Labor Productivity and Wage Inequality in the Gig Economy: Evidence from Bangladesh and Canada
Notice bibliographique
Résumé
We investigate the pattern of labor productivity and wage inequality in two gig economy models: Bangladesh and Canada. Re: Gig workers in global value chains and the rise of task-based services Facilitated through a combination of survey and secondary research, we compare gig worker earnings and productivity for each country with a particular focus on gender wage inequality. Our findings also point out that the Canadian gig workers earn relatively higher payoffs and endogenously exhibit superior work productivity when compared to their Bangladeshi counterparts. Canadian urban workers read more job ads online on an average day than their rural compatriots, but both nations are challenged in terms of productivity for the rural workforce as a result of access to platforms and infrastructure. Additionally, findings from the results show that gender wage discrimination is a serious problem in both countries, as female gig workers are under-compensated compared to male gig workers. But the margin is higher in Bangladesh (20%) than in Canada (15%); this also tells us about the kind of cultural and infrastructural obstacles women have to face in Bangladesh. The work also points out regional variation, such as urban workers in both countries who are much more productive and earn higher wages than those in the countryside. This study provides valuable lessons for the analysis of gig economy participation in developing and developed contexts and may be suggestive that regulatory changes in Bangladesh to improve the infrastructure protection of workers could address this inequality.
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 | 0,000 |
| 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 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».