MétaCan
Menu
Retour à la cohorte
Enregistrement W4321018609 · doi:10.1080/13547860.2023.2178160

Poverty mitigation and anti-corruption campaigns: evidence from Chinese cities

2023· article· en· W4321018609 sur OpenAlexaff
Maoyong Cheng, Yu Meng, Justin Yiqiang Jin, Khalid Nainar

Notice bibliographique

RevueJournal of the Asia Pacific Economy · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Social Responsibility Reporting
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésPovertyMarketizationLanguage changeSubsidyEconomicsContext (archaeology)PoliticsDevelopment economicsGovernment (linguistics)ChinaBusinessEconomic growthPolitical scienceMarket economy

Résumé

récupéré en direct d'OpenAlex

In China, firms actively participate in poverty alleviation to comply with the national policy and to build political connections. Whether firms curry favor with the government by increasing spending on poverty alleviation is an interesting research question under the context of anti-corruption campaigns. Using hand-collected data from the period 2016–2018, we examine how anti-corruption campaigns have influenced corporate poverty alleviation spending at the city level. Our results show that anti-corruption campaigns are positively related to corporate poverty alleviation spending. We further identify two possible channels through which the anti-corruption campaign increases corporate poverty alleviation spending: (1) political connections and (2) stock price crash risk. Finally, we find that the effects of the anti-corruption campaign on corporate poverty alleviation spending are stronger in firms located in cities with lower degrees of marketization, a lower media index, and a higher poverty rate, as well as in firms receiving fewer government subsidies.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,332

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 technologies0,0000,000
Communication savante0,0000,002
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 Opus0,027
Tête enseignante GPT0,254
Écart entre enseignants0,226 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Asia Pacific EconomyMême sujetCorporate Social Responsibility ReportingTravaux en français237 207