Developing Perceived Greenwash Index and Its Effect on Green Brand Equity: A Research on Gas Station Companies in Turkey
Notice bibliographique
Résumé
Today, companies are searching for the ways to be perceived as more sensitive to the environment in order to enhance their green brand equity, because of consumers’ increasing environmental concern. Companies have reacted to increasing environmental consciousness of consumers by introducing and developing eco-friendly products. However, there are still consumers being suspicious about the environmental performance of companies and their products. Greenwash or disclosure of deceptive green claims decreases the popularity of the real green product and decreases the effectiveness of green marketing.This study proposed four constructs -greenwashing, green perceived risk, green confusion and green trust- as the predictors of the green brand equity of gas station companies. The study offers a negative relationship between greenwash perception and green brand equity. Besides, the effects of green confusion, green perceived risk and green trust on green brand equity are tested. The study also develops perceived greenwash index, so that it reveals a direct effect of greenwash on green brand equity. The empirical analysis was carried out based on the data obtained from 400 customers of the gas station companies, which are located in Ankara, the capital city of Turkey. The survey result was analyzed by using Partial Least Squares (PLS-PM) analysis method. The results reveal that consumer’s greenwash perception has a positive effect on green confusion and green perceived risk, whereas green confusion and green perceived risk have negative effects on green trust. Expectedly, green trust has a positive effect on green brand equity. The result also indicates that consumer’s greenwash perception negatively and directly affects green brand equity.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».