MétaCan
Menu
Retour à la cohorte
Enregistrement W4400440716 · doi:10.5465/amproc.2024.14471abstract

Mobilizing Firms for Climate Action: Paris Climate Agreement and Corporate Green Bond Issuance

2024· article· en· W4400440716 sur OpenAlexaff
Yifan Wei, Kenneth Guang-Lih Huang, Ya Gao

Notice bibliographique

RevueAcademy of Management Proceedings · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSustainable Finance and Green Bonds
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésBondAction (physics)BusinessClimate FinanceAgreementFinancial systemClimate changeFinancePhysicsOceanographyLinguisticsGeology

Résumé

récupéré en direct d'OpenAlex

This study examines the effect of the Paris Climate Agreement, as a plausibly exogenous shock, on the issuance of corporate green bonds (CGBs), a new financial instrument to address climate change in line with the goals of the Agreement. We argue that firms in industries that contribute most to climate change are potentially more affected by the Agreement because they perceive themselves as the target of the upcoming national environmental regulations derived from the Agreement. So firms in the affected industries are more likely to issue CGBs after the Agreement than firms in the minimally affected (or unaffected) industries. This differential effect becomes stronger among firms in countries with more media attention on environmental issues, but weaker in countries with more stringent legal enforcement. Using a proprietary cross-national dataset of CGBs and difference-in-differences estimation, we find strong support for our hypotheses. This study advances our understanding of the intersection between firms’ green financing as a form of self-regulation and the broader institutional context, and responds to the recent call for more research on integrating multiple pressures that jointly shape firms’ environmental behaviors.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,022
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,064
Tête enseignante GPT0,276
Écart entre enseignants0,212 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetSustainable Finance and Green BondsTravaux en français237 207