Environmental regulations, R&D intensity, and enterprise profit rate: Understanding firm performance in heavy pollution industries
Notice bibliographique
Résumé
With the worldwide green revolution, especially “pollution prevention and control” as one major strategy, environmental issues have received more and more attention. Environmental regulations, as an institutional norm, directly or indirectly regulate corporate behavior. Therefore, it is significant to examine the relationship between corporate performance and environmental regulations. In this paper, we conduct an empirical study on the relationships among environmental regulations, R&D intensity, and enterprise profit rate. Our data are from the 395 A-share companies in heavy pollution industries listed on the Shanghai and Shenzhen Stock Exchanges in China from 2008 to 2017. Our methodologies include Ordinary Least Squares mixed regression, quantile regression, and Generalized Method of Moments estimation. Our main research findings include the following. First, environmental regulation and R&D intensity both have a positive impact on corporate profit rate at the 1% significance level. Second, there are “threshold” effects on the promotion of corporate profit rate by environmental regulations and R&D intensity. Third, the product of environmental regulation and R&D intensity has a positive impact on corporate profit margin at the 1% significance level. Fourth, the impacts of environmental regulations and R&D intensity on corporate profit rate vary at different quantiles. Finally, R&D intensity is a partial mediation variable in the relationship between environmental regulations and enterprise profit rate. In terms of policy insights, our results suggest that the government formulate appropriate environmental regulations and enhance the support for enterprise R&D to stimulate technological innovation in the heavy pollution industries.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».