The cost of noise: noise pollution and nonprofit expenses
Notice bibliographique
Résumé
Purpose This study examines the financial impacts of noise pollution on nonprofit organizations, focusing on how increased noise levels influence total spending and expenditures in the fundraising, administrative and program categories. By exploring these effects, the study aims to learn whether and how nonprofits are reallocating resources to address the adverse consequences of environmental noise. Design/methodology/approach Utilizing IRS Form 990 data for 149,595 US nonprofits from 2020, this study employs OLS regressions and robustness tests, including instrumental variables and entropy balancing, to analyze the impact of noise pollution, measured using data from the National Transportation Noise Exposure Map. The research examines total spending as well as spending patterns across three main functional areas: fundraising, administration, and programs. Findings The findings suggest noise pollution has an adverse impact on overall spending as well as fundraising expenses, seemingly at the expense of core program-related functions. Nonprofits in noisier areas appear to require more fundraising investment to counteract donor aversion caused by environmental stressors, leading to reduced capacity for spending on programs. Originality/value This study contributes to the literature by examining the role of environmental factors, and specifically noise pollution, in nonprofit financial health. Using a new dataset on census tract-level ambient noise, we are able, for the first time, to empirically examine the organizational impacts of noise pollution across geographic regions. Our study highlights the importance of considering environmental conditions in financial planning for nonprofits, offering practical implications for nonprofit managers and policymakers to develop strategies that mitigate the financial strain imposed by noise pollution.
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 | 0,007 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».