Catalyzing the growth of green bonds: a closer look at the drivers and barriers of the Canadian green bond market
Notice bibliographique
Résumé
Purpose This paper aims to examine the Canadian financial sector’s reaction to opportunities and risks created by the green bond market in a low-carbon and climate-resilient (LCR) economy. Design/methodology/approach The authors used a concurrent mixed methodological approach that undertakes an online survey and semistructured interviews with critical green bond market stakeholders. Findings The most significant market driver in Canada is the reputational benefit for stakeholders, i.e. its ability to meet the high demand for sustainable finance and the marketing potential of its green credentials. The major market barriers are transactional costs, i.e. additional tracking required for reporting purposes, lack of market liquidity and identification of environmental impact or additionality. Canadian green bonds are also more likely to be evaluated on their green impact than their global market peers. Research limitations/implications Limitations of this study include its focus on Canada, which may exclude or not apply to drivers and barriers in other green bond markets. Practical implications The paper helps create an accounting-based conceptual framework for key motivations and barriers that affect financial decision-making regarding green bonds. Social implications The authors identify economic and policy-related barriers and drivers for green bonds, addressing the financing gap for the LCR economy. Originality/value To the best of the authors’ knowledge, this study is the first to identify and compare Canadian green bond market drivers and barriers and to examine relevant stakeholder- and policy-related approaches that can be targeted to scale this market effectively.
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 | 0,003 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».