AI主導の報酬透明性と人的資本会計開示：新興経済国の製造業組織のためのフレームワーク

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Advance understanding of the conditions under which AI improves human capital disclosure in emerging economies.

🏢実務担当者:Invest in both AI systems and a transparency culture to effectively disclose human capital data and meet stakeholder expectations.

🏛政策担当者:Develop regulatory guidance and technical assistance frameworks to help manufacturing organizations bridge the gap between AI capability and disclosure quality.

目的：本研究は、タイの東部経済回廊（EEC）における製造業組織を対象に、報酬システムへのAI統合と人的資本会計開示（HCAD）の質との関係を調査し、AI駆動型報酬分析を人的資本開示実践に結び付ける統合フレームワークを開発・検証した。 設計／方法論／アプローチ：横断的・探索的逐次説明的混合手法デザインを採用し、チョンブリ県、ラヨーン県、チャチェンサオ県の400の製造業組織からの量的調査データと、同一調査票に組み込まれた3つの自由記述質問の質的テーマ分析を組み合わせた。量的分析では、相関分析、クロンバックのα信頼性検定、フィッシャーのz検定によるサブグループ調整効果検定を用いた。質的分析はBraun and Clarke（2021）の6段階テーマ分析法に従い、量的・質的知見はジョイントディスプレイ（Fetters et al., 2013）を通じて統合した。確認的因子分析、ブートストラップ媒介検定、推論的調整回帰は次期研究段階に委ねられた。 知見：報酬システムへのAI統合は中程度から高程度の水準（M = 4.73）を示した一方、人的資本開示の質は一貫して低水準（M = 2.98）にとどまり、データと開示のギャップは1.75ポイントとなった。AI統合とHCADの質の直接的な関係は支持されず（H1：r = −0.075、p = .132）、統合プロトコルによる媒介（H2）や組織規模による調整（H4）も支持されなかった。賃金透明性は有意な正の調整変数として確認され（H3：z = 2.25、p = .024）、技術的能力のみではなく組織の透明性文化が開示結果を条件付けることが実証された。質的テーマ（組織的準備性、ガバナンス、倫理的正当性）は、独立した方法論的視点から収束的証拠を提供した。段階的AI–人的資本会計開示（AI-HCAD）実装フレームワークが開発され、組織セグメント横断的に検証された。障壁–促進要因分析により、技術的制約（M = 3.67）と弱い外部支援構造（M = 2.45）がAI能力と開示実践の間のギャップを持続させていることが明らかになった。 実務的含意：製造業組織は、データ能力をステークホルダーがアクセス可能な開示へ転換するために、AIインフラと内部の透明性文化の両方に同時に投資しなければならない。政策立案者と業界団体は、規制ガイダンスと技術支援フレームワークを通じて外部の促進要因を強化すべきである。 独自性／価値：本研究は、新興経済国の製造業においてAI駆動型報酬システムと人的資本会計開示を統合した、初の実証に基づくフレームワークを提供する。知見は、AI統合を開示の質にとって必要だが十分ではない条件として位置づけ直し、賃金透明性に具現化される制度的準備性こそが、技術的能力をステークホルダーがアクセス可能な報告へ転換する促進メカニズムであることを示す。開示結果を条件付けるのは技術的能力ではなく制度的準備性であることを実証することにより、本研究はAI透明性、人的資本会計、組織の開示行動にわたる理論を前進させる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Purpose: This study investigated the relationship between AI integration in compensation systems and the quality of human capital accounting disclosure (HCAD) among manufacturing organizations in Thailand's Eastern Economic Corridor (EEC), and developed and validated an integrated framework that links AI-driven compensation analytics to human capital disclosure practices. Design/Methodology/Approach: A cross-sectional, exploratory sequential explanatory mixed-methods design was employed, combining quantitative survey data from 400 manufacturing organizations across Chonburi, Rayong, and Chachoengsao with qualitative thematic analysis of three open-ended questions embedded in the same survey instrument. Quantitative analysis used correlation analysis, Cronbach's alpha reliability testing, and subgroup moderation testing through Fisher's z-test. Qualitative analysis followed Braun and Clarke's (2021) six-phase thematic method, with quantitative and qualitative findings integrated through a joint display (Fetters et al., 2013). Confirmatory factor analysis, bootstrapped mediation testing, and inferential moderated regression are committed to the next research phase. Findings: AI integration in compensation systems demonstrated moderate-to-high levels (M = 4.73), while human capital disclosure quality remained persistently low (M = 2.98), producing a data-to-disclosure gap of 1.75 points. The direct relationship between AI integration and HCAD quality was not supported (H1: r = −0.075, p = .132), nor was mediation by integration protocols (H2) or moderation by organizational size (H4). Pay transparency was confirmed as a significant positive moderator (H3: z = 2.25, p = .024), demonstrating that organizational transparency culture — rather than technological capability alone — conditions disclosure outcomes. Qualitative themes (organizational readiness, governance, ethical legitimacy) provided convergent evidence from an independent methodological lens. A tiered AI–Human Capital Accounting Disclosure (AI-HCAD) implementation framework was developed and validated across organizational segments. Barrier–enabler analysis revealed that technical constraints (M = 3.67) and weak external support structures (M = 2.45) sustain the gap between AI capability and disclosure practice. Practical Implications: Manufacturing organizations must invest simultaneously in AI infrastructure and in an internal transparency culture to translate data capabilities into stakeholder-accessible disclosures. Policymakers and industry bodies should strengthen external enablers through regulatory guidance and technical assistance frameworks. Originality/Value: This study provides the first empirically grounded framework that integrates AI-driven compensation systems with human capital accounting disclosure in emerging-economy manufacturing. The findings reframe AI integration as a necessary but not sufficient condition for disclosure quality — institutional readiness, embodied in pay transparency, is the enabling mechanism that translates technological capability into stakeholder-accessible reporting. By demonstrating that institutional readiness, not technological capacity, conditions disclosure outcomes, the study advances theory across AI transparency, human capital accounting, and organizational disclosure behavior.

• semanticscholar https://doi.org/10.51584/ijrias.2026.110400178first seen 2026-07-18 08:35:26 · last seen 2026-09-22 05:22:30