Corporate Hierarchy

Содержание и границы

outcome: Направление согласуется с гипотезой уплощения; сила доказательства слабая (p<0.10) — сами авторы указывают на это ограничение.

Вывод работы: В разделе 8.3 авторы регрессируют log(число иерархических слоёв) фирмы на 4 разные метрики ИИ-адопции (доля ИИ-вакансий широко/узко, средняя и максимальная доля ИИ-навыков; данные метрик — из Babina, Fedyk, He, Hodson 2024), с фиксированными эффектами фирмы/года/децили размера. Во всех 4 спецификациях коэффициент отрицательный (например, -0.50 для широкой доли ИИ-вакансий, ст.ошибка 0.28) и значим на уровне 10%. Авторы сами отмечают, что тесты 'under-powered' из-за ограниченной внутрифирменной вариации числа слоёв. Отдельно (не в ИИ-разделе) — биотех-компании увеличили число слоёв после COVID-19, тогда как ИИ-адаптирующиеся компании уплощают иерархию — контраст двух разных шоков.

Объём чтения: full_text

Неопределённость: Авторы прямо пишут, что мощность теста ограничена малой внутрифирменной вариацией числа слоёв за доступный период; причинность в строгом смысле не установлена (включены firm FE, но не инструментальная переменная, в отличие от Babina et al.). Раскрытый одним из соавторов конфликт интересов ('additional relationships of potential relevance') не расшифрован в прочитанном тексте.

transfer_limits: Только публичные фирмы США; ИИ-часть результата статистически слабая (значимость только на уровне 10%, авторы сами называют тест недостаточно мощным) — не переносить как сильный/устойчивый эффект без этой оговорки. Показатели ИИ-адопции заимствованы из другой работы (Babina et al.), не независимо построены здесь.

Продолжение: unknown — недоступна расшифровка дисклоузера о конфликте интересов одного из соавторов; при появлении доступа проверить итоговую/опубликованную версию и прочитать саму страницу nber.org/papers/w34162 для расшифровки disclosure.