Does a Female Director in the Boardroom Affect Sustainability Reporting in the U.S. Healthcare Industry?
Notice bibliographique
Résumé
In this in-depth study, we explored the nuanced dynamics of boardroom gender diversity and its consequential impact on sustainability reporting within the U.S. Healthcare sector. Leveraging a comprehensive dataset from Refinitiv Eikon, our analysis spanned a spectrum of 646 observations across 57 healthcare entities listed in the S&P 500, covering the period from 2010 to 2021. Our methodology combined various empirical techniques to dissect correlations, unravel heterogeneity, and account for potentially omitted variables. Central to our findings is the discovery that various metrics of board gender diversity, such as the proportion of female directors and the Blau and Shannon diversity indices, exhibit a robust and positive correlation with the intensity and quality of sustainability reporting. This correlation persists even when controlling for a multitude of factors, including elements of corporate governance (such as board size, independence, and meeting attendance), as well as intrinsic firm characteristics (such as size, profitability, growth potential, and leverage). The presence of female directors appears to not only bolster the breadth and depth of sustainability reporting but also align with a broader perspective that their inclusion in boardrooms significantly influences corporate reporting practices. These insights extend beyond academic discourse by offering tangible and actionable intelligence for policymakers and corporate decision-makers. By elucidating the intrinsic value of gender diversity in governance, our study contributes a compelling argument for bolstering female representation in leadership roles as a catalyst for enhanced corporate responsibility and stakeholder engagement.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».