Good neighbor or good employer?
Notice bibliographique
Résumé
Purpose This study aims to test Mattingly and Berman’s (2006) taxonomy of social actions and develops divergent expectations for corporate social responsibility (CSR) dimensions directed toward institutional and technical stakeholders, with an aim to determine when CSR directed to different stakeholders is most likely to improve corporate reputation. Design/methodology/approach A longitudinal sample of 285 major US corporations was used to quantitatively test the hypotheses. Data was sourced from KLD, Osiris and Fortune MAC. Findings Strengths in CSR and actions directed toward technical stakeholders influence corporate reputation in a more profound way, when compared to those directed toward institutional stakeholders. Contrary to the authors’ prediction, institutional concerns do not demonstrate a significant growth or reduction over the five-year period. Research limitations/implications This study provides a longitudinal test of Mattingly and Berman’s (2006) taxonomy of CSR actions and makes an important methodological contribution by operationalizing CSR not as a continuum from strengths to concerns, rather as two distinct constructs. Practical implications Management practice can benefit from a more fine-grained approach to stakeholder expectations and reputation outcomes. The results of this study leverage relevant stakeholder impact while allowing firms to appreciate the change in CSR actions and to measure it accordingly, such that the undesirable status quo that leads to potential loss in reputation growth can be avoided. Social implications As organizations explore ways to effectively engage stakeholders for mutual benefit, this research shows how firms can have a positive impact. Originality/value This study tests and extends theory through an integrated lens, built on the stakeholder and resource dependence theories, while directing management attention to the broader reputational outcomes of targeted CSR initiatives. It provides justification for CSR investments over time.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,005 |
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 ».