MétaCan
Menu
Retour à la cohorte
Enregistrement W3203327424 · doi:10.1111/1911-3838.12276

Consequences of Labor Cost Reduction Practices: A Structured Literature Review*

2021· article· en· W3203327424 sur OpenAlexaffvenue
Kelsey Matthews

Notice bibliographique

RevueAccounting Perspectives · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueOrganizational Downsizing and Restructuring
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesnon disponible
Mots-clésLabor costCost reductionPayrollBusinessEconomicsLabour economicsPublic economicsMarketingAccounting

Résumé

récupéré en direct d'OpenAlex

ABSTRACT When firms face pressures to reduce costs, evidence from the field suggests that they often reduce labor costs (i.e., wages, benefits, payroll taxes). Because of the prevalence of labor cost reduction in the field, academic research has begun to investigate the consequences of management's decisions to reduce labor costs. I provide a structured literature review on the employee‐level consequences of three labor cost reduction practices: employee downsizing, furloughs, and pay cuts. My literature review synthesizes the labor cost reduction research through a lens of a discretionary management accounting decision to reduce costs and highlights opportunities for management accounting researchers to explore the consequences of labor cost reductions on employees' attitudes and behaviors. To synthesize the literature on labor cost reduction, I develop a model that proposes that management's labor cost reduction decisions, which include features of the implementation and contextual factors, influence employees' perceptions of management's and employees' attitudes and behaviors. Consistent with my model, my synthesis of the literature shows that labor cost reduction generally has negative employee‐level consequences. However, features of management's implementation of the labor cost reduction practice and contextual factors can alter employees' perceptions and mitigate these negative consequences.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,032
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0170,014
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,266
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAccounting PerspectivesMême sujetOrganizational Downsizing and RestructuringTravaux en français237 207