MétaCan
Menu
Retour à la cohorte
Enregistrement W2502893475 · doi:10.4018/978-1-4666-8462-1.ch006

Corporate Social Responsibility, Stakeholder Perception, and Firm Performance

2015· book-chapter· en· W2502893475 sur OpenAlexaff
Siva Prasad Ravi

Notice bibliographique

RevueAdvances in business strategy and competitive advantage book series · 2015
Typebook-chapter
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Social Responsibility Reporting
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésCorporate social responsibilityBusinessStakeholderPerceptionCorporationCompetitive advantageRevenueProfit (economics)Competition (biology)Public relationsMarketingAccountingEconomicsMicroeconomicsFinancePolitical sciencePsychology

Résumé

récupéré en direct d'OpenAlex

In the present-day business landscape characterised by global competition, demanding customers and depleting natural resources, Corporate Social Responsibility (CSR) has become an important strategy for corporations for creating competitive advantage. CSR involves a corporation's commitment to align performance (revenue growth and profit) motives with fulfillment of social, ethical, community and environmental obligations. Researchers have found a positive correlation between stakeholder perceptions of firm's CSR performance and financial performance, assuming other factors as constant. In this chapter we study the effect of stakeholder perception of a firm's CSR on the performance of the firm, based on analysis of Wal-Mart's performance from 2001 to 2011. We found that seemingly significant negative perceptions of CSR activities of corporations result in lower performance of the firm. Once formed, changing negative perceptions of stakeholders is often difficult and the effort needed involves considerable amount of resources with questionable outcomes. This study has come to the conclusion that being a good ‘Corporate Citizen' and creating positive stakeholder perceptions is a better strategic approach for firm's continuing success.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,271
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in business strategy and competitive advantage book seriesMême sujetCorporate Social Responsibility ReportingTravaux en français237 207