What drives companies’ progress on their emission reduction targets?
Notice bibliographique
Résumé
As the importance of non-state mitigation actions in the transition to a low-carbon economy becomes firmly established, a rapidly growing number of companies are setting corporate climate mitigation targets. Shareholders increasingly value these commitments, conveying the impression of good future carbon performance. However, a critical question emerges: why do some companies progress better than others toward their climate mitigation targets? There is currently a lack of empirical literature assessing companies’ progress against their mitigation targets. Using a new indicator to evaluate the progress against individual corporate climate mitigation targets in a comparable manner, this study presents an explanatory analysis of 120 determinants applied to 4341 climate mitigation targets (scope 1 and 2 emissions) of 2975 companies reporting to the 2020 CDP questionnaire. The target progress assessment shows that 30% of targets have increased emissions since their base year, 15% have reduced their emissions but not at a sufficient pace, while 55% were on track to achieving or had already achieved their targets. In addition, 18% of targets were already achieved the year the target was set, which may be due to choosing a base year with unusually high emissions. The findings reveal 19 key determinants significantly associated with the progress against corporate targets and highlight future research orientation. Our results indicate better progression by companies having absolute targets with longer timeframes and disclosing additional, as well as remuneration links to climate-related issues. Companies with more ambitious targets progress less than others, except when the ambitious targets are approved by the Science-Based Targets initiative. The latter implies ambitious targets from some firms may only be symbolic, and that investors should consider both target ambition and progress. Clear guidance and regulations should be implemented by policymakers to prevent misleading target information. Future research should address limitations related to reliance on self-reported data and exclusion of scope 3 emissions targets, along with the research directions suggested by the findings.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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 ».