MétaCan
Menu
Retour à la cohorte
Enregistrement W4404771250 · doi:10.1016/j.iref.2024.103752

Substantive innovation or strategic catering: Capital market pressure and corporate green innovation structure

2024· article· en· W4404771250 sur OpenAlexaff
Yajun Liu, Wenhui Chen, Xinyu He

Notice bibliographique

RevueInternational Review of Economics & Finance · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEnergy, Environment, Economic Growth
Établissements canadiensBarrie Urology Group
Organismes subventionnairesMinistry of Education
Mots-clésGreen innovationCapital structureBusinessEconomicsIndustrial organizationFinance

Résumé

récupéré en direct d'OpenAlex

Green innovation requires a market environment willing to take on more risk and accept failure. Capital markets are essential in green innovation because they can spread out the risks associated with innovation. Compared to existing research, this paper focuses on the impact and processes of the short-selling mechanism on corporate green technology innovation structure. Specifically, this study utilizes a difference-in-difference model to examine the effects and underlying mechanisms based on the listed firms from 2011 to 2022. The results suggest that the pressure from the capital market might encourage the development of green technological innovation in corporations. Still, it also hinders the establishment of a structure for corporate green innovation and fosters the expansion of strategic patent behavior. The influence is achieved through enhancing managerial performance, monitoring external pressures, and transmitting stock price information. Heterogeneous analysis confirms that independent directors ratio and CEO duality play a critical role. The findings demonstrate how capital market pressure can affect corporate green innovation structure, support the critical role of capital market and contribute to further engagement in corporate green technology innovation.

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)0,001
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,241
Écart entre enseignants0,194 · 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

Citations15
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Review of Economics & FinanceMême sujetEnergy, Environment, Economic GrowthTravaux en français237 207