The disparate economic outcomes of stigma: Evidence from the arms industry
Notice bibliographique
Résumé
Abstract Research Summary Organizational stigma has been commonly associated with a number of negative economic externalities in prior literature, but the mechanism by which this occurs and the extent of the associated consequences have received little attention. We address these gaps by theorizing that stigmatizing labels damage the legitimacy of the target by highlighting a deviation from the expectations of relevant audiences. We also argue that the content and focus of stigmatizing labels, as well as the features of the stigmatizer audience deploying them, will affect the magnitude of the negative economic consequences of stigma. Through an analysis linking the condemnation of arms producers in the media between 1998 and 2016 to cumulative abnormal returns (CAR) in the stock market, we find broad support for our arguments. Managerial Summary This paper examines the economic impact of stakeholder criticism on firms, using data from the global arms industry to develop a typology of criticism based on its content, focus, and origin. We find that criticism can negatively affect a firm's stock market returns, particularly when those criticizing have the authority to condemn specific behaviors. Civil society entities like nonprofits or the media, politicians, and economic players such as investors each have unique authority to criticize harmful behavior, illegal behavior, and unethical affiliations, respectively. Understanding the different types of criticism and their potential economic consequences can help firms better manage stakeholder relationships and mitigate negative impacts on their financial 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 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».