Essays on firms and workers
Notice bibliographique
Résumé
Chapter 2 examines the incidence of R&D tax credits on workers’ wages and the underlying mechanisms. Leveraging a regression kink design with matched employer–employee tax records, I show that R&D tax credits substantially increase firms’ R&D expenditures. Responses are concentrated among R&D-intensive firms, where higher spending leads to gains in profitability, productivity, and wages. These benefits accrue primarily to incumbent workers, with high-skill, long-tenured, and older employees experiencing the largest earnings increases: a 10 percent rise in expenditure limit raises their annual wages by 1.2–1.9 percent. In contrast, entrants and less-skilled, younger, or short-tenured workers experience no significant wage effects. The results are consistent with a rent-sharing framework and highlight the role of R&D policy in shaping within-firm wage inequality. Chapter 3 connects changes in employer characteristics through job transitions to employee earnings following mergers and acquisitions (M&As). Using firm balance sheet data linked to individual earnings data in Canada and a matched difference-in-differences design, we find that workers at target firms experience a post-M&A earnings decline, driven largely by those who leave. Although movers transition to larger and more profitable firms, they face wage losses, likely reflecting the erosion of firm-specific human capital or backloaded contracts. The evidence suggests that the loss of match-specific premiums is the primary mechanism behind post-M&A wage declines. Chapter 4 examines the impact of corporate M&As on firm profitability and markups. Using financial data (2010 - 2018) for 10 European countries and a matched difference-in-differences design, we find that acquirers’ and targets’ markups remain unchanged, while their profitability declines substantially. Heterogeneity analyses across sectors and deal types confirm that these patterns are inconsistent with a market power channel. Instead, the evidence indicates that acquisitions are associated with weaker medium-run performance rather than increasing market power.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,006 |
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 ».