MétaCan
Menu
Retour à la cohorte
Enregistrement W4312495351 · doi:10.31031/siam.2021.02.000545

Greenhouse Gas (GHG) Emissions Accounting Systems: Testing the Rationale Behind Corporate Verification Practices

2021· article· en· W4312495351 sur OpenAlexaff
Mel Gabriel

Notice bibliographique

RevueStrategies in Accounting and Management · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainable Supply Chain Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasAccountingLibrary scienceBusinessPolitical scienceEnvironmental scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The total quantity of GHG emissions produced within or beyond the boundaries of a firm's business activities, owned or non-owned, is of a great concern with respect to verification.A carbon accounting system enables an organization to audit its GHG emissions inventory, and it is becoming a standard requirement for most businesses to shape future decision-making.Currently, corporations use GHG emissions inventory data for regulatory compliance, raising capital in the market and reputational assurance.The scholarly and non-academic body of knowledge that deals with the critical aspects of verifying GHG emissions inventories involves using a protocol or a standard to verify an entity's reported inventory.Currently recognized GHG reporting protocols and standards specify acceptable verification methods and emphasize GHG emissions inventory assurance.The goal of this paper is to understand the rationale and relative importance of corporate verification of GHG emissions.We identify the potential drivers underlying corporate GHG emissions verification practices and highlight the governing principles to classify them based on the extant scholarly literature.We studied a sample of the S&P 500 companies that were recognized by the Carbon Disclosure Project (CDP) as best-in-industry for disclosure of GHG emissions information based on the Climate Disclosure Leadership Index (CDLI).A logit model was built to estimate the probability that a company would verify its GHG emissions given the values of the explanatory variables.GHG emissions verification practices data as well as its drivers were collected from the publicly available sustainability or corporate social responsibility reports.The analysis showed that the main drivers for corporate GHG emissions verification include meeting mandatory regulatory requirements and/or complying with voluntary GHG emissions reporting standards as well as responding to emerging requirements for GHG emissions trading programs and stakeholders demand for full disclosure of GHG emissions to demonstrate environmental stewardship and social responsibility.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,125
score de la tête « metaresearch » (Gemma)0,355
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,125
Score d'incertitude au seuil0,660

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1250,355
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,006
Communication savante0,0060,008
Science ouverte0,0020,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,051
Tête enseignante GPT0,264
Écart entre enseignants0,213 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStrategies in Accounting and ManagementMême sujetSustainable Supply Chain ManagementTravaux en français237 207