, suggesting that employers adjusted to some extent on the intensive margin. Secondly, it appears that hours of work increased more in areas where wages were lower in the pre‐law period, driven largely by the fall in part‐time employment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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