PL EN
PRACA ORYGINALNA
Kształtowanie się udziału płac w wartości dodanej w Polsce. Nowe szacunki z danych jednostkowych
 
Więcej
Ukryj
1
FAME | GRAPE, Poland
 
2
University of Warsaw, Poland
 
3
Warsaw University of Technology, Poland
 
 
Data nadesłania: 28-12-2022
 
 
Data ostatniej rewizji: 25-07-2023
 
 
Data akceptacji: 01-08-2023
 
 
Data publikacji: 29-09-2023
 
 
Autor do korespondencji
Sebastian Zalas   

FAME | GRAPE, University of Warsaw, Poland
 
 
GNPJE 2023;315(3):13-33
 
SŁOWA KLUCZOWE
KODY KLASYFIKACJI JEL
STRESZCZENIE
Oceniamy przydatność niereprezentatywnych danych jednostkowych o firmach (Orbis) do wnioskowania o procesach gospodarczych w Polsce. Reprezentatywne dane jednostkowe nie są w Polsce dostępne do badań naukowych. Korzystając z dostępnych badań Growca [2009], dotyczących udziału płac w wartości dodanej w latach 1995–2008 w firmach zatrudniających ponad 50 pracowników, skupiamy się na tej samej kategorii ekonomicznej. Rozszerzamy zakres badania do 2019 r. oraz poszerzamy grupę przedsiębiorstw o firmy zatrudniające mniej niż 50 pracowników. Nasze oszacowania są podobne do oszacowań Growca [2009]. Wskazujemy także na wzrost udziału płac w wartości dodanej, szczególnie w ostatniej dekadzie oraz w mniejszych przedsiębiorstwach.
 
REFERENCJE (34)
1.
Autor D., Dorn D., Katz L. F., Patterson C., Van Reenen J. [2020], The Fall of the Labor Share and the Rise of Superstar Firms, Quarterly Journal of Economics, 135 (2): 645–709.
 
2.
Bajgar M., Berlingieri G., Calligaris S., Criscuolo C., Timmis J. [2020], Coverage and Representativeness of Orbis data, OECD Science, Technology and Industry Working Papers.
 
3.
Bauer A., Boussard J. [2020], Market Power and Labor Share, Economie et Statistique / Economics and Statistics, 520–521: 125–146.
 
4.
Böckerman P., Maliranta M. [2011], Globalization, creative destruction, and labour share change: evidence on the determinants and mechanisms from longitudinal plant-level data, Oxford Economic Papers, 64 (2): 259–280.
 
5.
Breiman L. [2001], Random Forests, Machine Learning, 45 (1): 5–32.
 
6.
Breiman L., Friedman J. H., Olshen R. A., Stone C. J. [2017], Classification and regression trees, Routledge.
 
7.
Bruno R. L., Crescenzi R., Estrin S., Petralia S. [2021], Multinationals, innovation, and institutional context: IPR protection and distance effects, Journal of International Business Studies, 1–26.
 
8.
Bryzgalova S., Lerner S., Lettau M., Pelger M. [2022], Missing financial data, SSRN Working Paper.
 
9.
Cavallo A., Rigobon R. [2016], The billion prices project: Using online prices for measurement and research, Journal of Economic Perspectives, 30 (2): 151–78.
 
10.
Charpe M., Bridji S., McAdam P. [2020], Labor share and growth in the long run, European Central Bank.
 
11.
Chen T., Guestrin C. [2016], Xgboost: A scalable tree boosting system, [in:] Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (785–794).
 
12.
Chen T., He T., Benesty M., Khotilovich V., Tang Y., Cho H. et al. [2015], Xgboost: Extreme gradient boosting, R package version 0.4–2, 1 (4): 1–4.
 
13.
Dao M. C., Das M., Koczan Z. [2020], Why is labour receiving a smaller share of global income?, Economic Policy, 34 (100): 723–759.
 
14.
De Loecker J., Eeckhout J., Unger G. [2020], The Rise of Market Power and the Macroeconomic Implications, The Quarterly Journal of Economics, 135 (2): 561–644.
 
15.
Dimova D. [2019], The Structural Determinants of the Labor Share in Europe, IMF Working Papers.
 
16.
Gal P. N. [2013], Measuring Total Factor Productivity at the Firm Level using OECD-Orbis, OECD Economics Department Working Papers No. 1049.
 
17.
Growiec J. [2009], Relacja płac do wydajności pracy w Polsce: ujęcie sektorowe, Bank i Kredyt, 40 (5): 61–88.
 
19.
Kaldor N. [1961], Capital accumulation and economic growth, [in:] Hague D. C. (ed.), The theory of capital: Proceedings of a conference held by the International Economic Association (177–222), London: Palgrave Macmillan UK.
 
20.
Kalemli-Ozcan S., Sorensen B., Villegas-Sanchez C., Volosovych V., Yesiltas S. [2022], How to construct nationally representative firm level data from the Orbis global database: New facts and aggregate implications, NBER Working Paper No. 21558.
 
21.
Karabarbounis L., Neiman B. [2014], The Global Decline of the Labor Share, Quarterly Journal of Economics, 129 (1): 61–103.
 
22.
Kehrig M., Vincent N. [2021], The Micro-Level Anatomy of the Labor Share Decline, The Quarterly Journal of Economics, 136 (2): 1031–1087.
 
23.
Kónya I., Krekó J., Oblath G. [2020], Labor shares in the old and new EU member states: Sectoral effects and the role of relative prices, Economic Modelling, 90: 254–272.
 
24.
Lin W.‑C., Tsai C.‑F. [2020], Missing value imputation: a review and analysis of the literature (2006–2017), Artificial Intelligence Review, 53: 1487–1509.
 
25.
Little R. J. [1988], A test of missing completely at random for multivariate data with missing values, Journal of the American Statistical Association, 83 (404): 1198–1202.
 
26.
Mertens M. [2022], Micro-mechanisms behind declining labor shares: Rising market power and changing modes of production, International Journal of Industrial Organization, 81.
 
27.
Muck J., McAdam P., Growiec J. [2018], Will the “true” labor share stand up? An applied survey on labor share measures, Journal of Economic Surveys, 32 (4): 961–984.
 
28.
Rubin D. B. [1976], Inference and missing data, Biometrika, 63 (3): 581–592.
 
29.
Siegenthaler M., Stucki T. [2015], Dividing the pie: Firm-level determinants of the labor share. ILR Review, 68 (5): 1157–1194.
 
30.
Smith M., Yagan D., Zidar O., Zwick E. [2022], The rise of pass-throughs and the decline of the labor share, American Economic Review: Insights, 4 (3): 323–340.
 
31.
Statistics Poland [2020a], Activity of enterprises with up to 9 persons employed in 2019.
 
32.
Statistics Poland [2020b], Activity of non-financial enterprises in 2019.
 
33.
Van Buuren S. [2018], Flexible imputation of missing data, CRC Press.
 
34.
White T. K., Reiter J. P., Petrin A. [2018], Imputation in US manufacturing data and its implications for productivity dispersion, Review of Economics and Statistics, 100 (3): 502–509.
 
eISSN:2300-5238
Journals System - logo
Scroll to top