Audit quality, media coverage, environmental, social, and governance disclosure and firm investment efficiency
Notice bibliographique
Résumé
Purpose The purpose of this study is twofold: first, to introduce two determinants of environmental, social and governance (ESG) disclosure transparency, namely, audit quality and public media exposure; and second, to investigate the impact of ESG transparency on firm-level investment efficiency. Design/methodology/approach Ordinary least square (OLS) regressions are applied to explore the relationship between the two variables of interest (audit quality and public media exposure) and ESG transparency on a sample of publicly listed Canadian firms during the period 2008 to 2017. Then, an econometric model is used to investigate the association between ESG transparency and investment efficiency under two identified scenarios, under-investment and over-investment. Findings Results show that audit quality and public media exposure are two main drivers of ESG transparency, hence, commitment to high-quality audits and exposure to high public media coverage drive firms to disclose more extensive and transparent ESG information. The authors also find a negative association between ESG transparency and firm-level investment inefficiency. Thus, ESG transparency generates influential incremental information that helps mitigate the information asymmetry between firms and stakeholders while fostering better resource allocation through investment efficiency. Originality/value This study contributes to the corporate social responsibility (CSR) and ESG literature by identifying audit quality and public media exposure as two determinants of ESG transparency; and by noting that higher ESG transparency has a significant economic effect on capital investment decisions through higher firm-level investment efficiency.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».