MétaCan
Menu
Retour à la cohorte
Enregistrement W4384831431 · doi:10.1016/j.jacceco.2023.101621

Public environmental enforcement and private lender monitoring: Evidence from environmental covenants

2023· article· en· W4384831431 sur OpenAlex
Stacey Choy, Shushu Jiang, Scott Liao, Emma Wang

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Accounting and Economics · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEnergy, Environment, Economic Growth
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésEnforcementBusinessCollateralIncentiveCovenantFinanceLoanEnvironmental pollutionEconomicsEnvironmental protectionMicroeconomicsEnvironmental science

Résumé

récupéré en direct d'OpenAlex

This paper examines whether and how public environmental enforcement affects private lenders’ monitoring efforts and the effectiveness of such monitoring. We capture lender monitoring using environmental covenants in loan agreements. Consistent with the prediction that stringent public environmental enforcement increases lenders’ monitoring incentives, we find that in the presence of higher environmental regulatory enforcement intensity, lenders are more likely to use environmental covenants when lending to polluting borrowers and when the loans are secured by real property collateral. Moreover, consistent with the prediction that stringent public environmental enforcement facilitates lender monitoring, we find that environmental covenants are more effective in reducing borrowers’ toxic chemical releases when environmental regulatory enforcement is stronger. Taken together, our findings corroborate the importance of public environmental enforcement in inducing lenders’ monitoring efforts, as well as the joint role of public enforcement and private lender monitoring in curbing corporate pollution.

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.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,058
Tête enseignante GPT0,211
Écart entre enseignants0,154 · 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