The impact of industrial robot uses on the labor cost stickiness of Chinese firms
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
Purpose The study aims to investigate the impact of industrial robot application on corporate labor cost stickiness and labor investment efficiency in China. Design/methodology/approach Using the textual analysis to construct firm-level industrial robot application indicators in China, we implement the methodology in Anderson et al. (2003) and Banker and Byzalov (2014) to estimate cost stickiness. Findings We argue that the industrial robot uses in China would increase firms’ labor adjustment costs by increasing the employment scale and upgrading the employment structure (i.e. by employing more high-skilled and high-educated labor). Consistent with our expectation through the channel of labor adjustment costs, the use of robotics increases firms’ labor cost stickiness. We further find that the positive impact is more significant among labor-intensive industries, and among state-owned enterprises with lower labor adjustment flexibility. We also find that industrial robot uses do not decrease the labor cost stickiness even when robots are more likely to substitute labor. Finally, we find that industrial robot uses significantly facilitate more efficient hiring practices by mitigating overinvestment in labor (i.e. over-hiring). Originality/value Against the backdrop of intelligent manufacturing worldwide, our study sheds new insight into the effects of new technologies on corporate labor cost behavior in developing countries. We contribute to scant studies examining how robotics, AI adoption or other automation technologies (e.g. specialized machinery, software, etc.) affect corporate 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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