Short-term pain for long-term gain? A longitudinal meta-analysis of downsizing-financial performance relationships
Notice bibliographique
Résumé
Introduction Downsizing, and the mass layoff upheavals that ensue, has been euphemistically referred to as a short-term pain, long-term gain strategy. But is that so? Do its financial outcomes over time justify the short-run harm? And, to what extent has its adoption been driven by economic or social rationales over time? Methods To examine these questions, we conducted the most comprehensive meta-analysis on downsizing-financial performance relationships to date, summarizing a total of 905 effect sizes. Using a new meta-analytic method multi-level longitudinal meta-analysis (MLLMA) we analyze temporal dimensions of these relationships. Results Results for downsizing adoption suggest shifting rationales over time, from a defensive response to decline in the 1980s, to a socially legitimate management convention in the 1990s, and back to a defensive response in the 2000s. Short-run market outcomes mirror these shifting rationales, with more negative reactions to defensive downsizing. Across a diverse range of lead/lag times and moderators, we find many negative and heterogeneous performance outcomes. Most importantly, little long-term gain is found. Discussion Our MLLMA helps to address prior criticisms on the lack of temporality in extant downsizing research, while many equivocal relationships, despite almost 40 years of downsizing research, illustrate that considerable avenues for future research remain.
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 | 0,041 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,020 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».