Notice bibliographique
Résumé
Purpose The purpose of this study is to examine the usage of non-financial information related to corporate social responsibility (CSR) issues from the perspective of sell-side analysts (SSAs) and buy-side analysts (BSAs) employed in Poland-based financial institutions. Design/methodology/approach The authors conducted a survey among financial analysts with the use of the computer-assisted telephone interview (CATI) method and an online questionnaire. The adopted methods included purposeful, quota sampling and snowball sampling. Findings Results indicate that financial analysts make use of CSR disclosures very rarely and attribute little importance to such information. Despite the limited use of CSR information and negative assessments of its quality, respondents are in favor of making a more frequent use of CSR disclosures. Finally, except for an analyst’s attitude toward the “comparability in time” information characteristic, results do not indicate any significant differences between SSAs’ and BSAs’ responses. Research limitations/implications The limited number of questionnaires prevented the use of more sophisticated statistical methods and the formulation of conclusions that could apply to the entire population. In addition, although the adopted CATI method provides a number of advantages, it also has its limitations – interviews had limited time and the questions along with the answers had to take into account the respondents’ limited perception ability. Practical implications The results of this study suggest that CSR disclosures have limited usage for financial analysts, at least in the Polish context. Further, not only do respondents rarely make use of CSR disclosures but they also give low assessments to their quality. This implies that the concept of CSR remains relatively far from becoming a priority; hence, some measures and incentives may be necessary. Originality/value The paper adds to a relatively small number of studies that have dealt with the issue of non-financial information and its usefulness for SSAs and BSAs in Central and Eastern Europe.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,042 |
| 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 | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».