The Impact of the Digital Economy on Labor-Market Structure: Evidence and Governance from the Platform Economy
Notice bibliographique
Résumé
In the last ten years, digitally mediated platforms have changed the way that work is matched, tracked, and paid for in ride-hailing, last-mile deliveries, online freelancing, and creative economies. This study integrates international scholarship, comparative regulation, and illustrative instances (Meituan, Didi, Uber, and Douyin/TikTok) to evaluate the impact of platformization on labor market structure. I contend that platforms expedite a transition from conventional employment to varied non-standard arrangements, facilitated by algorithmic management and two-sided market principles that redistribute risk from employers to employees. The effects are mixed: platforms make it easier to get started and create more flexible income opportunities, but they also make it harder for employers to take responsibility, make income less stable, and put workers under opaque, data-driven control. A review of policies in the EU, the U.S., China, Singapore, Spain, and the U.K. shows that there is more agreement on five regulatory levers: (1) presumptions of employment or intermediate dependent contractor statuses; (2) portability of social protection with shared financing; (3) transparency and human oversight for algorithmic systems; (4) data access to enable enforcement and collective bargaining; and (5) targeted inclusion of youth, women, and migrants. The paper ends with a macro-structural framework that connects platform governance to labor market segmentation. It also suggests a policy mix for China (quasi-employment pilots, co-financed social insurance, algorithmic audits, and sectoral dialog) to improve job quality without hurting the growth benefits of the digital economy.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 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 ».