The neutralization of ESG risks by leading agri-food companies
Notice bibliographique
Résumé
Purpose The purpose of this paper is to shed more light on the motivations for environmental, social and governance (ESG) risk management by agri-food companies and the neutralization techniques used to legitimize the measures taken in this area. Design/methodology/approach Based on an analysis of the sustainability reporting of 135 companies, this study shows the interdependence between the main motivations for ESG risk management and the neutralization techniques used in disclosing information about their exposure to threats or negative events that could damage their image. Findings The results of the study allow us to understand the four main complementary neutralization techniques used to obfuscate the negative consequences of risks related to agri-food activities: mitigating ESG threats, addressing global risks through corporate leadership, taking advantage of sustainability trends and turning risks into opportunities. Practical implications Managers can use the results of this paper to identify the best management approaches to take ESG risks into account more substantially in their company. Social implications Ultimately, this study is important to improve the practices of agri-food companies and therefore their social legitimacy. Originality/value The examination of these neutralization techniques and their underlying motivations makes important contributions to the emerging literature on ESG risk management. The study also contributes to research on the disclosure of negative information that can damage a company’s reputation and on the strategies that companies use to promote the social acceptability of their activities.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 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 ».