Managing organizational carbon neutrality: A systematic review
Notice bibliographique
Résumé
Abstract This article aims to analyze the challenges that arise for organizations when they make carbon neutrality commitments, the practices involved in implementing those commitments, and the impacts they have, based on a systematic review of empirical studies focused on the managerial and organizational implications of carbon neutrality initiatives. Through rigorous analysis of relevant research, this study maps the literature, highlighting, among other things, that research on the subject has mushroomed and is widely dispersed in terms of both geographical and disciplinary provenance; that the process of achieving organizational carbon neutrality has been undertheorized; and that there is a lack substantial critical examinations of carbon neutrality actions despite the greenwashing trends that have been observed in organizations' climate commitments. The results of the selected studies show the numerous challenges of managing carbon neutrality, mainly due to organizational obstacles and governance issues related to the lack of expertise, leadership, and reliable data to track climate performance rigorously as well as persistent uncertainties surrounding regulations and public policies in this area. Despite these difficulties, the conclusions of most studies remain optimistic about the positive financial, reputational, and institutional impacts of organizational carbon neutrality. The best practices identified in the literature revolve around actions related to leadership commitments, strategic planning, and innovation. This study provides an in‐depth understanding of the implications of carbon neutrality for managers and proposes avenues of improvement for future initiatives in this area. It also discusses contributions to the literature, significant research gaps, and resulting avenues for future research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,020 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».