MétaCan
Menu
Retour à la cohorte
Enregistrement W2890086048 · doi:10.1002/csr.1662

The effect of greenhouse gas emissions on cost of debt: Evidence from Canadian firms

2018· article· en· W2890086048 sur OpenAlexaffabout
Anis Maaloul

Notice bibliographique

RevueCorporate Social Responsibility and Environmental Management · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Social Responsibility Reporting
Établissements canadiensUniversité TÉLUQ
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasDebtTonneNatural resource economicsCreditorBusinessSample (material)Environmental economicsEconomicsFinanceWaste management

Résumé

récupéré en direct d'OpenAlex

Abstract The aim of this paper is to investigate the relation between greenhouse gas (GHG) emissions and cost of debt and to estimate the cost that lenders are imputing to GHG emissions. Data on GHG emissions were hand‐collected from Carbon Disclosure Project reports, whereas data on the cost of debt and other financial data were obtained from Bloomberg Professional database. Using a sample of Canadian firms, the results show that GHG emissions increase firms' cost of debt. In other words, for each additional tonne of GHG emissions, the cost of debt increases on average by 11–15%. These results imply that creditors incorporate firms' GHG emissions into their lending decisions and they penalize the polluting firms. This could encourage firms to reduce and manage their GHG emissions because there is a cost associated with these emissions. This study is one of the first to examine the relationship between GHG emissions and the cost of debt.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,383
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,028
Tête enseignante GPT0,249
Écart entre enseignants0,222 · 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 tête enseignante, 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

Citations75
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCorporate Social Responsibility and Environmental ManagementMême sujetCorporate Social Responsibility ReportingTravaux en français237 207