Eco-Efficiency of Forestry Companies Around the World: A Data Envelopment Analysis
Notice bibliographique
Résumé
Objective: to evaluate and compare the economic, environmental, and eco-efficiency of companies operating in the forestry sector and fill the gap in relation to the lack of information about the theme. Theoretical framework: increased awareness of society around the traditional productive model and its impact on the environment demands that companies associate business competitiveness with environmental responsibility. Therefore, the disclosure of information and the analysis of it using methods such as the eco-efficiency approach are important to monitor the performance of companies. Methods: the Data Envelopment Analysis method was used with three proposed models: economic (desirable output); environmental with undesirable variables; and eco-efficiency model with desirable and undesirable variables. Results and conclusions: results show that the years 2009-2010 and 2016-2017 were more favorable to technical efficiency, while ecological efficiency was higher from 2010 to 2012. Meanwhile, the highest average eco-efficiency score was registered in 2013. In the 11 years analyzed, Portugal, Canada, United Kingdom, Australia, South Africa, and Spain stood out as the most eco-efficient countries. Research implications: the eco-efficiency approach demonstrated and discussed in this research can be used to monitor forestry companies’ performance taking into account their productivity and environmental impact reduction. Originality/value: this study presents a comprehensive evaluation of silviculture companies worldwide using the technical, environmental, and eco-efficiency models. Analyses are based on financial and environmental data of 82 publicly listed companies from 23 countries, including developed and developing economies and cover the period of 11 years (2009 to 2019).
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,005 | 0,002 |
| 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 ».