Corporate opposition to climate change disclosure regulation in the United States
Notice bibliographique
Résumé
Extensive research shows that corporations tacitly resist climate change-related regulations even as they publicly espouse pro-climate strategies. In this study, we examine corporate responses to a major regulatory proposal by the U.S. Securities and Exchange Commission (SEC) to increase climate-related disclosures, which was made into law in March 2024. Corporate opposition to climate change disclosure regulation is measured by performing sentiment analysis, using GPT-3 from OpenAI, on comments and letters submitted by companies to the SEC on the proposed regulation. Analysis of data from 146 large corporations shows a positive average sentiment, indicating a statistically significant support for the proposed regulation. However, there are substantial variations across firms, with energy firms exhibiting the highest, and service firms the least, opposition. Opposition to climate change disclosure regulation was significantly greater in companies with higher Scope 1 greenhouse gas (GHG) emissions though no significant association was found for Scope 2 and 3 emissions. Companies with strong recent stock market performance, politically liberal boards, robust environmental disclosure practices, and sound sustainability governance were less opposed to the regulation. These results show that companies face mixed incentives that simultaneously increase the appeal and risk of climate change disclosures, reducing the efficacy of voluntary disclosure regimes.Key policy insights Sentiment analysis of letters submitted to the U.S. Securities and Exchange Commission reveals notable heterogeneities in corporate opposition to climate change disclosure regulation.Energy and service firms exhibit the highest and the lowest level of opposition, respectively, to climate change disclosure regulation.Corporate opposition is significantly greater in companies with higher Scope 1 GHG emissions but significantly lower in companies with higher stock market performance.Companies with politically liberal boards, robust environmental disclosure practices, and sound sustainability governance are less opposed to climate change disclosure regulation.Companies face conflicting pressures that confound the efficacy of voluntary corporate climate change disclosures.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».