Ripple effects: How collaboration reduces social movement contention
Notice bibliographique
Résumé
Abstract Research Summary Research suggests firms can reduce stakeholder contention (e.g., lawsuits, protests) by collaborating with threatening stakeholders. We propose that by tapping into stakeholder networks and identities, collaborations also produce ripple effects beyond the firm's partner to attenuate contention from a broader set of stakeholders. Using variation in firms' and stakeholders' willingness to collaborate exogenous to contention to account for selection, our examination of contentious and collaborative interactions between 136 environmental movement organizations and 600 US firms corroborates our arguments. Firms face less contention when they collaborate with a better‐connected stakeholder motivated to share affirming information about the firm, or with a more contentious and authentic stakeholder. Our findings generalize to stakeholder criticism beyond movement organizations, suggesting collaborations are powerful tools for fashioning less contentious environments. Managerial Summary Companies can reduce conflict from hostile stakeholders like social activists by collaborating with their friends. We find social movement organizations mount fewer protests, boycotts, lawsuits, and other conflict against a company that collaborates with an organization that is either well connected in the movement or known for mobilizing movement's grassroots. This suggests that cross‐sector collaborations quell conflict through passing affirming information about a company through interorganizational networks or through the broadcast of an affirming signal to the broader stakeholder environment. We find that criticism from a wide range of stakeholders (e.g., media) also abates, suggesting that collaborations are powerful tools for fashioning less contentious environments.
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 | 0,001 | 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 | 0,000 |
| 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 ».