Are ESG performance-based incentives a panacea or a smokescreen for excess compensation?
Notice bibliographique
Résumé
Purpose This paper aims to examine how the use of environmental, social and governance (ESG) incentives intersects with top management power and various corporate governance mechanisms to affect excess annual cash bonus compensation. Design/methodology/approach The authors use a novel artificial intelligence (AI) technique to obtain data about ESG incentives use by firms in the S&P 500. The authors test the hypotheses with an endogenous treatment-regression and a contrast test. Findings When the top management team has power and uses ESG incentives, there is a 32% reduction in excess annual cash bonuses implying ESG incentives are an effective corporate governance tool. However, nuanced analyses reveal that when powerful management teams with ESG incentives are from environmentally sensitive industries, have a corporate social responsibility (CSR) committee or have long-term view institutional shareholders, they derive excess bonuses. Practical implications Stakeholders will better understand management’s motivations for the inclusion of ESG incentives in executive compensation contracts and be able to identify situations which require closer scrutiny. Social implications Given the increased popularity of ESG incentives, society, regulators, boards of directors and management teams will be interested in better understanding when these incentives might be effective and when they might be abused. Originality/value To the best of the authors’ knowledge, this study is the first to examine the use of ESG incentives in relation to excess pay. The authors contribute to both the CSR and executive compensation literatures. The work also uses a new methodological technique using AI to gather difficult-to-obtain data, opening new avenues for research.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».