Attainment Discrepancy Level, Firm Resources Slack, and Sticky Cost
Notice bibliographique
Résumé
The aim of this study is to further develop the behavioral theory of the firm into the context of sticky cost research. The company’s actions in managing resources can be explained through the concept of attainment discrepancy level and resource slack in the behavioral theory of the firm explaining the company’s sticky costs. This study also examines the effect of attainment discrepancy levels, both historical and social, on cost behavior between slack dimensions and overall slack. To examine it, this study used 2,416 observations data from 302 companies listed on the Indonesian Stock Exchange during 2009-2017. Using Eviews 10, the estimation results of the regression model based on HAC find that the attainment of discrepancy level and resource slack affects sticky costs. Specifically, this study found that historical attainment discrepancy level causes sticky cost behavior to decrease, whereas social attainment discrepancy level increases cost behavior to become more sticky cost. The effect of resource slack on sticky cost behavior is reduced, both for each slack dimension and for the overall slack. Furthermore, the results show that the existence of certain types of slack, namely unabsorbed slack, increases the company’s sticky cost behavior when it is associated with historical attainment discrepancy levels. To sum up, these results indicate that the firm makes internal business processes as the focus of attention in managing the company’s resources. As a consequence, this situation can be used as an alternative explanation for the company’s asymmetric cost behavior.
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».