Impact valuations in social finance: emic and polyvocal stakeholder accounts
Notice bibliographique
Résumé
Purpose This paper aims to understand how social finance and impact measurement experts include stakeholders' voices in valuations of social and environmental impact. Design/methodology/approach The paper used the content analysis of an online discussion forum where experts discussed impact valuation approaches. Findings Many experts seek impact valuations that take into account the experiences of those whose lives are most affected. Ideally, these accounts need to be emic to (in the language of) those stakeholders, and polyvocal (representing many different stakeholders' voices). However, these experts also seek to effect systemic change by encouraging mainstream financial markets to use social and environmental valuations in their decision-making. These experts consider full plurality too complex to be useable by financial markets, so the experts argue in favor of etic valuations (stated in the language of investors), to appeal to mainstream finance, while endeavoring nonetheless to represent multiple stakeholders' voices. The authors identify two discursive strategies used to resolve this tension: effacing of differences between diverse stakeholders, and overstating the universality of money as a common language. Social implications The terms emic and polyvocal provide experts with nuanced ways to understand “stakeholder voice.” The authors hope these nuances inspire new insights and strategies and help the community with their goal of bridging to mainstream finance. Originality/value The paper presents a theoretical framework for describing plurality in impact valuations and examines the challenges of bridging from social finance, which seeks to give voice and representation to those whose lives are most affected, to mainstream finance.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».