MétaCan
Menu
Retour à la cohorte
Enregistrement W4220958534 · doi:10.3390/jrfm15040152

The Effects of Carbon Emissions and Agency Costs on Firm Performance

2022· article· en· W4220958534 sur OpenAlexvenueno aff
Muhammad Nurul Houqe, Solomon Opare, Muhammad Kaleem Zahir‐ul‐Hassan, Kamran Ahmed

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Social Responsibility Reporting
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgency costAgency (philosophy)BusinessGreenhouse gasCarbon fibersNatural resource economicsIndustrial organizationMonetary economicsFinanceEnvironmental economicsEconomicsEcologyCorporate governance

Résumé

récupéré en direct d'OpenAlex

Carbon emissions and agency costs can have an impact on firms’ financial performance. However, limited attention has been paid to the combined and gradual effects of these two factors on firms’ performance. We explore the separate and combined effects of carbon emissions and agency costs on firms’ financial performance by utilizing data from 2323 US firms that disclosed their environmental information to CDP from 2007 to 2016. The results indicate that firms with higher carbon emissions experience lower performance as the market reacts negatively. Further, firms with both higher carbon emissions and higher agency costs have lower performance. We also investigated year-on-year change in firm performance and found that, keeping agency costs constant, a change in carbon emissions leads to lower performance. Overall, the findings suggest that when the market responds negatively to firms’ environmental decisions, high agency costs exacerbate the adverse effect of high carbon emissions on firm performance.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,897
Score d'incertitude au seuil0,479

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
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 Opus0,007
Tête enseignante GPT0,212
Écart entre enseignants0,205 · 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

Citations32
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetCorporate Social Responsibility ReportingTravaux en français237 207