The impact of training on firm outcomes: longitudinal evidence from Canada
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the impact of three training indicators, namely offer, participation and cost, on three firm outcomes, namely voluntary turnover, firm performance and profit. Design/methodology/approach The empirical analysis is carried out using firm-level data sourced from a Canadian national data set. In total, data from 5,237 for-profits firms with ten employees or more were analyzed longitudinally over eight years. Results were generated by XTREG fixed effect longitudinal analyses between the three variables of training, voluntary turnover, firm performance and profit. Findings Training offer, operationalized as the number of different formal training programs offered annually by an employer, significantly decreases voluntary turnover while it significantly increases performance and profit. Training participation, operationalized as the percentage of employees receiving training per year, has a significant positive impact on voluntary turnover. Training cost, operationalized as the annual cost of training per employee, has no impact on the three firm outcomes. Practical implications Among the various human resource practices a firm can use to strengthen its human capital, training can have a significant impact of its own. Investing in a diversified training offer brings value to a firm by decreasing employee voluntary turnover while increasing firm performance and profit. Originality/value This research contributes to the strategic impact of organizational training, demonstrating the impact of training on key organizational outcomes over time. Further, this paper contributes to the empirical literature by making a distinction between voluntary and involuntary turnover. Last, even though this study does not entirely addresses the problem of possible reverse causality, using longitudinal objective data, this study addresses several limits of past research at the macro-level of analysis.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».